موفقیت‌ها و چالش‌های عوامل هوش مصنوعی

سیستم‌های خودکار به آرامی روش کار ما را تغییر می‌دهند. مزایای بزرگ‌تری زمانی خواهد آمد که کسب‌وکارها گردش‌کارهای خود را با قرار دادن عوامل در مرکز بازطراحی کنند.

هوش مصنوعی در مدت دو سال تغییرات زیادی ایجاد کرده است. در سال ۲۰۲۳، اکثر شرکت‌ها در حال آزمایش مدل‌های زبانی بزرگ بودند. این ابزارها در نوشتن، پژوهش و وظایف پشتیبانی کمک می‌کردند. آن‌ها هوشمند بودند، اما منتظر دستور بودند و نمی‌توانستند به‌تنهایی اقدام کنند.

در سال ۲۰۲۵، ما چیز قدرتمندتری می‌بینیم: عامل‌های هوش مصنوعی. آن‌ها دیگر فقط ابزارهای چت نیستند. می‌توانند به‌خاطر بسپارند، برنامه‌ریزی کنند، از ابزارها استفاده کنند و به‌تنهایی عمل نمایند. عامل‌های هوش مصنوعی می‌توانند هدفی گسترده را بپذیرند، مراحل را تشخیص دهند و بدون نیاز به کمک در هر مرحله اجرا کنند. برخی حتی می‌توانند در طول مسیر مشکلات را رفع کنند.

موفقیت‌های اولیه

این عامل‌ها فراتر از پژوهش رفته‌اند و داخل کسب‌وکارهای واقعی کار می‌کنند. برای مثال، ServiceNow از عامل‌های هوش مصنوعی برای مدیریت درخواست‌های فناوری اطلاعات استفاده می‌کند. اگر کسی نیاز به نصب نرم‌افزار یا به‌روزرسانی مجوز داشته باشد، عامل از ابتدا تا انتها آن را مدیریت می‌کند. هیچ تیکتی برای ایجاد نیست و زمان انتظار نیز وجود ندارد.

GitHub Copilot یک مثال دیگر است. اکنون حالت جدیدی دارد که در آن عامل می‌داند توسعه‌دهنده چه می‌خواهد انجام دهد، ابزارها را انتخاب می‌کند، تصمیم می‌گیرد و وظایف کوچک کدنویسی را به‌تنهایی تکمیل می‌کند. برای توسعه‌دهندگان، این زمان را ذخیره می‌کند و کارهای تکراری را حذف می‌کند.

یک مثال نهایی Cisco است که از عامل‌های هوش مصنوعی در Webex برای بهبود خدمات مشتری استفاده می‌کند. یک عامل مستقیماً با مشتریان صحبت می‌کند، عامل دیگری در تماس‌های زنده به نمایندگان انسانی کمک می‌کند و عامل سوم گوش می‌دهد و خلاصه‌ای از گفتگو همراه با تحلیل لحن و احساسات ایجاد می‌کند. این لایه‌ها با هم کار می‌کنند و پشتیبانی مشتری را سریع‌تر و دقیق‌تر می‌سازند.

این برنامه‌های عامل‌های هوش مصنوعی موفق هستند چون وظایف واضح هستند و فرایند استانداردی دارند. اما اکنون عامل‌ها برای رسیدگی به مشکلات پیچیده‌تر نیز آموزش داده می‌شوند.

یک مورد استفاده را در نظر بگیرید: یک تحلیل‌گر تجاری می‌خواهد دلیل کاهش فروش یک محصول در سه‌ماههٔ گذشته را بیابد. پیش از این، یک انسان داده‌ها را بررسی می‌کرد، دلایل ممکن را می‌گشت، آن‌ها را آزمایش می‌کرد و طرحی پیشنهاد می‌داد. اکنون یک هم‌پایلوت هوش مصنوعی در حال آموزش است تا بیشترین این کارها را انجام دهد. این سیستم داده‌های ساختاری را استخراج می‌کند، آن‌ها را به گروه‌ها تقسیم می‌کند، ایده‌های مختلف را آزمایش می‌کند و بینش‌ها را آشکار می‌سازد. این نوع سیستم هنوز در مرحلهٔ آزمایش است اما نشان می‌دهد که عامل‌ها به‌زودی چه توانایی‌هایی خواهند داشت.

