حل الفجوة في تنفيذ آليات الذكاء الاصطناعي

تعطل الوعد الأول لآليات اللغة الكبيرة (LLMs) كحل كامل لآلية الأعمال. لقد حلنا لمشكلة التفكير على نطاق واسع، ولكن تحويل هذا التفكير إلى نتائج حقيقية في العالم الواقعي هو قصة أخرى. لقد رأينا جميعا الأرقام: 95% من مشاريع الذكاء الاصطناعي التوليدية لا تصل إلى الإنتاج، و80% من مشاريع الذكاء الاصطناعي التقليدية تفشل في الإطلاق.

المشكلة ليست عدم الفهم. آليات اللغة الكبيرة رائعة في تحليل الطلبات غير المتناسقة والموضوعية، ولكن الفهم هو نصف المعركة فقط. يفشل معظم المشاريع لأن الأنظمة المطلوبة للعمل على هذا الفهم لم تكن متصلة أو آليّة في المقام الأول. يمكن للذكاء الاصطناعي أن يحدد بالضبط ما يحتاج إلى حدوثه، ولكنها عديمة الفائدة إذا لم تكن قادرة على الوصول إلى الأدوات أو تنفيذ المعاملات المطلوبة لتنفيذ العمل بالفعل.

مراحل آليّة العملية الثلاث

يحدث العمل في العالم الواقعي في ثلاث مراحل، ولكن الأنظمة الحالية تلتقط فقط جزءًا منها. تفشل الآليّة لأنها تركز تقريباً حصريًا على الخطوة الأولى بينما تتجاهل ميكانيكا الخطوتين التاليتين.

1. تحديد النية (التصنيف)

الخطوة الأولى هي تحديد ما يريده المستخدم. هذه هي مرحلة التفكير حيث أحرز الذكاء الاصطناعي التقدم الأكثر إنجازًا. على سبيل المثال، يقرأ مساعد خبير تذكرة، ويفصل النية، ويتخذ مسارًا إلى الأمام بناءً على سياسة الشركة. اليوم، تتعامل آليات اللغة الكبيرة مع هذا التصنيف بسهولة. بينما هذا إنجاز مثير للإعجاب، إلا أنه يعالج فقط الجزء الإدراكي الأمامي للمهمة.

2. خريطة العملية (المنطق)

الخطوة الثانية هي رسم مسار التنفيذ، أو منطق الوسط المضطرب. هذا يتطلب التنقل في قواعد العمل المملوكة و الاستثناءات التي ليست من المعرفة العامة. لمعاملة بسيطة للاسترداد، يجب على عضو الفريق معرفة النظام الذي يحمل المعاملة، وكيفية التعامل مع الضريبة، و ما إذا كان الموافقة الإدارية مطلوبة.

هنا تعيش ميزة المنافسة للشركة، ولكنها أيضًا حيث تفشل الآليّة. حتى عندما توجد واجهات برمجة التطبيقات (APIs)، غالباً ما تكون غير كافية أو معزولة. بدون خريطة مركزية للتنقل في 5-7 أنظمة متفرقة المطلوبة لإكمال سير عمل واحد، يفتقر الذكاء الاصطناعي إلى الإرشادات المطلوبة لترجمة قرار إلى سلسلة من الإجراءات الفنية.

3. الإجراء النظامي (التنفيذ)

الخطوة النهائية هي التنفيذ النظامي: إدخال البيانات في نظام تخطيط الموارد Enterprise Resource Planning (ERP)، أو تحديث نظام إدارة علاقات العملاء Customer Relationship Management (CRM)، أو تشغيل بوابة الدفع.

في العمليات اليدوية، يقوم المساعد بتنفيذ هذا التنفيذ بالعمل كتكامل بشري بين هذه الأنظمة. في عالم آلي، لا يمكن للذكاء الاصطناعي أن يقرر فقط ما إذا كان التغيير ضروريًا؛ إنه يحتاج إلى منصة قادرة على التعامل مع المعاملة بنفس مستوى الأمان والامتثال مثل مشغل بشري. بدون هذه البنية التحتية للتنفيذ، تبقى مشاريع الذكاء الاصطناعي نماذج أولية دائمة تفشل عند مواجهة عشوائية العالم الواقعي.

الانتقال من العرض التوضيحي إلى نظام من الدرجة الإنتاجية هو رفع كبير لأنها تتطلب حل هذه الأميال الأخيرة من الإجراء النظامي. إذا لم يتم إغلاق هذا الفجوة، تبقى الآليّة هشة وسوف يتم تجاهلها في النهاية من قبل فرق التشغيل.

