Crawl, შემდეგ ფეხით, სანამ აწარმოებს AI აგენტები, ექსპერტები რეკომენდაციას

Agentic AI გთავაზობთ პროდუქტიულობის დამაჯერებელ სარგებელს, მაგრამ დიზაინერებმა და დეველოპერებმა უნდა იფიქრონ მცირე.

კეთილი იყოს თქვენი მობრძანება არა მხოლოდ AI აგენტების სამყაროში, არამედ მრავალაგანმაგებელ სამყაროში. მიუხედავად იმისა, რომ ამ ფუნქციურ გენერაციულ AI (Gen AI) ინსტრუმენტებს დიდი დაპირება აქვთ პირადი და პროფესიული პროდუქტიულობისთვის, მათი განთავსება მნიშვნელოვანი გამოწვევაა დიზაინერებისა და დეველოპერებისთვის.

დელოიტის ბოლოდროინდელი რეპორტაჟების ავტორებმა ხალხის ყურადღება მიიპყრო - ორგანიზაციების 26% ავტონომიურ აგენტს იკვლევს. აღმასრულებელთა მინიმუმ 52% დაინტერესებულია აგენტის ხელოვნური ინტელექტის განვითარებით, ხოლო 45% -ს სურს განვითარების გაფართოება მრავალაგანმათიან სისტემებზე. თუმცა, მიუხედავად იმისა, რომ აგენტიური AI მდგრადი ღირებულების მთავარი ხელშემწყობი იქნება, ანგარიშში ნათქვამია, რომ ეს არ არის ვერცხლის ტყვია.

"როგორც პროგრამული უზრუნველყოფის სისტემები, რომლებსაც შეუძლიათ მინიმალური ინტერვენციის მიზნების მიღწევა, აგენტებს შეუძლიათ დააჩქარონ გრძელვადიანი ბიზნეს ღირებულების შექმნა", - ნათქვამია ანგარიშში.

"თუმცა, ძირითადი ბარიერები, რომლებიც ამჟამად Gen AI-ის წინაშე დგას - მარეგულირებელი გაურკვევლობა, რისკების მართვა, მონაცემთა დეფიციტი და სამუშაო ძალის საკითხები - კვლავ ვრცელდება და, სავარაუდოდ, კიდევ უფრო მნიშვნელოვანია აგენტის სისტემების გაზრდილი სირთულის გამო."

დღევანდელი ბოტებისგან განსხვავებით, "რომლებიც ძირითადად რეაგირებენ შეყვანაზე, აგენტურ AI-ს შეუძლია წინასწარ დაგეგმოს, პრიორიტეტული ამოცანები და კომპლექსური სამუშაო ნაკადების შესრულება ადამიანის მინიმალური ჩარევით", - განუცხადა ჯიმ როუანმა, დელოიტ კონსალტინგის AI-ის ხელმძღვანელმა, ZDNET-ს.

თუმცა, საერთო ჯამში, "ხელოვნური ინტელექტის აგენტების დანერგვა შეიძლება ძვირი იყოს", - გააფრთხილა მან. როუანმა თქვა, რომ მონაცემთა ინფრასტრუქტურა სასიცოცხლოდ მნიშვნელოვანია ნებისმიერი AI აგენტის ინიციატივისთვის: "ეს აუცილებელი სისტემები მოიცავს მასშტაბურ ღრუბლოვან პლატფორმებს, მონაცემთა ანალიტიკის მოწინავე ინსტრუმენტებს და კიბერუსაფრთხოების ძლიერ ზომებს".

აგენტებით დაწყება

ხელოვნური ინტელექტის აგენტების გაუკუადებაზე საუკეთესო ფსონია რაც შეიძლება მარტივი ნივთების შენარჩუნება. "კომპანიები და თანამშრომლები, რომლებმაც უკვე იპოვნეს ინტელექტუალური აგენტების მუშაობის გზები მარტივი ამოცანებისთვის, საუკეთესოდ არიან განთავსებული შემდეგი ტალღის გამოსაყენებლად აგენტიური AI- ით", - თქვა ბენჯამინ ლიმ, პენსილვანიის უნივერსიტეტის კომპიუტერული და ინფორმაციული მეცნიერების პროფესორმა.

"ეს თანამშრომლები უკვე ჩაერთვებიან გენეტიკური AI მარტივი ამოცანებისთვის და ისინი ხელით დაარღვევდნენ რთულ ამოცანებს AI- ს უფრო მარტივ ამოცანებად. ასეთი თანამშრომლები უკვე დაინახავდნენ პროდუქტიულობის მიღწევებს ამ მარტივი ამოცანებისთვის გენეტიკური AI- ის გამოყენებით.

როუანი შეთანხმდა, რომ საწარმოებმა უნდა მიიღონ სეირნობა, სიარული, აწარმოონ მიდგომა: "დაიწყეთ საპილოტე პროგრამით, რათა შეისწავლონ მულტიაგენტული სისტემების პოტენციალი კონტროლირებად, გაზომვად გარემოში".

"ადამიანების უმეტესობა ამბობს, რომ AI არის toddler ეტაპზე, ხოლო აგენტის AI ჰგავს tween", - თქვაბენ საპმა, Digital.ai- ის დაზვერვის გლობალურმა პრაქტიკამ. "ეს არის ფუნქციონალური და იცის როგორ შეასრულოს გარკვეული ფუნქციები."

