- Replits agent utslettet en produksjons-DB - Zillow tapte 304 millioner dollar på grunn av sin boligkjøps-AI - iTutor betalte $365k da AI avviste gamle søkere AI-katastrofer som disse kan bokstavelig talt få deg til å miste jobben! La oss lære hvordan du bygger agenter som ikke mislykkes i produksjon (med kode):

En hovedutfordring med kundevendte AI-agenter er at de enten eskalerer problemet for raskt til en menneskelig agent (lav inneslutning) eller trygt villeder brukeren. Det er derfor brukervendte AI-systemer ikke bare kan optimalisere for nøyaktighet. I stedet må de også optimalisere for "inneslutning", det vil si hvor ofte agenter løser problemet uten eskalering. Dessuten er det ikke bare hyppigheten av feil, men alvorlighetsgraden deres, spesielt når selv de verste 0,001 % kan ha betydning.

La oss i dag bruke Parlant (åpen kildekode med 12k stjerner) til å bygge en kompatibel samtaleøkonomiagent som behandler og godkjenner lån. Parlant er et rammeverk for å bygge kundevendte agenter som oppfører seg nøyaktig som instruert. Tråden min nedenfor forklarer nøkkelfunksjonene.

1️⃣ Opprett agent Vi starter med å definere en lånegodkjenningsagent. Deretter erklærer vi noen domenespesifikke termer agenten kanskje trenger å vite for å svare trygt. Sjekk dette 👇

2️⃣ Reise Parlant introduserer ideen om Journeys. De informerer agenten om samtaleflyten i flere trinn som hjelper den med å veilede brukeren gjennom samtalen som tiltenkt. Sjekk denne reisen 👇 for godkjenning av lån

Dette er vår reise: - Bestem type lån brukeren ønsker - Samle inn låne- og inntektsrelaterte detaljer - Ringeverktøy for å sjekke kvalifisering - Avslutt hvis de ikke er kvalifisert, ellers be dem om å laste opp dokumenter - Anropsverktøy for å behandle opplastede dokumenter - Avslutt hvis ugyldige dokumenter ellers lån godkjent Sjekk dette 👇

3️⃣ Retningslinjer Retningslinjer i Parlant forteller agenten hvordan de skal nærme seg spesifikke situasjoner gjennom tilstandspar. Dette gir mer kontroll over agentens oppførsel. Dette reduserer feiljusteringer ved å sikre at agentens oppførsel stemmer overens med forretningsbehovene. Sjekk dette👇

Vi kan gjøre flere ting for å bygge inn mer kontroll, men dette enkle oppsettet i seg selv gir en kraftig instruksjonsfølgende agent. I videoen nedenfor, uansett hva jeg prøver for å få godkjent et lån, nekter agenten å gjøre det. Du kan også inspisere det nøyaktige resonnementet. Sjekk dette👇

Det er en innpakning! Hvis du syntes det var innsiktsfullt, kan du dele det på nytt med nettverket ditt. Finn meg → @_avichawla Hver dag deler jeg opplæringsprogrammer og innsikt om DS, ML, LLM-er og RAG-er.