Saiba como a Rexera migrou para o LangGraph para criar uma poderosa inteligência de controle de qualidade para processos de negócios imobiliários e melhorar significativamente a precisão de suas respostas ao Large Language Model (LLM).
A Rexera está revolucionando o setor de transações imobiliárias de US$ 50 bilhões ao automatizar processos manuais com IA. Ao implantar inteligência inteligente de IA, a Rexera está simplificando os processos de negócios imobiliários e acelerando as transações, reduzindo significativamente os custos e as taxas de erro.
Com o LangChain e o LangGraph e seus Large Language Models (LLMs), o Rexera desenvolve inteligências de IA sofisticadas. Essas inteligências de IA são capazes de executar tarefas cognitivas complexas, como:
- Ordem de pagamento Declaração de liquidação
- Extração de informações importantes de documentos
- Realizar verificações de controle de qualidade
A seguir, exploraremos como a Rexera criou um poderoso aplicativo de controle de qualidade (QC) que pode analisar os processos de negócios imobiliários com a mesma precisão de um operador humano e identificar problemas de forma proativa para evitar atrasos. Exploraremos como o sistema deles evoluiu de uma abordagem inicial de prompt único para uma solução mais controlada e precisa usando o LangGraph.
Abordagem inicial: verificação de LLM de prompt único e suas limitações
O controle de qualidade é fundamental nas transações imobiliárias, e a Rexera desenvolveu um aplicativo de controle de qualidade dedicado que analisa milhares de fluxos de trabalho todos os dias. O aplicativo verifica possíveis erros em todos os estágios de uma transação imobiliária, incluindo processamento de dados, comunicação com o cliente e interações com associações de proprietários de imóveis (HOAs), escritórios municipais, empresas de serviços públicos e outras partes interessadas.
Para garantir a qualidade das transações imobiliárias, a Rexera implementou inicialmente várias verificações de LLM de prompt único. Essas verificações foram projetadas para validar:
- Precisão dos documentos
- Cumprimento das expectativas do cliente
- Pontualidade do fluxo de trabalho (conformidade com o SLA)
- controle de custos
No entanto, essa abordagem tem limitações. Os LLMs de prompt único têm dificuldade para lidar com a complexidade do processo de transação de propriedade por vários motivos, inclusive o fato de não capturarem o quadro completo de todo o fluxo de trabalho, terem contexto limitado e não lidarem corretamente com cenários multidimensionais.
O Rexera avalia a eficácia das inspeções LLM usando as três métricas principais a seguir, testadas em milhares de fluxos de trabalho:
- precisãoPontuação de correção para identificação de problemas
- eficiênciaVelocidade de execução por transação
- custo-benefícioCustos associados ao LLM
Essa abordagem simplificou o controle de qualidade, sinalizando possíveis problemas e reduzindo a necessidade de revisão manual. No entanto, a Rexera reconheceu a necessidade de uma solução mais avançada para lidar efetivamente com a complexidade do fluxo de trabalho do setor imobiliário.
Evoluindo para uma inteligência de IA: experimentando a CrewAI
Ao perceber as limitações do LLM de prompt único, o Rexera tentou usar o CrewAI de uma abordagem de inteligência múltipla, em que cada inteligência de IA é responsável por uma parte diferente do processo de transação. Por exemplo, uma inteligência pode ser definida como:
- Função: "Analista sênior de verificação de qualidade de conteúdo".
- TAREFA: "Verificar se todos os documentos HOA foram encomendados conforme solicitado pelo cliente e verificar se as informações apropriadas de custo e ETA foram enviadas ao cliente."
Essa abordagem traz uma série de melhorias em relação ao LLM de pista única:
- desinformação(incorretamente rotulado como um não problema) diminuiu de 35% para 8%.
- omissão(Falha em sinalizar um problema real) diminuiu de 10% para 5%.
No entanto, a abordagem da CrewAI também enfrenta um desafio importante. Apesar de seu poder, as inteligências de IA podem, às vezes, tomar o caminho errado em suas decisões, como um sistema de GPS que escolhe uma rota mais longa. Essa falta de controle preciso significa que, em cenários complexos, as inteligências podem sair dos trilhos, levando a alarmes falsos ou perdidos.
