L'intelligence artificielle de Rexera au service du contrôle qualité avec LangGraph

Découvrez comment Rexera a migré vers LangGraph pour créer une puissante intelligence de contrôle de la qualité pour les processus commerciaux de l'immobilier et améliorer de manière significative la précision de leurs réponses au Large Language Model (LLM).

Rexera révolutionne le secteur des transactions immobilières, évalué à 50 milliards de dollars, en automatisant les processus manuels grâce à l'IA. En déployant l'intelligence de l'IA, Rexera rationalise les processus commerciaux de l'immobilier et accélère les transactions tout en réduisant considérablement les coûts et les taux d'erreur.

Avec LangChain et LangGraph Outre ses grands modèles linguistiques (LLM), Rexera développe des intelligences IA sophistiquées. Ces intelligences IA sont capables d'effectuer des tâches cognitives complexes telles que :

• Ordre de paiement Déclaration de règlement
• Extraction d'informations clés à partir de documents
• Effectuer des contrôles de qualité

Nous allons voir comment Rexera a créé une puissante application de contrôle qualité (CQ) capable d'examiner les processus immobiliers avec autant de précision qu'un opérateur humain et d'identifier les problèmes de manière proactive pour éviter les retards. Nous verrons comment leur système a évolué d'une approche initiale à un seul message vers une solution plus contrôlée et plus précise en utilisant LangGraph.

Approche initiale : vérification de la LLM par un seul message et ses limites

Le contrôle de la qualité est essentiel dans les transactions immobilières, et Rexera a développé une application dédiée au contrôle de la qualité qui passe en revue des milliers de flux de travail chaque jour. L'application vérifie les erreurs possibles à toutes les étapes d'une transaction immobilière, y compris le traitement des données, les communications avec les clients et les interactions avec les associations de propriétaires (HOA), les bureaux du comté, les sociétés de services publics et les autres parties intéressées.

Afin de garantir la qualité des transactions immobilières, Rexera a d'abord mis en œuvre plusieurs contrôles LLM à un seul message. Ces contrôles étaient destinés à valider :

• Exactitude des documents
• Satisfaction des attentes des clients
• Rapidité du flux de travail (respect des accords de niveau de service)
• contrôle des coûts

Cette approche présente toutefois des limites. Les LLM à message unique ont du mal à faire face à la complexité du processus de transaction immobilière pour un certain nombre de raisons, notamment le fait qu'ils ne saisissent pas l'ensemble du flux de travail, qu'ils ont un contexte limité et qu'ils ne traitent pas correctement les scénarios multidimensionnels.

Rexera évalue l'efficacité des inspections LLM à l'aide des trois paramètres clés suivants, testés dans des milliers de flux de travail :

1. précisionScore d'exactitude pour l'identification du problème
2. l'efficacitéVitesse d'exécution par transaction
3. rentabilitéCoûts associés au LLM

Cette approche a simplifié le contrôle de la qualité en signalant les problèmes potentiels et en réduisant la nécessité d'un examen manuel. Cependant, Rexera a reconnu la nécessité d'une solution plus avancée pour gérer efficacement la complexité du flux de travail dans le secteur immobilier.

Évolution vers une intelligence artificielle : essai de CrewAI

Conscient des limites du LLM à un seul message, Rexera a essayé d'utiliser la méthode de la CrewAI d'une approche multi-intelligence, où chaque intelligence est responsable d'une partie différente du processus de transaction. Par exemple, une intelligence peut être définie comme suit :

• Rôle : "Analyste principal chargé du contrôle de la qualité du contenu".
• TÂCHE : "Vérifier que tous les documents HOA ont été commandés conformément à la demande du client et vérifier que les informations appropriées sur le délai et le coût ont été envoyées au client".

Cette approche apporte un certain nombre d'améliorations par rapport au LLM à repère unique :

• désinformation(qualifiée à tort de non problématique) a diminué de 35% à 8%.
• omission(Absence de signalement d'un problème réel) a diminué de 10% à 5%.

Cependant, l'approche CrewAI est également confrontée à un défi majeur. Malgré leur puissance, les intelligences IA peuvent parfois se tromper de chemin dans leur prise de décision, un peu comme un système GPS qui choisirait un itinéraire plus long. Ce manque de contrôle précis signifie que dans des scénarios complexes, les intelligences peuvent s'écarter de la bonne voie, entraînant des fausses alertes ou des alertes manquées.