رویکردی بهتر

حتی با این موفقیت‌های اولیه، اکثر شرکت‌ها هنوز سعی می‌کنند عامل‌ها را به جریان‌های کاری قدیمی اضافه کنند که تأثیر آن‌ها را محدود می‌کند. برای بهره‌برداری واقعی، کسب‌وکارها باید نحوهٔ انجام کار را بازطراحی کنند. عامل باید در مرکز وظیفه قرار گیرد و افراد تنها زمانی مداخله کنند که قضاوت انسانی لازم باشد.

همچنین مسئلهٔ اعتماد وجود دارد. اگر عامل فقط پیشنهاد می‌دهد، فرد می‌تواند نتایج را بررسی کند. اما وقتی عامل به‌صورت مستقیم عمل می‌کند، خطرات بالاتر است. اینجاست که قوانین ایمنی، سامانه‌های آزمون و سوابق شفاف اهمیت می‌یابند. در حال حاضر این سامانه‌ها هنوز در حال ساخت هستند.

یک مشکل غیرمنتظره این است که عامل‌ها اغلب فکر می‌کنند کارشان تمام شده باشد در حالی که نیست. انسان‌ها می‌دانند زمان اتمام یک کار چه زمانی است. عامل‌ها گاهی این را از دست می‌دهند. در برخی آزمون‌ها، بیش از ۳۰٪ از شکست‌های چندعاملی به این دلیل بود که یک عامل فکر می‌کرد کار زودتر از موعد تمام شده است.

برای ساخت عامل‌ها، توسعه‌دهندگان از ابزارهایی مانند LangChain و CrewAI استفاده می‌کنند تا منطق و ساختار را ایجاد کنند. اما برای استقرار و اجرای این عامل‌ها، شرکت‌ها به پلتفرم‌های ابری متکی هستند. در آینده، پلتفرم‌هایی مانند AWS و Google Cloud ممکن است راه‌حل‌های کامل برای ساخت، راه‌اندازی و نظارت بر عامل‌ها را به‌سهولت بیشتری ارائه دهند.

امروز، مانعی واقعی فراتر از فناوری است. این همچنین نحوهٔ فکر مردم دربارهٔ عامل‌هاست. برخی توانایی‌های آن‌ها را بیش از حد ارزیابی می‌کنند؛ برخی دیگر تمایلی به استفاده از آن‌ها ندارند. حقیقت در میانهٔ این دو است. عامل‌ها در وظایف مبتنی بر هدف و تکرارپذیر قوی هستند. آن‌ها هنوز آمادهٔ جایگزینی تفکر عمیق انسانی نیستند.

ارزش عامل‌ها

با این حال، مسیر واضح است. در دو سال آینده، عامل‌ها در پشتیبانی مشتری و توسعه نرم‌افزار به‌صورت عادی خواهند شد. نوشتن کد، بررسی آن و ادغام آن سریع‌تر خواهد شد. عامل‌ها بیشتر این مراحل را با نیاز کمتر به تعاملات متعدد انجام خواهند داد. همان‌طور که این روند رشد می‌کند، شرکت‌ها ممکن است نقش‌های جدیدی برای مدیریت عامل‌ها ایجاد کنند؛ افرادی که نظارت بر استفاده، اطمینان از پیروی از قوانین و اندازه‌گیری ارزش افزوده را بر عهده دارند. این نقش ممکن است در آینده به‌سوی شبیه به افسر داده‌ها رایج شود.

شور و هیاهوی عامل‌های هوش مصنوعی بلند است، اما تغییر واقعی آرام است. عامل‌ها جهان را تصرف نمی‌کنند؛ آن‌ها فقط وظایف را به‌عهده می‌گیرند. و در این فرآیند، نحوهٔ احساس کار را به‌صورت آهسته اما یقیناً تغییر می‌دهند.

آراویند چاندرامولی معاون‌جنرال، مرکز برتری هوش مصنوعی، در Tredence.

—

Generative AI Insights بستری برای رهبران فناوری فراهم می‌کند تا چالش‌ها و فرصت‌های هوش مصنوعی مولد را بررسی و بحث کنند. انتخاب گسترده‌ای دارد، از عمیق‌نگری‌های فناوری تا مطالعات موردی و نظرات کارشناسان، اما همچنین سوبژکتیو است و بر اساس قضاوت ما از اینکه کدام موضوعات و رویکردها بهتر به مخاطبان فنی InfoWorld خدمت می‌کند، شکل گرفته است. InfoWorld برای انتشار مارکتینگ محتوا قبول نمی‌کند و حق ویرایش تمام محتوای مشارکت‌کنندگان را محفوظ می‌داند. برای تماس doug_dineley@foundryco.com.