Migre para o LangGraph para obter precisão e controle
Para superar as limitações da abordagem da CrewAI, a Rexera recorreu ao LangGraph para projetar caminhos de decisão personalizados para uma variedade de cenários, o que foi especialmente benéfico ao trabalhar com casos complexos. O LangGraph é uma estrutura para inteligências controladas criada pela equipe da LangChain, que traz benefícios adicionais para a Rexera, incluindo integração de fluxo de trabalho com envolvimento humano, gerenciamento de estado e muito mais. LangGraph
Para ilustrar a eficácia da nova abordagem baseada no LangGraph, vamos usar o exemplo de um pedido acelerado. Essa é uma complicação comum nos processos de negócios imobiliários que exigem que as transações sejam concluídas mais rapidamente do que o cronograma padrão.
Usando o LangGraph, a Rexera criou um sistema semelhante a uma árvore para aplicativos de controle de qualidade (QC) que suporta looping e ramificação. Essa estrutura permite que os aplicativos de controle de qualidade percorram caminhos diferentes com base nos requisitos de agilização.
Quando o aplicativo reconhece um pedido urgente, ele segue a ramificação "Rush Order" da estrutura em árvore. Para pedidos padrão, o aplicativo segue outra ramificação e se concentra em verificações de processamento regulares.
Essa estrutura em árvore habilitada para LangGraph melhora drasticamente a precisão e a integridade do processo de CQ da Rexera, introduzindo um processo de tomada de decisão mais determinístico e reduzindo a aleatoriedade associada à seleção incorreta de caminhos. Essa mudança garante a consistência dos resultados e permite que os fluxos de trabalho sejam concluídos com precisão e eficiência.
Ao aplicar o LangGraph aos aprimoramentos existentes do CrewAI, foram obtidas as seguintes otimizações:
- A taxa de falsos positivos aumentou de 8% Reduzido para 2%
- A taxa de falso-negativos aumentou de 5% Reduzido para 2%
Para o mesmo cenário de pedido acelerado, os exemplos a seguir analisam os resultados de QC em cada nova arquitetura:
Saída do Large Language Model (LLM) para prompts únicos:
- Problemas encontrados: "True" (Verdadeiro)
- Explicação: "Não reconhecemos explicitamente a solicitação acelerada em nossas comunicações com o cliente."
- Análise: falso positivo --Embora a solicitação acelerada tenha sido de fato reconhecida e executada, o LLM não reconheceu isso devido à sua capacidade limitada de lidar com interações complexas em várias etapas, sinalizando incorretamente o problema.
Saída da CrewAI:
- Problemas encontrados: "False" (Falso)
- Explicação: "O cliente solicitou um pedido acelerado e a equipe reconheceu e processou a solicitação."
- Análise: parcialmente preciso --O CrewAI identificou o resultado correto de que a ordem acelerada havia sido executada, mas não observou diferenças no tipo de ordem, como, por exemplo, se ela foi corretamente sinalizada e processada como uma ordem acelerada no sistema.
Saída LangGraph:
- Problemas encontrados: "True" (Verdadeiro)
- Explicação: "Os detalhes do pedido mostram 'Pedido acelerado: não', embora o cliente tenha solicitado um pedido acelerado e nós tenhamos reconhecido e executado o pedido acelerado."
- Análise: Completamente preciso --O LangGraph não apenas confirmou que os pedidos acelerados foram reconhecidos e executados, mas também identificou inconsistências nos registros do tipo de pedido. Ao seguir um caminho de decisão personalizado, ele garantiu que tanto o reconhecimento da solicitação acelerada quanto o processamento correto do tipo de pedido fossem validados, evitando assim possíveis atrasos ou problemas.
chegar a um veredicto
Ao aproveitar os recursos de looping e ramificação do LangGraph, a Rexera criou um aplicativo de CQ mais inteligente e adaptável que garante que seus agentes de IA possam realizar a inspeção correta para cada cenário específico, melhorando a eficiência e a precisão das transações imobiliárias.
