मोशे संबोल, लाइटरन में ग्राहक समाधान के वीपी – साक्षात्कार श्रृंखला

मोशे संबोल, लाइटरन में ग्राहक समाधान के वीपी – दो दशक से अधिक का अनुभव लेकर आते हैं जो सॉफ्टवेयर इंजीनियरिंग, आर्किटेक्चर, क्लाउड इन्फ्रास्ट्रक्चर और ग्राहक-सामना करने वाली तकनीकी नेतृत्व को छूता है। लाइटरन में 2022 में शामिल होने से पहले, उन्होंने लगभग एक दशक गूगल में बिताया, जहां उन्होंने कई नेतृत्व पदों पर काम किया, जिनमें क्लाउड ग्राहक इंजीनियरिंग मैनेजर शामिल थे, जो संगठनों को गूगल क्लाउड प्रौद्योगिकियों को अपनाने और स्केल करने में मदद करते थे। अपने करियर की शुरुआत में, संबोल ने ओरेकल, सन माइक्रोसिस्टम्स, बीएमसी सॉफ्टवेयर और जेपीएमorgan चेस में इंजीनियरिंग और विकास नेतृत्व भूमिकाएं निभाईं। लाइटरन में, उन्होंने पहले वैश्विक समाधान इंजीनियरिंग का नेतृत्व किया और फिर ग्राहक समाधान के वीपी बने, जहां वे ग्राहकों को कंपनी की रनटाइम इंसाइट्स प्रौद्योगिकी को अपनाने और इसकी क्षमताओं को व्यावसायिक और डेवलपर उत्पादकता लाभ में अनुवाद करने में मदद करने पर ध्यान केंद्रित करते हैं।

लाइटरन एक एआई-मूल इंजीनियरिंग विश्वसनीयता मंच है जो डेवलपर्स और एआई एजेंटों को सॉफ्टवेयर के व्यवहार में सीधी दृश्यता प्रदान करने के लिए डिज़ाइन किया गया है जब यह चल रहा हो। इसकी प्रौद्योगिकी लाइव अनुप्रयोगों से गतिविधि, स्नैपशॉट, मीट्रिक, ट्रेस, वेरिएबल मान और निष्पादन संदर्भ को गतिविधि रूप से कब्जा कर सकती है बिना कोड परिवर्तन या पुनः तैनाती की आवश्यकता के। कंपनी इस रनटाइम बुद्धिमत्ता को एआई-सहायता प्राप्त सॉफ्टवेयर विकास के माध्यम से लाइटरन एमसीपी के माध्यम से विस्तारित कर रही है, जो मॉडल संदर्भ प्रोटोकॉल का उपयोग करके कोडिंग सहायकों और एजेंटिक उपकरणों को स्थिर स्रोत कोड के बजाय लाइव अनुप्रयोग संदर्भ प्रदान करती है। यह उत्पादन मुद्दों की जांच करने, कल्पनाओं को वास्तविक निष्पादन व्यवहार के खिलाफ सत्यापित करने और मूल कारण विश्लेषण का समर्थन करने के लिए एआई प्रणालियों को सक्षम बनाता है, साथ ही उद्यम नियंत्रण जैसे भूमिका-आधारित पहुंच और संवेदनशील डेटा लालित्य शामिल करता है।

आपका करियर हाथों-हाथ सॉफ्टवेयर विकास और वास्तुकला, गूगल में क्लाउड ग्राहक इंजीनियरिंग, वैश्विक समाधान इंजीनियरिंग और अब लाइटरन में ग्राहक समाधान को छूता है। इस संयोजन ने आपको एक प्रभावशाली एआई एजेंट प्रदर्शन और एक प्रणाली के बीच के अंतर को समझने में कैसे आकार दिया है जिस पर उत्पादन में विश्वास किया जा सकता है?