Migrer vers LangGraph pour plus de précision et de contrôle

Pour surmonter les limites de l'approche CrewAI, Rexera s'est tourné vers LangGraph pour concevoir des chemins de décision personnalisés pour une variété de scénarios, ce qui a été particulièrement bénéfique lorsque l'on a travaillé sur des cas complexes.LangGraph est un cadre pour les intelligences contrôlées construit par l'équipe LangChain, qui apporte des avantages supplémentaires à Rexera, y compris l'intégration de flux de travail impliquant l'homme, la gestion d'état, et plus encore. LangGraph

Pour illustrer l'efficacité de la nouvelle approche basée sur le LangGraph, prenons l'exemple d'une commande accélérée. Il s'agit d'une complication fréquente dans les processus commerciaux de l'immobilier qui exigent que les transactions soient achevées plus rapidement que le calendrier standard.

En utilisant LangGraph, Rexera a créé un système arborescent pour les applications de contrôle de la qualité (QC) qui prend en charge les boucles et les ramifications. Cette structure permet aux applications de contrôle de la qualité d'emprunter différents chemins en fonction des exigences d'accélération.

Lorsque l'application reconnaît une commande urgente, elle suit la branche "Commande urgente" de l'arborescence. Pour les commandes standard, l'application suit une autre branche et se concentre sur les contrôles de traitement réguliers.

Cette structure arborescente basée sur LangGraph améliore considérablement la précision et l'intégrité du processus de contrôle qualité de Rexera en introduisant un processus de prise de décision plus déterministe et en réduisant le caractère aléatoire associé à la sélection d'un chemin incorrect. Ce changement garantit la cohérence des résultats et permet aux flux de travail d'être complétés avec précision et efficacité.

L'application de LangGraph aux améliorations existantes de la CrewAI a permis d'obtenir les optimisations suivantes :

• Le taux de faux positifs est passé de 8% réduit à 2%
• Le taux de faux négatifs est passé de 5% réduit à 2%

Pour le même scénario de commande accélérée, les exemples suivants analysent les résultats du contrôle qualité dans chaque nouvelle architecture :

Sortie du modèle du grand langage (LLM) pour les messages simples :

• Problèmes trouvés : "Vrai"
• Explication : "Nous n'avons pas explicitement reconnu la demande de traitement accéléré dans nos communications avec le client.
• Analyse : faux positif --Bien que la demande accélérée ait été reconnue et exécutée, le LLM ne l'a pas reconnu en raison de sa capacité limitée à traiter des interactions complexes en plusieurs étapes, signalant ainsi le problème de manière erronée.

Sortie CrewAI :

• Problèmes trouvés : "Faux"
• Explication : "Le client a demandé une commande accélérée et l'équipe a accusé réception de la demande et l'a traitée.
• Analyse : partiellement exact --Le système CrewAI a identifié le résultat correct, à savoir que la commande accélérée avait été exécutée, mais il n'a pas relevé de différences dans le type de commande, par exemple s'il avait été correctement signalé et traité comme une commande accélérée dans le système.

Sortie de LangGraph :

• Problèmes trouvés : "Vrai"
• Explication : Les détails de la commande indiquent "Commande accélérée : non", bien que le client ait demandé une commande accélérée et que nous ayons accusé réception et exécuté la commande accélérée.
• Analyse : Tout à fait exact --Le logiciel LangGraph a non seulement confirmé que les commandes accélérées avaient été reconnues et exécutées, mais il a également identifié les incohérences dans les enregistrements des types de commandes. En suivant un chemin de décision personnalisé, il s'est assuré que l'accusé de réception de la demande accélérée et le traitement correct du type de commande étaient tous deux validés, évitant ainsi des retards ou des problèmes potentiels.

rendre un verdict

En s'appuyant sur les capacités de bouclage et de ramification de LangGraph, Rexera a créé une application de contrôle qualité plus intelligente et plus adaptable qui garantit que ses agents IA sont en mesure d'effectuer la bonne inspection pour chaque scénario spécifique, améliorant ainsi l'efficacité et la précision des transactions immobilières.