Agentic Workflows

Ajan tabanlı iş akışları, birden fazla özerk varlığın etkileşim kurduğu, kararlar aldığı ve çok adımlı görevleri minimum insan müdahalesiyle yerine getirdiği yapay zekâ (AI) alanında dönüştürücü bir yaklaşımı temsil eder. Katı ve doğrusal yürütme yollarını izleyen geleneksel makine öğrenimi işlem hatlarından farklı olarak, ajan tabanlı iş akışı son derece dinamiktir. Bir akıllı ajanın veya eşgüdümlü bir ajan ağının çevresini algılamasını, karmaşık sorunlar üzerinde akıl yürütmesini ve önceden belirlenmiş hedeflere ulaşmak için harici araçları kullanmasını sağlar. Kuruluşlar yapay zekâ girişimlerini ölçeklendirirken, kurumsal ajan tabanlı iş akışları yalıtılmış betiklerin yerini alarak çeşitli sektörlerde sağlam ve ölçeklenebilir otomasyonu mümkün kılıyor.

Ajan Tabanlı İş Akışlarını Anlamak#

Ajan tabanlı iş akışı, özünde yapay zekâyı pasif üretimden etkin problem çözmeye taşır. Bunun için tek istemli etkileşimlerden planlama, yürütme ve gözlemden oluşan yinelemeli bir döngüye geçmek gerekir. Geliştiriciler bu döngüleri düzenleyerek beklenmedik uç durumları ele alabilen ve kendi hatalarını düzeltebilen sistemler oluşturabilir.

Birbirine yakın kavramları net biçimde ayırt etmek gerekirse: yapay zekâ ajanı, akıl yürüten ve eyleme geçen bağımsız özerk varlıktır (çoğu zaman bir büyük dil modeliyle (LLM) desteklenir). Ajan tabanlı iş akışı ise bu ajanların nasıl iş birliği yaptığını, belleği nasıl paylaştığını ve eylemlerini nasıl sıraladığını yöneten kapsayıcı mimari süreçtir. Ayrıca üretken yapay zekâ, kullanıcı istemine dayanarak çoğunlukla tek bir doğrusal geçişte içerik oluştururken, ajan tabanlı sistemler hedefe bütünüyle ulaşılana kadar çıktıları sürekli iyileştirmek için öz değerlendirme, planlama ve çok ajanlı tartışma gibi tasarım kalıplarından yararlanır.

Temel Bileşenler#

Bu iş akışlarının başarısını sağlayan birkaç temel unsur vardır:

• LLM omurgaları: İş akışının temel akıl yürütme motorlarıdır. Çerçeveler, kullanıcı niyetini yorumlamak ve yürütme planlarını dinamik olarak oluşturmak için büyük dil modellerini orkestre eder.
• Fonksiyon çağırma ve araç kullanımı: Ajanlar, dış dünyayla etkileşim kurmak için belirli araçlarla donatılır. Buna veri tabanlarını sorgulama, kod yürütme veya görsel verileri analiz etmek için bilgisayarlı görü modellerini çağırma dâhildir. Modeller, iş akışının harici API'leri güvenilir biçimde tetiklemek için kullandığı yapılandırılmış fonksiyon çağrıları üretir.
• Orkestrasyon çerçeveleri: LangGraph, CrewAI ve Microsoft AutoGen gibi kütüphaneler, ajanları birbirine bağlamak, konuşma durumlarını yönetmek ve görevleri akıllıca yönlendirmek için kritik altyapıyı sağlar.
• Bellek ve bağlam yönetimi: Çok adımlı süreçlerde halüsinasyonu önlemek ve tutarlılığı korumak için iş akışları kısa süreli belleği (geçerli konuşmanın bağlam penceresi) ve geçmiş etkileşimlerden öğrenmek için uzun süreli belleği (kalıcı veri tabanları) saklar.

Gerçek Dünya Uygulamaları#

Ajan tabanlı iş akışları gerçek dünyada karmaşık ve açık uçlu görevleri etkin biçimde çözüyor:

1. Özerk Görsel İnceleme: Üretimde bir ajan tabanlı sistem, kusur tespitini otomatikleştirebilir. Bir orkestratör ajanı, görüntü yakalaması için kamera aracını tetikler, görüntüyü nesne algılama modeliyle işler ve çıktıyı analiz eder. Bir kusur bulunursa ajan bakım talebini özerk biçimde kaydeder ve ürünü elle incelenmek üzere yönlendirerek fabrika genelindeki yanıt sürecini yönetir.

2. Akıllı Belge Ayrıştırma: Finans ve hukuk sektörlerinde iş akışları, yapılandırılmamış PDF'lerden yapılandırılmış verileri çıkarmak üzere tasarlanır. Ajanlar, çıkarılan tabloları beklenen finansal şemalara göre kendiliğinden düzeltmek ve doğrulamak için hedefli istem mühendisliğinden yararlanarak düzen algılamayı yinelemeli biçimde uygular.

3. Dinamik Pazarlama Operasyonları: İleri görüşlü pazarlama ekipleri, mevcut eğilimleri özerk biçimde analiz eden, kampanya materyalleri oluşturan, reklam metni varyasyonlarını test eden ve gerçek zamanlı performans ölçümlerine göre bütçe stratejilerini ayarlayan ajanlar kullanarak pazarlama iş akışlarını yeniden tasarlıyor.

Örnek: Görü Ajanı İş Akışı Oluşturma#

Görsel zekâyı bir ajan iş akışına entegre etmek için Ultralytics Platformu ve ultralytics Python paketini kullanmak kolaydır. Bu örnekte ajan tabanlı bir sistem, fabrika hattını incelemek için bir algı aracı olarak YOLO26 kullanır ve iş akışının temel mantığının tahmin modu sonuçlarına göre sonraki eyleme otonom biçimde karar vermesini sağlar.

from ultralytics import YOLO

# Önerilen Ultralytics YOLO26 modelini yükle
model = YOLO("yolo26n.pt")

# Ajan tabanlı iş akışı adım 1: Görü aracı çevresel verileri toplar
results = model.predict("factory_line.jpg")


# Ajan tabanlı iş akışı adım 2: Ajan mantığı görsel tespitleri değerlendirir
def decision_agent(detections, names):
    for obj in detections:
        # Modelin belirli bir sınıfı, örneğin 'defect' sınıfını tespit edip etmediğini kontrol et
        if names[int(obj.cls)] == "defect":
            return "Action: Trigger immediate maintenance alert."
    return "Action: Continue production line smoothly."


# Ajanın karar mantığını sınırlayıcı kutu verilerine göre yürüt
action = decision_agent(results[0].boxes, results[0].names)
print(action)

Bu görüntü araçları, temelinde PyTorch gibi çerçevelerden yararlanarak son derece doğru uzamsal farkındalığı daha geniş yapay zekâ mantığına aktarır. Ajan tabanlı kuruluşlar olgunlaşmayı sürdürdükçe gelişmiş akıl yürütme modelleriyle gerçek zamanlı görüntüleme yeteneklerinin birleşimi, yeni nesil akıllı ve kendi hatalarını düzeltebilen otomasyonu mümkün kılacak. Sürekli iyileştirme, aktif öğrenme ve gelişmiş orkestrasyon sayesinde ajan iş akışları, yapay zekâ sistemlerinin karmaşık stratejileri baştan sona güvenilir biçimde yürütmesine yardımcı olur.