एक एआई एजेंट को दिखाने और यह साबित करने के बीच एक बड़ा अंतर है कि यह एक उद्यम वातावरण में विश्वास करने योग्य है। यह इसलिए है क्योंकि एजेंट उत्पादन-तैयार प्रणाली का केवल एक हिस्सा है। इसके चारों ओर का ढांचा उतना ही महत्वपूर्ण है। यह न्यूनतम विशेषाधिकार पहुंच को लागू करना चाहिए, गतिविधि की निगरानी करें, एक ऑडिट ट्रेल को संरक्षित करे, अस्वीकार्य जोखिम वाले कार्यों को रोकें और जब आवश्यक हो तो मानव को लाएं।

एजेंटिक प्रणालियां पारंपरिक सॉफ्टवेयर से विशिष्ट रूप से भिन्न होती हैं क्योंकि डेवलपर्स विशेष रूप से निर्दिष्ट नहीं करते हैं कि प्रणाली कैसे काम करेगी। हम एक लक्ष्य निर्धारित करते हैं, उपकरण और मार्गदर्शन प्रदान करते हैं और मॉडल यह तय करता है कि आगे कैसे बढ़ना है। यह लचीलापन शक्तिशाली है, लेकिन यह प्रणाली के व्यवहार को भी अधिक कठिन बनाता है अनुमान लगाने के लिए।

उद्यमों के लिए, विशेष रूप से नियंत्रित उद्योगों में, उत्पादन कार्य प्रवाह जो आमतौर पर काम करते हैं या पूरा होने में एक अनिश्चित मात्रा में समय लेते हैं, गैर-शुरुआती हैं। उत्पादन वातावरण में संवेदनशील डेटा, स्रोत कोड और बौद्धिक संपदा होती है, इसलिए संगठनों को यह सुनिश्चित करने में सक्षम होने की आवश्यकता है कि एजेंट इस जानकारी को उजागर न करें या अपने लक्ष्यों को प्राप्त करने के लिए अस्वीकार्य मार्ग अपनाएं। यह बढ़ती महत्व का है, क्योंकि प्रत्येक सप्ताह एक नए एआई प्रणाली का उदाहरण लाता है जो अपने लक्ष्य को प्राप्त करने के लिए सुरक्षा कमजोरियों के लिए अतिसंवेदनशील हो जाता है या कारण बनता है।

मैं जिन अधिकांश नेताओं से बात करता हूं वे अभी भी एजेंटों का मूल्यांकन करते हैं जैसे कि वे एक नए कर्मचारी का मूल्यांकन कर रहे हों: क्षमताओं, निर्णय और आउटपुट पर। वास्तविक प्रश्न यह नहीं है कि एजेंट पर्याप्त बुद्धिमान है या नहीं। यह है कि क्या एजेंट के आसपास की प्रणाली उन क्षणों को पकड़ और नियंत्रित कर सकती है जब यह नहीं है।

कई उद्यमों ने शुरू में माना कि एक एआई एजेंट बनाना मुख्य रूप से एक प्रभावी प्रेरणा लिखने की बात थी। एजेंटों के उत्पादन के लिए इंजीनियरिंग, वास्तुकला और संचालन आवश्यकताओं के बारे में संगठनों ने क्या गलत समझा?

मुझे लगता है कि सबसे बड़ा गलतफहमी एक लगभग निर्दोष विश्वास था एआई की शक्ति में कि यह किसी भी चुनौती को हल कर सकता है, एक बार दिया गया एक अच्छी तरह से लिखा गया प्रेरणा, प्रासंगिक संदर्भ और उपयुक्त उपकरण। टीमों ने अपने एलएलएम को कोड, दस्तावेज़, टिकटों और ऐतिहासिक टेलीमेट्री से जोड़ा, और फिर इसे सटीक निर्णय तक तर्कसंगत रूप से पहुंचने की उम्मीद की।

उन्होंने जो नहीं बनाया था वह प्रत्येक चरण के लिए एआई की तर्कसंगति के लिए एक सत्यापन मॉडल था। एआई की एक महान ताकत यह है कि यह संभाव्य तर्क का उपयोग करता है, कई संभावित मार्गों में से एक को खोजता है और गंतव्य तक पहुंचता है। जटिल, अंतर्संबंधित उत्पादन वातावरण में, यह ताकत जोखिम पेश करती है: एक एकल निर्णय डाउनस्ट्रीम प्रतिगमन, मौन विफलता या अप्रत्याशित व्यवहार को ट्रिगर कर सकता है जो एक चल रही प्रणाली की संचालन लचीलापन को खतरे में डालता है।

