Kasalのご紹介

エージェント型AIシステムを採用する組織が増えています。これらは生産性を向上させ、人々を反復的なタスクから解放します。これらのシステムが成熟し、本番環境に移行するにつれて、自律的に動作し、私たちに代わってより適切な意思決定を行う能力から、企業は非常に大きな価値を得るようになるでしょう。

しかし、エージェント型AIの導入が進むにつれて、新たな課題も生じています。その一つが、熟練した人材の不足です。効果的なエージェントシステムを構築・管理するには深い技術的専門知識が必要であり、経験豊富なAIエンジニアへの需要は急速に高まっています。もう一つの課題は、この分野におけるテクノロジー、フレームワーク、ツールの絶え間ない進化に専門家がついていくことが、ますます困難になっていることです。

Kasalは、これらの課題に対処するために作成されました。これは、直感的なビジュアルインターフェースを通じて、さまざまなスキルレベルのユーザーが効果的なエージェント型AIシステムを設計、開発、デプロイできるようにする、エージェント駆動型のプラットフォームです。専門知識のないユーザーでも、Kasalの直感的なUIを活用して、特定のニーズに合わせた高度なエージェント型AIシステムを構築できます。専門家は、Kasalを使用して迅速に開始し、後でエージェントをコードにエクスポートして、より深いカスタマイズや開発を行うことができます。

Kasalの目標は、企業環境内の専門家と非専門家の双方に対して、エージェント型AIを民主化することです。

Kasalとは

Kasalは、シングルエージェントおよびマルチエージェントのワークフローを設計、実行、観察するための、UIファーストのフレームワークです。複雑なオーケストレーションコードを手動で記述する代わりに、ビジュアルキャンバス上でエージェントをドラッグ＆ドロップしたり、対話型アシスタントを通じて希望する内容を説明したりするだけで、Kasalがワークフローを自動的に構築します。その後、ツールを接続し、エージェントを実行し、その動作をリアルタイムで観察できます。バックグラウンドでは、KasalはAIエージェントの作成とオーケストレーションのためのオープンソースのPythonフレームワークであるCrewAIを使用していますが、これを認証、デプロイ、モニタリングを管理するDatabricksフレンドリーなアプリケーションレイヤーでラップしています。これにより、ビジュアルに設計した同じフローを、最小限の手間で本番環境に移行できます。生成されたフローはコードとしてエクスポートすることもできるため、AIエンジニアは必要に応じてさらに微調整や拡張を行うことができます。

">

Kasalが重要である理由

Kasalは、エージェントを活用したビジュアルワークフローデザイナー、Databricksとの緊密な統合、そしてMCPサーバー、Genie、カスタムAPI、データコネクターを含む拡張可能なツールキットという、3つのコア機能を提供します。

• ビジュアルオーケストレーション：エージェント、ハンドオフ、分岐ロジックが明確かつ具体的になり、開発者以外のメンバーとのレビューや、後からの監査が容易になります。さらに、Kasalに組み込まれたエージェントは、構築したいエージェントの種類を定義する際のユーザーの意図を理解し、業界のベストプラクティスに沿った最適化された設計を提案します。
• Databricksネイティブ：KasalはDatabricks Appとしてインストールするか、Marketplaceからアクセスできるため、ユーザーは独自の認証やガバナンスを管理する代わりに、ワークスペースの認証とガバナンスを継承できます。さらに、Kasalによって生成されたフローはDatabricksの機能をネイティブに活用するため、最初からエンタープライズ対応かつ本番グレードになります。これらには、トレースと追跡のためのMLflow、メモリ用のAI Search、サービング用のDatabricks Apps、トランザクションログ用のLakebase、ユーザー代理（OBO）認証などが含まれます。
• 拡張性：Kasalは、MCPサーバー、Genieスペース、Agent Bricks、およびカスタムAPIやデータコネクターを強力にサポートします。また、フローをノートブックとしてエクスポートすることもできるため、内部ロジックの完全な透明性が確保され、AIエンジニアは初期バージョンを超えてソリューションを完全に柔軟に拡張および微調整できます。

Kasalのライブオブザーバビリティ（可観測性）は、マルチエージェントAIワークフローに2層のモニタリングを提供します。Kasalのフロントエンドを通じて、ビジネスユーザーはワークフローのステータス、エージェントの相互作用、タスクの進行状況を追跡する実行タイムラインを表示できます。同時に、MLflowのトレース統合により、AIエンジニアはモデルのパフォーマンス、LLM呼び出し、エージェントの動作をデバッグできます。Databricks Appsにデプロイすると、Kasalはユーザー分離のためにDatabricksのOBO認証を使用し、透過的なエージェント操作のために本番環境に対応したSQLiteまたはLakebaseの永続化を使用します。

Kasalを始める

一般的なユーザージャーニーは、構築したいエージェントの仕様をKasalにプロンプトで指示することから始まります。たとえば、「顧客に合わせて当社のさまざまな製品を販売するための、営業担当者向けのピッチデックを生成する計画を作成してください」と依頼します。すると、Kasalはプロンプトと大規模言語モデル（LLM）を使用して、多くの場合階層的な、構造化された計画を生成します。

この例では、計画がシーケンシャル（順次）モードの場合、エージェントは設定された順序で次々と実行されます。しかし、計画が階層モードの場合、マネージャーエージェントと複数のサブエージェントが含まれ、それぞれが特定のタスクを担当します。たとえば、顧客データを取得して分析するエージェント、製品データを取得するエージェント、両方を組み合わせてピッチのストーリーラインを作成するエージェント、そして詳細情報とストーリーラインを反映したプレゼンテーションを生成するエージェントなどです。

その後、計画を実行して、特定の顧客向けの製品プレゼンテーションを生成できます。異なるモデルやツールを試すなど、ワークフローを変更したい場合は、Kasalのユーザーインターフェースを通じて簡単に行うことができます。

Kasalで作成した計画が他の人にとっても価値があると判断した場合は、それをKasalのカタログに登録して、今後のセッションで再利用やプロンプトでの呼び出しができるようにすることができます。Kasalの外部で計画を本格的に運用したい場合は、そのコードをエクスポートして、その周りに本番パイプラインを構築できます。計画を拡張し、より広範なソリューションアーキテクチャに統合するための完全な柔軟性が得られます。

Kasalで構築できるもの

すでに多くのユーザーが、Kasalを使用して幅広いエージェントやマルチエージェントAIシステムを構築しています。以下にいくつかの例を示します。

• データ分析パイプライン：データをクエリ、分析、可視化するエージェント
• コンテンツ生成システム：調査、執筆、コンテンツ作成のための協調型エージェント
• ビジネスプロセスの自動化：適応して意思決定を行うインテリジェントなワークフロー
• 研究開発：インサイトを収集、統合、提示するエージェント

現在、Kasalを始めるための簡単な方法が2つあります。

• MarketplaceからDatabricksワークスペースに直接インストールする（推奨）：ワンクリックのセットアップで、KasalをDatabricks Appとして追加します。このアプローチにより、マネージドインターフェース、組み込みのガバナンス、自動アップデートを活用できます。詳細については、こちらをご覧ください。
• ソースからデプロイする：Databricks LabsのGitHubリポジトリをクローンし、提供されているデプロイスクリプトを実行します。このオプションは、特定のニーズに合わせてKasalをカスタマイズまたは拡張したい場合に最適です。
• 新機能や発表については、Kasalシリーズをご覧ください。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事