საწარმოებმა და მათმა ტექნოლოგიურმა გუნდებმა "უნდა მოახდინონ გენერაციული ხელოვნური ინტელექტის გამოყენება მათ ორგანიზაციებში მარტივი ამოცანებისთვის", - განაგრძო ლიმ. "მათ უნდა ჰქონდეთ სტრატეგიები რთული ამოცანების მარტივად გატეხვისთვის, რათა, როდესაც ინტელექტუალური აგენტები რეალობად იდგრებიან, პროდუქტიულობის მიღწევების წყაროები გამჭვირვალე, ადვილად გასაგები და სანდოა."

როუანმა შესთავაზა უფრო მცირე ენის მოდელების მიღება, ვიდრე დიდი ენის მოდელირომელიც დომინირებდა Gen AI სცენაზე ამ ეტაპზე: "ეს სისტემები მნიშვნელოვან მნიშვნელობას მოუტანს მთელ რიგ როლებს, მიწოდების ჯაჭვის მენეჯმენტიდან პროგრამული უზრუნველყოფის შემუშავებამდე და ფინანსურ ანალიზამდე".

ლი შეთანხმდა, რომ მცირე ზომის მოდელების გამოყენება კარგად მოემსახურება აგენტურ AI- ს. "ინტელექტუალური აგენტი დაარღვევდა რთულ დავალებებს მრავალ მარტივ დავალებად, შესაძლოა ამ ამოცანების მრავალი ტიპის სპეციალიზებული მოდელის შეკითხვას", - თქვა მან. "აგენტი შემდეგ ამ შუალედურ შედეგებს თანმიმდევრულ პასუხად აერთიანებდა."

აგენტის მიდგომის დახვეწა

ხარისხის მონაცემები ასევე მთავარია, როუანმა დაამატა: "ეს არის ხელოვნური ინტელექტის აგენტების ეფექტურად მუშაობის საფუძველი. თუ მონაცემები არაზუსტი, არასრული ან არათანმიმდევრულია, აგენტების შედეგები და ქმედებები შეიძლება იყოს არასანდო ან არასწორი, რაც ქმნის როგორც შვილად აყვანის, ასევე რისკის პრობლემებს. ამიტომ აუცილებელია ინვესტიცია ჩადოთ მონაცემთა მძლავრ მენეჯმენტსა და ცოდნის მოდელირებაში.

როუანმა ასევე მოუწოდა ყოვლისმომცველ ინვესტიციას სამუშაო ძალის ამაღლებაში. ეს ტრენინგი "უნდა ფოკუსირდეს ტექნიკურ უნარებზე და AI აგენტებთან ეფექტურად თანამშრომლობის უნარზე", - თქვა მან. "კარგად მომზადებული სამუშაო ძალა არის ხელოვნური ინტელექტის აგენტების სრული პოტენციალის რეალიზების გასაღები."

დაბოლოს, აუცილებელია "ხელოვნური ინტელექტის აგენტების მუშაობის მუდმივად მონიტორინგისა და გაუმჯობესების პროცესების დამკვიდრება", - თქვა როუანმა. "ეს მოიცავს შესრულების მონაცემების შეგროვებას და ანალიზს, გაუმჯობესების იდენტიფიცირებას და ცვლილებების შეტანას მათი მუშაობის ოპტიმიზაციისთვის."

ტექნიკურ მოსაზრებებთან ერთად, აგენტიური AI დიზაინისა და განლაგების წარმატების გასაღები არის კომპანიებისთვის, რომ "განიხილონ თავიანთი პოლიტიკა აგენტის AI- ის გარშემო", - თქვა საპმა.

მაგალითად: "ვინ განსაზღვრავს, როდის შეიძლება მისი გამოყენება? აქვს თუ არა მას სხვა აგენტებთან ურთიერთობის ნებართვა? აგენტის AI მოძრაობს, ის მოძრაობს და ესაუბრება სხვა სისტემებს. რა ხდება, როდესაც ეს სისტემები ერთმანეთს ექცევა ან არ ეთანხმება? საჭიროა იერარქია იმის დასადგენად, თუ სად უნდა ცხოვრობდეს ავტო-დამტკიცების ჯარიმა ხაზი.

Sapp- მა მისცა დიდი ფინანსური მომსახურების კომპანიის მაგალითი, რომელიც იყენებდა AI მოდელს "იმის პროგნოზირებისთვის, იქნება თუ არა ცვლილება წარუმატებელი. ეს ინფორმაცია ქმნის წარუმატებლობის ალბათობას, რომელიც ადამიანზე მიდის", - თქვა მან.

"ამ ალბათობის საფუძველზე, ამ ადამიანს შეუძლია გადაწყვიტოს მისი უფრო ღრმად გადახედვა ან წინ წასვლა და დამტკიცება. აგენტის AI-ს შეუძლია განიხილოს სამუშაო პროცესის ზუსტი ცვლილება და ავტომატურად დაამტკიცოს ცვლილება წარუმატებლობის ალბათობის მაჩვენებლის საფუძველზე 1% -ზე ქვემოთ. მას აღარ სჭირდება ადამიანთან წასვლა; ეს ხდება ავტომატური ქმედება და ადამიანების გამოყენება AI მონაცემების საფუძველზე ზომების მისაღებად.