यह वह जगह है जहां निर्धारित निर्देश महत्वपूर्ण हो जाता है। एजेंट की तर्कसंगति अभी भी संभाव्य रह सकती है, लेकिन इसके कार्यों के आसपास के चेकपॉइंट नहीं हो सकते। एक इंजीनियरिंग कार्य प्रवाह में भाग लेने वाले एक एजेंट के लिए, यह एक सत्यापन चरण की आवश्यकता है जो अपने अनुमानित अगले कार्य की जांच करता है उत्पादन वास्तविकता के खिलाफ, एक निर्धारित गेट के बजाय एक और संभाव्य अनुमान। यह देखने की जरूरत है कि उस निर्णय का परिणाम क्या होगा, और केवल तभी इसकी मंजूरी दें जब यह निर्धारित किया जा सके कि कार्रवाई सुरक्षित है।

पहली लहर के आंतरिक रूप से विकसित उद्यम एजेंटों को देखते हुए, आप सबसे आम वास्तुकला गलतियों को देख रहे हैं, और कौन सी समस्याएं एक पूर्ण पुनर्निर्माण की आवश्यकता के बजाय क्रमिक रूप से ठीक की जा सकती हैं?

मैं जिस मुख्य चिंता पर वापस आता हूं वह सत्यापन है। एजेंट एक ब्लैक बॉक्स बन सकते हैं: वे विभिन्न स्रोतों से जानकारी एकत्र करते हैं और फिर निर्णय लेते हैं जो सिद्धांत रूप में युक्तिसंगत लगते हैं लेकिन उत्पादन वातावरण की वास्तविकताओं के लिए उपयुक्त नहीं हो सकते हैं।

यह लाइटरन में हम जिस बात पर लगातार चर्चा करते हैं वह एक और मूलभूत बदलाव की ओर इशारा करता है, जब हम ग्राहकों को उनके इंजीनियरिंग संगठनों के लिए एजेंटिक स्वचालन बनाने में मदद करते हैं। टीमों को एजेंटिक प्रवाह को फिर से बनाने और एजेंट की क्रियाओं पर गेट लगाने की आवश्यकता है ताकि यह सुनिश्चित किया जा सके कि इसके द्वारा उपकरणों का उपयोग पर्यवेक्षण, ऑडिट और समीक्षा के अधीन है। एजेंट को एक मजबूत प्रतिक्रिया पाश प्रदान करना – जिसमें लाइव रनटाइम दृश्यता शामिल है – इसके संदर्भ को इस बात पर केंद्रित करता है कि वर्तमान में क्या हो रहा है। यह पहुंच है जो एजेंट को उत्पादन वास्तविकता के बजाय स्थिर विश्लेषण के आधार पर धारणाओं के खिलाफ अपने डिजाइन निर्णयों, मूल कारण विश्लेषण और त्रुटि शमन सिफारिशों को सत्यापित करने देती है।

एक नाटकीय पुनर्निर्माण ही एकमात्र विकल्प नहीं है। जो किया जा सकता है, और यह क्रांतिकारी नहीं है, लेकिन यह आवश्यक है, एजेंट के व्यवहार को निर्देशित करने वाले कौशल में निवेश करना है। सावधानी से तैयार और मूल्यांकित कौशल एजेंट को एक निर्धारित कार्य प्रवाह की दिशा में धक्का देते हैं। टीमों को पूरे सिस्टम को फिर से डिज़ाइन करने की आवश्यकता नहीं है ताकि वे इस लाभ को प्राप्त कर सकें। उन्हें कौशल डिज़ाइन को उतनी ही सख्ती से इलाज करने की आवश्यकता है जितनी वे किसी भी अन्य उत्पादन तर्क के साथ करेंगे।

कुछ एजेंट नियंत्रित परीक्षण के दौरान अच्छा प्रदर्शन करते हैं लेकिन वास्तविक उपयोगकर्ताओं, बदलते डेटा, बाहरी उपकरणों और जटिल उत्पादन वातावरण के संपर्क में आने पर असंगत, अपूर्ण या भ्रामक परिणाम उत्पन्न करना शुरू कर देते हैं।

नियंत्रित परीक्षण अधिकांश परिवर्तनशीलता को हटा देते हैं जो उत्पादन वास्तविकता को परिभाषित करेगी। डेटा क्यूरेटेड है, उपकरण व्यवहार की भविष्यवाणी की जा सकती है, अनुमतियां ज्ञात हैं, और हम एक पथ को कवर करते हैं जिसकी हमने भविष्यवाणी की थी। जब आप एजेंट को वास्तविक उपयोगकर्ताओं और उनके प्रभावों के साथ जीवित प्रणालियों में जारी करते हैं, तो आप एक जैसे के साथ एक जैसे की तुलना नहीं कर रहे हैं।

