Cómo la inteligencia artificial de Rexera impulsa el control de calidad con LangGraph

Descubra cómo Rexera migró a LangGraph para crear una potente inteligencia de control de calidad para los procesos empresariales inmobiliarios y mejorar significativamente la precisión de sus respuestas de Large Language Model (LLM).

Rexera está revolucionando el sector de las transacciones inmobiliarias, que mueve 50.000 millones de dólares, automatizando los procesos manuales con IA. Mediante el despliegue de inteligencia AI inteligente, Rexera está agilizando los procesos de negocio inmobiliario y acelerando las transacciones al tiempo que reduce significativamente los costes y las tasas de error.

Con LangChain y LangGraph Además de sus grandes modelos lingüísticos (LLM), Rexera desarrolla sofisticadas inteligencias artificiales. Estas inteligencias IA son capaces de realizar tareas cognitivas complejas como:

• Orden de pago Declaración de liquidación
• Extraer información clave de los documentos
• Realizar comprobaciones de control de calidad

A continuación, exploraremos cómo Rexera creó una potente aplicación de control de calidad (CC) que puede revisar los procesos de negocio inmobiliario con la misma precisión que un operador humano e identificar proactivamente los problemas para evitar retrasos. Exploraremos cómo evolucionó su sistema desde un enfoque inicial de un solo aviso hasta una solución más controlada y precisa utilizando LangGraph.

Enfoque inicial: comprobación del LLM con una sola solicitud y sus limitaciones

El control de calidad es fundamental en las transacciones inmobiliarias, y Rexera ha desarrollado una aplicación dedicada al control de calidad que revisa miles de flujos de trabajo cada día. La aplicación comprueba posibles errores en todas las fases de una transacción inmobiliaria, incluido el procesamiento de datos, las comunicaciones con el cliente y las interacciones con asociaciones de propietarios (HOA), oficinas del condado, empresas de servicios públicos y otras partes interesadas.

Con el fin de garantizar la calidad de las transacciones inmobiliarias, Rexera implantó inicialmente varias comprobaciones de LLM con una sola solicitud. Estas comprobaciones se diseñaron para validar:

• Exactitud de los documentos
• Cumplimiento de las expectativas del cliente
• Puntualidad del flujo de trabajo (cumplimiento de SLA)
• control de costes

Sin embargo, este enfoque tiene sus limitaciones. Los LLM de una sola pregunta tienen dificultades para hacer frente a la complejidad del proceso de transacción inmobiliaria por varias razones, entre ellas el hecho de que no captan la imagen completa de todo el flujo de trabajo, tienen un contexto limitado y no manejan correctamente los escenarios multidimensionales.

Rexera evalúa la eficacia de las inspecciones LLM utilizando las tres métricas clave siguientes, probadas en miles de flujos de trabajo:

1. precisiónPuntuación de corrección para la identificación de problemas
2. eficaciaVelocidad de ejecución por transacción
3. rentabilidadGastos asociados al LLM

Este enfoque simplificaba el control de calidad al señalar posibles problemas y reducir la necesidad de revisión manual. Sin embargo, Rexera reconoció la necesidad de una solución más avanzada para gestionar eficazmente la complejidad del flujo de trabajo inmobiliario.

Evolucionar hacia una inteligencia artificial: probar CrewAI

Al darse cuenta de las limitaciones del LLM de una sola promesa, Rexera probó a utilizar el CrewAI de un enfoque multiinteligencia, en el que cada inteligencia AI es responsable de una parte diferente del proceso de transacción. Por ejemplo, una inteligencia podría definirse como:

• Función: "Analista sénior de comprobación de la calidad de los contenidos"
• TAREA: "Comprobar que se han pedido todos los documentos HOA solicitados por el cliente y verificar que se ha enviado al cliente la información adecuada sobre el plazo de entrega y el coste."

Este enfoque aporta una serie de mejoras con respecto al LLM de pista única:

• desinformación(incorrectamente etiquetada como no problemática) disminuyó de 35% a 8%.
• omisión(Falta de señalización de un problema real) disminuyó de 10% a 5%.

