Caso de uso de IBM watsonx.ai

El agente de IA conversacional se centra en una arquitectura de agente base e interactúa con IBM Máximo sistemas a través del lenguaje natural. Cada agente tiene un nombre específico, un propósito definido, plantillas de solicitudes, acceso a herramientas externas y funciona con un modelo de lenguaje extenso (LLM) a través de LangGraph, LangChain y watsonx.ai.
‍

Esta configuración permite a los agentes procesar las entradas de un usuario en lenguaje natural a través de un flujo de trabajo estructurado, lo que les permite recuperar los datos de Maximo y realizar acciones como crear nuevas órdenes de trabajo o iniciar flujos de trabajo. La siguiente imagen muestra un ejemplo de un usuario que solicitó órdenes de trabajo con prioridad 1 el 31 de diciembre de 1998. El agente supervisor dirige la solicitud al agente de Maximo, que consulta la API de Maximo. Los resultados se devuelven y se formatean tanto en lenguaje natural como en JSON para que el usuario los revise, como se muestra en la figura 1.
‍

‍

Estructura del agente

La implementación de casos de uso utiliza un sistema multiagente creado con LangGraph, LangChain y watsonx.ai con varios agentes especializados. Cada agente base se configura con los siguientes atributos:

• Nombre: Identificador para el registro y la selección de agentes

• Propósito: Enfoque específico de una tarea o dominio (p. ej., recuperar los registros de Maximo)

• Indicaciones: Plantillas didácticas para guiar las respuestas del LLM

• LLM: modelo watsonx.ai conectado que genera resultados en lenguaje natural

• Herramientas: API o módulos de utilidad a los que el agente puede llamar para realizar acciones
  ‍

El agente también está diseñado con funciones básicas como:

• Manejar entrada: Gestiona las solicitudes de los usuarios e interpreta el contexto

• Invocación de herramientas y enrutamiento de respuestas según la lógica del agente

‍

Arquitectura de flujo de agentes

‍

1. Entrada: El sistema comienza con el agente supervisor, que actúa como coordinador principal
2. Tipos de agentes
   
   1. Agente supervisor: Coordinadora principal
      
      1. Recibe la entrada del usuario
      2. Decide qué agente especializado debe tramitar la solicitud
      3. Genera la respuesta final
   2. Agente Maximo: Gestiona las consultas y operaciones específicas de Maximo
      
      1. Procesa las solicitudes relacionadas con Maximo
      2. Utiliza las herramientas de Maximo para operaciones específicas
      3. Devuelve los resultados al agente supervisor
   3. Agente de base de datos vectorial: Maneja las operaciones de bases de datos vectoriales
      
      1. Procesa consultas relacionadas con bases de datos vectoriales
      2. Utiliza herramientas de bases de datos vectoriales para las operaciones
      3. Devuelve los resultados al agente supervisor
3. Control de flujo
   
   1. El agente supervisor utiliza una función de enrutador para determinar qué agente especializado debe gestionar la solicitud.
   2. Cada agente especializado tiene sus propias funciones para determinar si necesita utilizar sus herramientas específicas
   3. Tras el uso de la herramienta, el control vuelve al agente correspondiente
   4. Los resultados regresan al agente supervisor para su procesamiento final
4. Administración estatal
   
   1. El sistema mantiene los estados a través de Estado del agente clase
   2. Los estados incluyen:
      
      1. Entrada del usuario: Solicitud original proporcionada por el usuario
      2. Decisiones del supervisor: La lógica utilizada por el supervisor para determinar qué agente especializado debe encargarse de la tarea
      3. Carga útil máxima: Datos estructurados enviados o recibidos de las API de Maximo
      4. Llamadas de herramientas: la ejecución de funciones o API externas activadas por un agente para completar una tarea
      5. Respuestas de los agentes: Las salidas o mensajes intermedios generados por los agentes especializados
      6. Respuesta final: La respuesta completa y dirigida al usuario por el Supervisor
      7. Cadena de memoria: Contexto almacenado de interacciones anteriores para mantener la continuidad
5. Punto de salida: El agente supervisor también es el punto final, ya que genera la respuesta final en función de los resultados de los agentes especializados

‍

La arquitectura permite el manejo modular de diferentes tipos de solicitudes, tiene una separación clara de las funcionalidades entre los diferentes agentes, implementa un enrutamiento flexible de las solicitudes en función de su naturaleza y una coordinación centralizada a través del agente supervisor.

‍

Exploración de ideas de casos de uso

En la demostración con IBM, no se implementó ningún caso de uso completo más allá del descrito en este documento. Sin embargo, se discutieron las siguientes ideas:

• Recuperación de órdenes de trabajo: Los usuarios pueden preguntar al agente sobre órdenes de trabajo específicas en Maximo, y el agente puede obtener y resumir los detalles relevantes a través de llamadas a la API
• Creación de órdenes de trabajo/ejecución del flujo de trabajo: El agente podría guiar a los usuarios a través del proceso de creación de una nueva orden de trabajo o de activación de flujos de trabajo predefinidos, utilizando entradas en lenguaje natural
• Soporte de inspección visual: Posibilidad de integración con Maximo Visual Inspection (MVI) y herramientas móviles para evaluar los daños a los activos a través de imágenes o vídeos

‍

Este caso práctico destaca cómo la IA conversacional puede hacer que trabajar con Maximo sea mucho más fácil e intuitivo. Al utilizar el lenguaje natural, los usuarios pueden pedirle al agente que busque o gestione las órdenes de trabajo sin necesidad de entender sistemas o procesos técnicos complejos. Entre bastidores, el agente está formado por diferentes «agentes auxiliares», cada uno con una función específica, que trabajan juntos para entender la solicitud, obtener datos de Maximo y obtener respuestas claras y concisas. El agente supervisor actúa como un jefe de equipo: se asegura de que el agente adecuado se encargue de la tarea y, a continuación, organiza la respuesta final.

‍

El ejemplo actual se centra en la recuperación de órdenes de trabajo en función de criterios específicos, pero la misma configuración se puede ampliar para hacer mucho más, como crear órdenes de trabajo, iniciar flujos de trabajo o incluso analizar imágenes de Visual Inspection. Este enfoque muestra cómo las herramientas avanzadas de inteligencia artificial, como watsonx.ai, pueden simplificar los flujos de trabajo complejos y ayudar a los equipos a interactuar con los sistemas empresariales de una manera más natural y eficiente.