उपयोगकर्ता अस्पष्ट अनुरोध पेश करते हैं और समानांतर क्रियाएं चलाते हैं, प्रणाली की स्थिति निरंतर प्रवाह में है, एजेंट अक्सर आंशिक डेटा से काम करना होगा, और बाहरी उपकरण अपनी विलंबता और विफलता मोड के साथ शीर्ष पर लाते हैं। चूंकि मॉडल संभाव्य है, इसलिए प्रत्येक नई перемен्ता एक ऐसा स्थान बनाती है जहां कार्य प्रवाह विचलित या एक पूर्व में गलती को जोड़ सकता है।

खतरनाक हिस्सा यह है कि एजेंट अभी भी सही ढंग से काम कर रहा है यह दिखाई दे सकता है, लेकिन आंशिक डेटा या पुरानी जानकारी में निहित धारणाओं पर निर्मित असंगत लेकिन संभावित प्रतिक्रियाएं उत्पन्न कर सकता है। यही कारण है कि उत्पादन एजेंटों को निरंतर मूल्यांकन की आवश्यकता होती है जो लॉन्च के बाद भी चलता रहता है, लापता डेटा और उपकरण विफलताओं के स्पष्ट हैंडलिंग, और एक उच्च-प्रभाव कार्रवाई पूरी होने से पहले निर्णय का लाइव सत्यापन।

लाइटरन रनटाइम संदर्भ तक एआई प्रणालियों को पहुंच प्रदान करने पर महत्वपूर्ण जोर देता है। पारंपरिक लॉग, मीट्रिक और ट्रेस की तुलना में रनटाइम संदर्भ क्या जानकारी प्रदान करता है, और एजेंट विफलताओं के निदान के लिए यह जानकारी विशेष रूप से महत्वपूर्ण क्यों है?

पारंपरिक दृश्यता प्रणाली व्यवहार के बाहरी लक्षण दिखाती है, अक्सर डैशबोर्ड और अलर्ट द्वारा संक्षिप्त, नमूनाकृत या सीमा पर ट्रिगर किए जाते हैं। वे आमतौर पर कोड लिखे जाने के समय विकासकर्ताओं द्वारा किए गए निर्णयों पर निर्भर होते हैं: भविष्य में क्या दिलचस्प हो सकता है? क्या लॉग या मापा जाना चाहिए? रनटाइम संदर्भ दृश्यता को आगे बढ़ाता है जिसे पहले से जानने की आवश्यकता से दूर करता है, और यह बताता है कि अंदर क्या हो रहा है, और हम यहां कैसे पहुंचे।

वास्तविक अंतर स्थिर बनाम गतिशील डेटा है। पारंपरिक लॉग, मीट्रिक और ट्रेस स्थिर हैं, और एक ऐतिहासिक खाता उत्पन्न करते हैं जो हुआ। लाइटरन का रनटाइम संदर्भ गतिशील है। यह एजेंट को चल रहे कोड में नई साधन सामग्री रखने और सटीक वेरिएबल मान, फ़ंक्शन तर्क, वस्तु राज्य, कॉल स्टैक या शाखा शर्तों के रूप में होने वाली बातचीत का अवलोकन करने की क्षमता प्रदान करता है।

यह अंतर एजेंट-जनित कोड में विफलताओं का निदान करने के लिए विशेष रूप से महत्वपूर्ण है, क्योंकि वे अक्सर मौन होते हैं। एक एजेंट गलत उपकरण चुन सकता है, गलत तर्क दे सकता है, या एक पुरानी धारणा पर कार्य कर सकता है, और अभी भी अपना कार्य पूरा कर सकता है बिना किसी त्रुटि को ट्रिगर किए। एक ऐसी विफलता स्थिर टेलीमेट्री में दिखाई नहीं देगी, क्योंकि किसी को पहले से पता नहीं था कि इसके लिए साधन सामग्री करने की आवश्यकता है। अप्रत्याशित व्यवहार के लिए एक गतिशील जांच की आवश्यकता होती है सीधे चल रही प्रणाली पर, साधन सामग्री को रखने के लिए जहां एजेंट का विश्व मॉडल वास्तविकता से विचलित हो गया था, स्थिर विश्लेषण के आधार पर धारणाओं पर निर्भर नहीं है।