Sin embargo, el enfoque CrewAI también se enfrenta a un reto clave. A pesar de su potencia, las inteligencias IA pueden a veces tomar el camino equivocado en su toma de decisiones, de forma parecida a un sistema GPS que elige una ruta más larga. Esta falta de control preciso significa que, en situaciones complejas, las inteligencias pueden desviarse del camino y provocar falsas alarmas.

Migrar a LangGraph para mayor precisión y control

Para superar las limitaciones del enfoque CrewAI, Rexera recurrió a LangGraph para diseñar rutas de decisión personalizadas para una variedad de escenarios, lo que ha sido particularmente beneficioso cuando se trabaja con casos complejos.LangGraph es un marco para inteligencias controladas construido por el equipo de LangChain, que aporta beneficios adicionales a Rexera, incluyendo la integración de flujos de trabajo con participación humana, gestión de estados y más. LangGraph

Para ilustrar la eficacia del nuevo enfoque basado en LangGraph, utilicemos el ejemplo de un pedido acelerado. Se trata de una complicación habitual en los procesos comerciales inmobiliarios que requieren que las transacciones se completen más rápido que el calendario estándar.

Con LangGraph, Rexera creó un sistema en forma de árbol para aplicaciones de control de calidad (CC) que admite bucles y ramificaciones. Esta estructura permite a las aplicaciones de control de calidad recorrer distintos caminos en función de los requisitos de agilización.

Cuando la aplicación reconoce un pedido urgente, sigue la rama "Pedido urgente" de la estructura de árbol. En el caso de los pedidos estándar, la aplicación sigue otra rama y se centra en las comprobaciones regulares de procesamiento.

Esta estructura de árbol habilitada para LangGraph mejora drásticamente la precisión y la integridad del proceso de control de calidad de Rexera al introducir un proceso de toma de decisiones más determinista y reducir la aleatoriedad asociada a la selección de rutas incorrectas. Este cambio garantiza la coherencia de los resultados y permite que los flujos de trabajo se completen con precisión y eficacia.

Aplicando LangGraph a las mejoras existentes en CrewAI, se consiguieron las siguientes optimizaciones:

• La tasa de falsos positivos aumentó de 8% Reducido a 2%
• La tasa de falsos negativos aumentó de 5% Reducido a 2%

Para el mismo escenario de pedido urgente, los siguientes ejemplos analizan los resultados del control de calidad con cada nueva arquitectura:

Salida del Modelo de Lenguaje Amplio (LLM) para mensajes individuales:

• Problemas encontrados: "Verdadero"
• Explicación: "No reconocimos explícitamente la solicitud acelerada en nuestras comunicaciones con el cliente".
• Análisis: falso positivo --Aunque la solicitud acelerada fue realmente reconocida y ejecutada, LLM no lo reconoció debido a su limitada capacidad para tratar interacciones complejas de múltiples pasos, por lo que marcó incorrectamente el problema.

Salida CrewAI:

• Problemas encontrados: "Falso"
• Explicación: "El cliente solicitó un pedido acelerado y el equipo ha acusado recibo y procesado la solicitud".
• Análisis: parcialmente exacto --CrewAI identificó el resultado correcto de que la orden acelerada se había ejecutado, pero no observó diferencias en el tipo de orden, como si estaba correctamente marcada y procesada como orden acelerada en el sistema.

Salida de LangGraph:

• Problemas encontrados: "Verdadero"
• Explicación: "Los detalles del pedido muestran 'Pedido acelerado: no', a pesar de que el cliente solicitó un pedido acelerado y hemos reconocido y ejecutado el pedido acelerado".
• Análisis: Completamente exacto --LangGraph no sólo confirmó que los pedidos acelerados se reconocían y ejecutaban, sino que también identificó incoherencias en los registros del tipo de pedido. Al seguir una ruta de decisión personalizada, garantizó que se validaran tanto el acuse de recibo de la solicitud acelerada como el procesamiento correcto del tipo de pedido, evitando así posibles retrasos o problemas.

llegar a un veredicto

Al aprovechar las capacidades de bucle y ramificación de LangGraph, Rexera ha creado una aplicación de control de calidad más inteligente y adaptable que garantiza que sus agentes de IA puedan realizar la inspección adecuada para cada escenario específico, mejorando la eficiencia y la precisión en las transacciones inmobiliarias.