¿Por qué construir las cosas de la manera difícil cuando puedes diseñarlas de la manera inteligente?
Como científico de datos de la cadena de suministro, he explorado varios marcos como Langchain y Langgraph para construir agentes de IA usando Python.
La ilustración anterior es de un artículo que escribí a fines de 2023, titulado “Aprovechando LLMS con Langchain para análisis de cadena de suministro, una torre de control impulsada por GPT”.
En ese momento, estaba explorando cómo usar Langchain para construir un agente que actúe como una torre de control de la cadena de suministro.
Un año después, descubrí el poder de la plataforma de código bajo N8N para construir el mismo tipo de solución en solo unos pocos clics.
En este artículo, exploraremos cómo construir fácilmente los agentes de IA para automatizar los flujos de trabajo de Analytics de la cadena de suministro utilizando N8N.
También veremos cómo implementar el mismo agente de la torre de control de IA que construí originalmente con Langchain hace 18 meses, ahora usando solo un código bajo.
Agente de IA para torres de control de la cadena de suministro utilizando langchain
Mi primer proyecto de AI Automatización El proyecto usando N8N era para un cliente que quería una torre de control de la cadena de suministro equipada con una interfaz de chat.
Una torre de control de la cadena de suministro es un conjunto de panelesARDS e informes conectados a sistemas de gestión de almacén y transporte que utilizan datos para monitorear eventos críticos en toda la cadena de suministro.
En un artículo anterior publicado en To To Data ScienceExperimenté con Langchain para conectar una torre de control a un agente de IA.
La idea era construir un agente de planificación y ejecución que
- Procesar la solicitud del usuario escrita en inglés sencillo
- Genere la consulta SQL apropiada
- Consulte la base de datos y almacene los resultados
- Formular una respuesta clara en inglés simple
Después de varias iteraciones, encontré la estructura de la cadena correcta y las indicaciones para ofrecer resultados precisos.
La solución funcionó bien porque ya había ganado experiencia usando Langchain y otros marcos para construir agentes de IA.
¿Cómo se supone que debemos mantener esta configuración compleja?
Sin embargo, para ofrecer esto como un servicio, necesitaba herramientas que hicieran que la solución sea más fácil de implementar, mantener y mejorar, incluso con un conocimiento limitado de Python.
Fue entonces cuando descubrí N8N.
Vamos a sumergirnos en eso en la siguiente sección.
Agente de IA para torres de control de la cadena de suministro: construido con N8N
¿Qué es N8N?
N8N es una herramienta de automatización de flujo de trabajo de código abierto que le permite conectar fácilmente las aplicaciones (correo electrónico, CRMS, sistemas de mensajería), API y marcos de modelos AI como Langchain.
Construye flujos de trabajo conectando nodos preconstruidos.
Por ejemplo, el flujo de trabajo anterior procesa correos electrónicos
- El primer nodo recopila correos electrónicos de una cuenta de Gmail.
- El contenido de correo electrónico y los metadatos se envían al nodo del Agente AI, que extrae la información relevante.
- El tercer nodo procesa la salida usando JavaScript.
- El nodo final carga los resultados en una hoja de Google.
No se necesitaba código para construir este flujo de trabajo, excepto el tercer nodo, que usa solo dos líneas de JavaScript.
Dado que trabajo con un equipo de consultores de cadena de suministro que tienen habilidades limitadas de Python, este fue un cambio de juego para mí mientras buscaba desarrollar mi oferta de servicios.
Pueden usarlo, adaptarse y mantener este flujo de trabajo después de una breve sesión de entrenamiento en N8N.
AI Supply Chain Control Tower N8N Workflow
El flujo de trabajo de la torre de control de la cadena de suministro de IA es un poco más complejo, pero aún más simple que su versión de Python.
Incluye dos flujos sub-obras.
El Sub-Workflow principal incluye una interfaz de chat y el agente de IA.
Para el nodo del agente de IA, necesita
- Conecte un LLM (modelo de chat) utilizando un nodo donde ingrese sus credenciales de API
- Agregue un nodo de memoria para administrar la conversación
- Agregue un nodo de herramienta para la consulta SQL, vinculado al segundo Sub-Workflow
El agente AI genera una consulta SQL y la envía al nodo “Herramienta de consulta de llamadas”, que ejecuta la consulta.
El Sub-Workflow incluye un nodo de código que limpia la consulta (eliminar espacios adicionales y bloquear comandos arriesgados como Delete).
La salida se envía a un Nodo grandeque ejecuta la consulta y devuelve los resultados.
El proceso es muy suave y requiere una configuración limitada:
- Solicitud del sistema (en el nodo del agente AI)
- Solicitud de usuario (en el nodo del agente AI)
Esta configuración no requiere habilidades de Python y mis consultores pueden manejar directamente.
Los resultados son comparables a los de la versión de Python.
Para obtener instrucciones de configuración paso a paso, consulte mi tutorial de YouTube 👇
Conclusión
Este ejemplo muestra lo fácil que es replicar un agente de IA construido con Python, usando N8N y código mínimo.
¿Eso significa que Python ya no es necesario para el análisis de la cadena de suministro? ¡Definitivamente no!
Al igual que muchas plataformas de bajo código, las características se limitan a lo que está disponible dentro del marco.
Es por eso que lo uso como complemento de mis productos analíticos.
Para hacer eso, puede usar el nodo de solicitud HTTP para conectar su flujo de trabajo a su backend de análisis.
¿Qué otra cosa? Conectividad fácil para muchos servicios.
Otra razón por la que elegí N8N para enriquecer mis productos analíticos es lo fácil que es agregar conexiones adicionales.
Por ejemplo, si desea agregar una interfaz floja o registrar conversaciones a una hoja de Google, simplemente agregue un nuevo nodo a su flujo de trabajo.
Si está comenzando su viaje N8N y necesita inspiración, Siéntase libre de explorar mis plantillas.
Acerca de mí
Vamos a conectarnos LinkedIn y Gorjeo; Soy un ingeniero de cadena de suministro que utiliza análisis de datos para mejorar Logística operaciones y reducir costos.
Para consultar o asesoramiento sobre análisis y sostenible Cadena de suministro transformación, siéntete libre de contactarme a través de Consultoría de logigreen.
Samir Saci | Ciencia de datos y productividad
Un blog técnico que se centra en la ciencia de datos, la productividad personal, la automatización, la investigación de operaciones y el sostenible …samirsaci.com