यह वह है जो गतिशील रनटाइम संदर्भ को इंजीनियरिंग में एआई-जनित निर्णयों के लिए प्राकृतिक सत्यापन परत बनाता है।

मॉडल संदर्भ प्रोटोकॉल (एमसीपी) और इसी तरह के एकीकरण परतें कैसे कोडिंग एजेंटों को वास्तविक निष्पादन व्यवहार से सीखने की अनुमति देती हैं बिना उत्पादन प्रणालियों तक अत्यधिक या असुरक्षित पहुंच प्रदान किए?

एमसीपी और अन्य नियंत्रित पहुंच बाहरी उपकरणों (जैसे सीएलआई रैपर) को एजेंट को एक विशिष्ट, सीमित क्षमता को कॉल करने की अनुमति देते हैं, न कि प्रणाली को व्यापक पहुंच और विश्वास के साथ सौंपने की। एक एमसीपी सर्वर के माध्यम से रनटाइम संदर्भ के लिए जुड़े एक एजेंट को पढ़ने के लिए साक्ष्य का अनुरोध करने में सक्षम हो सकता है, एक वेरिएबल का मान, एक कॉल पथ, क्या एक सीमा से अधिक है, बिना लिखने के अधिकार को छूने, किसी भी पुनः तैनाती की आवश्यकता के बिना और अंतर्निहित वातावरण में खड़े प्रमाण-पत्र की आवश्यकता के बिना।

जब एक पीढ़ी-एक एजेंट को फिर से डिज़ाइन करते हैं, तो उद्यमों को उपकरण अनुमतियों, मेमोरी, डेटा पुनर्प्राप्ति, मूल्यांकन, मानव पर्यवेक्षण और गिरावट प्रक्रियाओं को एक साथी वास्तुकला के हिस्से के रूप में कैसे देखना चाहिए, न कि अलग-अलग सुविधाओं के रूप में?

आप इन टुकड़ों को स्वतंत्र रूप से नहीं जोड़ सकते क्योंकि प्रत्येक एक दूसरे को बदलता है। सबसे अच्छी जगहें जहां से शुरू करना है वह फ्रेमवर्क है, जो एजेंट लूप को नियंत्रित करने वाला हार्नेस है, और समग्र कार्य प्रवाह ऑर्केस्ट्रेशन है जो कई एजेंटों और अन्य अभिनेताओं को एक साथ बांधता है। एक मूल कारण विश्लेषण कार्य प्रवाह के लिए, उदाहरण के लिए, टीमों को यह तय करने की आवश्यकता है कि कौन सा साक्ष्य आवश्यक है, किन प्रणालियों का एजेंट निरीक्षण कर सकता है, क्या यह एक निष्कर्ष प्रकाशित कर सकता है या केवल एक मसौदा तैयार कर सकता है, कब एक मानव को अगले चरण की मंजूरी देनी चाहिए, और क्या होता है अगर रनटाइम साक्ष्य अनुपलब्ध है।

एक बार जब यह अनुबंध स्पष्ट हो जाता है, तो हार्नेस और फ्रेमवर्क उन दिशानिर्देशों को लागू करने के तंत्र प्रदान करते हैं। एमसीपी गेटवे का उपयोग एजेंट की पहुंच को उसके उद्देश्य से संबंधित विशिष्ट क्षमताओं तक सीमित करने के लिए किया जा सकता है। उपकरणों को न्यूनतम विशेषाधिकार के साथ प्रदान किया जा सकता है। मेमोरी की देखरेख की जा सकती है, संवेदनशील डेटा को निर्धारित रूप से लालित्य दिया जा सकता है। पुनर्प्राप्ति को कार्य प्रवाह द्वारा आवश्यक साक्ष्य के आसपास डिज़ाइन किया जा सकता है।

