Kasal のご紹介

エージェント型AIシステムは、導入する組織が増えています。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、本番運用に移行するにつれて、企業は、自律的に動作し、私たちに代わってより良い意思決定を行うその能力から、多大な価値を得るでしょう。

しかし、エージェントAIの導入が進むにつれて、新たな課題が生まれています。一つは、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の構築と管理には、深い技術的専門知識が必要であり、経験豊富なAIエンジニアの需要は急速に高まっています。もう一つの課題は、専門家がこの分野の技術、フレームワーク、ツールの絶え間ない進化に追いつ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。これはエージェントを活用したプラットフォームであり、さまざまなスキルレベルのユーザーが直感的なビジュアルインターフェースを通じて、効果的なエージェントAIシステムを設計、開発、デプロイすることを可能にします。専門家でなくても、Kasalの直感的なUIを利用して、特定のニーズに合わせた高度なエージェントAIシステムを構築できます。専門家はKasalを使用して迅速に起動し、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と開発を行うことができます。

Kasalの目標は、エンタープライズ環境内の専門家と非専門家の両方のために、エージェントAIを民主化することです。

Kasal とは

Kasalは、単一および複数エージェントのワークフローを設計、実行、監視するための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必要なものを簡単に説明したりできます。Kasalが自動的にワークフローを構築します。その後、ツールを接続し、エージェントをランして、その動作をリアルタイムで監視できます。内部では、KasalはAIエージェントを作成し、オーケストレーションするためのオープンソースのPythonフレームワークであるCrewAIを使用しますが、認証、デプロイ、モニタリングを管理するDatabricks対応のアプリケーションレイヤーでラップされています。これは、視覚的に設計したのと同じフローを、最小限の労力で本番運用に移行できることを意味します。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、AIエンジニアは必要に応じてさらに改良したり拡張したりできます。

Kasalが重要な理由

Kasalには、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APIs、データコネクタを含む拡張可能なツールキットという3つの主要な機能があります。

• ビジュアルオーケストレーションは、エージェント、ハンドオフ、分岐ロジックを明確かつ具体的にし、開発者以外とのレビューや後の監査を容易にします。さらに、Kasalに組み込まれたエージェントは、ユーザーが構築したいエージェントの種類を定義する際の意図を理解し、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アプリとしてインストールすることも、マーケットプレイスからアクセスすることもでき、ユーザーは自身で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、ネイティブにDatabricksの機能を活用するため、最初からエンタープライズ対応で本番運用レベルの品質を備えています。これらには、トレースと追跡のためのMLflow、メモリのためのベクトル検索、サービングのためのDatabricks Apps、トランザクションログのためのLakebase、on-behalf-of-user認証などが含まれます。
• 拡張性: Kasalは、MCPサーバー、Genie spaces、Agent Bricksに加え、カスタムAPIsやデータコネクタにも最高レベルのサポートを提供します。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、内部ロジックの完全な透明性を提供し、AIエンジニアが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改良できるようにします。

Kasalのライブ可観測機能により、マルチエージェントAIワークフローを2層でモニタリングできます。Kasalのフロントエンドでは、ビジネスユーザーが実行タイムラインを表示し、ワークフローのステータス、エージェントのやり取り、タスクの進捗を確認できます。同時に、MLflowトレーシング連携により、AIエンジニアはモデルのパフォーマンス、LLM呼び出し、エージェントの振る舞いをデバッグできます。Databricks Appsにデプロイされると、Kasalはユーザー分離のためにDatabricks OBO認証を使用し、透明性のあるエージェント操作のために本番運用対応のSQLiteまたはLakebase永続化を使用します。

Kasal の始め方

一般的なユーザーは、まず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めます。たとえば、「営業担当者が顧客に合わせてさまざまな製品を販売するためのピッチデックを生成するプランを作成してください」と依頼することができます。するとKasalは、プロンプトと大規模言語モデルを使用して、多くの場合階層的な構造化されたプランを生成します。

この例では、プランがシーケンシャル モードの場合、エージェントは決められた順序で次々にランされます。ただし、プランが階層モードの場合、マネージャーエージェントといくつかのサブエージェントが含まれます。各サブエージェントは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、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、プランを実行して、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、ワークフローを修正したい場合は、Kasalのユーザーインターフェースで簡単に行うことができます。

Kasalで作成したプランが他の人にとっても価値があると思われる場合は、Kasalのカタログに登録して、将来のセッションで再利用したりプロンプトとして使用したりできるようにすることができます。Kasalの外部でプランを本格的に実用化したい場合は、そのコードをエクスポートし、その周りに本番運用パイプラインを構築できます。プランを拡張して、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あります。

Kasal で構築できること

すでにユーザーがKasalを使用して、さまざまなエージェントや複数エージェント型AIシステムを構築している事例が見られます。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：データのクエリ、分析、可視化を行うエージェント
• 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共同エージェント
• ビジネスプロセスの自動化: 適応し、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： 知見を収集、統合、提示するエージェント

現在、Kasalを起動す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します(推奨)。ワンクリックでKasalをDatabricksアプリとして追加できます。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、自動更新を活用できます。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：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。
• Kasalシリーズを視聴して、新機能や発表をご覧ください。

(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