مشكلة التكامل: المراقب مقابل المشغل

هذا الاحتكاك الفني هو السبب في أن الشركات لا تزال تعتمد على العمليات اليدوية للمهام الأساسية. في معظم الشركات، يقضي المساعد يومه في نقل البيانات يدويًا بين الأدوات، مثل نسخ المعلومات من قاعدة بيانات الفواتير إلى نظام إدارة علاقات العملاء أو تحديث منصة اللوجستيات. هم أساسًا الغراء الذي يربط الأنظمة معًا.

为了 آليّة، يجب على الشركة بناء وتحديث الاتصالات المخصصة لجميع الأدوات في سير العمل. غالباً ما يتجاوز تكلفة بناء هذه البنية التحتية قيمة الآليّة نفسها. بدون هذه الاتصالات، لا يمكن لموكل الذكاء الاصطناعي أن يفهم الزبون ولكن لا يمكنه مساعدته – يصبح مراقبًا مدفوع الأجر، لا مشغلًا. يمكنه رؤية الحل، ولكن لا يمتلك الوصول إلى تنفيذ الإصلاح. هذا هو السبب في أن معظم مشاريع الذكاء الاصطناعي لا تتجاوز الإجابة على أسئلة متكررة أو تنفيذ مهام ضيقة.

استخدام التوجيه لإغلاق الفجوة

للتحرك بعيدًا عن النماذج الأولية، تحتاج المنظمات إلى التوجيه. افكر في هذا كالهيكل الذي يربط التفكير (الخطوة 1) بالفعل (الخطوة 3) عن طريق إدارة المنطق المعقد (الخطوة 2) فيما بينهما.

يمكن لموكل الذكاء الاصطناعي تحديد ما يحتاج إلى القيام به، ولكن غالباً ما يفتقر إلى الصلاحيات وذاكرة النظام العابرة لامتلاك سير عمل من البداية إلى النهاية. لأي شيء يتجاوز مهمة بسيطة، يحتاج الموكل إلى منصة تتعامل مع عمليات الدخول، وتسلسل الخطوات عبر الأدوات المختلفة، وتحافظ على سجل التقدم. بدون هذا الطبقة، يصبح الذكاء الاصطناعي مجرد متخذ قرارات قوي بدون طريقة لتنفيذ قراراته.

يحل التوجيه أيضًا فخ الهندسة من الاتصالات الفريدة لواجهات برمجة التطبيقات (APIs). عندما بنينا هيكل MelodyArc، ركزنا على طبقة مركزية حيث يمكن لموكلات الذكاء الاصطناعي الحفاظ على السياق عبر الأنظمة وتنسيق الإجراءات من خلال واجهات برمجة التطبيقات أو واجهات الويب. من خلال التعامل مع الأعمال الفنية التقنية الثقيلة، يسمح التوجيه لفريق العمليات بتعريف سير العمل باستخدام كتلة بناء بدلاً من الكود. هذا يتحول الذكاء الاصطناعي من مساعد ممتع إلى مشغل موثوق يمكنه التعامل مع مهمة لمدى حياتها الكامل.

الوضوح العالي مع الدورة البشرية في الحلقة

النتائج غير الموثوقة هي أسرع طريقة لرفض فرق العمليات للتكنولوجيا الجديدة. التوجيه أكثر متانة عندما يتضمن طبقة دورة بشرية في الحلقة (HITL). على الرغم من الإهمال أو رفضه كفشل في الآليّة، فإن الخبرة البشرية هي مكون هام في الهيكل.

لكي تكون العملية وظيفية حقًا، يجب على النظام أن يتعرف على حدوده أثناء الحالات الحدية المعقدة أو عندما يكون ثقة الذكاء الاصطناعي منخفضة. توفير مسار واضح للتصعيد إلى مساعد وعودة يضمن أن الآليّة تبقى قوية.

بالإضافة إلى ذلك، من خلال التقاط هذه التدخلات، تخلق الشركات أيضًا سجلًا لاتخاذ القرارات. هذا يسمح للمديرين بمراجعة كيف يحل الخبراء القضايا و sửة هذه الأمثلة لتحسين الآليّة دون المساس بجودة الخدمة.

ملخص: بناء أنظمة تعمل

الانتقال من الطيار إلى الإنتاج يتطلب أكثر من نموذج أذكى، يتطلب نظامًا مبنيًا للقيام بالعمل. أزال الذكاء الاصطناعي عائق التفكير، ولكن لا يمكنه حل مشكلة الأنظمة المتناثرة بمفرده.

للتنجح، يجب على الشركات أن تتحرك بعيدًا عن “الذكاء الاصطناعي من أجل الذكاء الاصطناعي” وتركز على إعادة تصميم سير العمل الخاصة بهم من أجل التنفيذ الشامل بمساعدة التوجيه.