मूल्यांकन, पर्यवेक्षण और गिरावट तब लूप को बंद करते हैं। प्रणाली को यह मापना चाहिए कि क्या निष्कर्ष सही और समर्थित हैं, जब जोखिम या अनिश्चितता एक परिभाषित सीमा को पार करती है तो मानव को लाएं, और जब यह पर्याप्त साक्ष्य एकत्र नहीं कर सकता है तो कार्रवाई को रोकें या केवल एक पढ़ने की सिफारिश पर वापस आ जाएं। एक साझा ऑडिट रिकॉर्ड को ट्रिगर, अनुमतियों, साक्ष्य, उपकरण कॉल, अनुमोदन, कार्रवाई और परिणाम से जोड़ना चाहिए। यही कारण है कि ये घटक एक उत्पादन वास्तुकला हैं और छह अलग-अलग सुविधाएं नहीं हैं।

विशेष रूप से नियंत्रित वातावरण में जहां पहुंच नियंत्रण, गोपनीयता, ऑडिटेबिलिटी और संचालन स्थिरता महत्वपूर्ण हैं, लाइव अनुप्रयोगों की जांच करने में सक्षम एजेंटों या साइट विश्वसनीयता इंजीनियरिंग कार्य प्रवाह में भाग लेने वाले एजेंटों के आसपास क्या सुरक्षा उपाय होने चाहिए?

यह लाइटरन एआई एसआरई के निर्माण के दौरान एक केंद्रीय डिज़ाइन प्रश्न था। एक एआई एसआरई एक संगठन में कुछ सबसे संवेदनशील प्रणालियों के करीब संचालित होता है, इसलिए हमने इसे एक विशेषज्ञता परिचालन अभिनेता के रूप में डिज़ाइन किया, एक चैट सहायक नहीं। एक महत्वपूर्ण निर्णय निरीक्षण विमान को क्रिया विमान से अलग करना था। एआई एसआरई प्रतिबंधित पहुंच द्वारा लाइटरन के सैंडबॉक्स्ड रनटाइम साधन सामग्री और केवल-पढ़ने वाले एकीकरण के माध्यम से साक्ष्य एकत्र करता है, जो पहचान, किरायedar, सेवा और वातावरण द्वारा सीमित है। यह लाइव निष्पादन की जांच कर सकता है और लापता साक्ष्य उत्पन्न कर सकता है, लेकिन रनटाइम-निरीक्षण परत अनुप्रयोग राज्य को संशोधित नहीं कर सकती है।

एक नियंत्रित वातावरण में, यह सीमा आरबीएसी, एसएसओ, किरायेदार अलगाव, पीआईआई लालित्य, प्रतिधारण नियंत्रण और एक ऑडिट ट्रेल द्वारा समर्थित होनी चाहिए जो प्रत्येक निष्कर्ष का समर्थन करने वाले उपकरण और साक्ष्य दिखाती है। हमें संचालन सीमा की भी आवश्यकता है कि कितना डेटा एकत्र किया जा सकता है, रनटाइम कितनी बार पूछताछ की जा सकती है, और कौन से कार्यों को अनुमोदन की आवश्यकता है। यदि साक्ष्य लापता है या निष्कर्ष की पुष्टि नहीं की जा सकती है, तो एआई एसआरई को ऐसा कहना चाहिए और निर्णय को मानव को सौंप देना चाहिए, बजाय इसके कि यह ऐसा लगता है जैसे यह अधिक जानता है। लक्ष्य नियंत्रित स्वायत्तता है: जांच को तेज करने के लिए पर्याप्त उपयोगी, लेकिन लाइव प्रणाली के लिए सुरक्षित रहने के लिए पर्याप्त सीमित।

उद्यम प्रायोगिक एजेंटों से आगे बढ़ते हुए, एजेंट की वास्तविक उत्पादन तैयारता का निर्धारण के लिए कौन से मापदंड होने चाहिए, और आप अगले कई वर्षों में एआई एजेंटों और मानव इंजीनियरों के बीच संबंध कैसे विकसित होने की उम्मीद करते हैं?

मैं उत्पादन तैयारता का निर्णय लूंगा कि कितनी बार एक एआई एजेंट की क्रियाएं वांछित परिणाम उत्पन्न करती हैं, इसके निष्कर्ष वास्तव में उत्पादन में क्या सच था, असमर्थित निष्कर्ष पकड़े जाते हैं और कार्रवाई से पहले, और क्या यह स्पष्ट रूप से विफल रहता है जब साक्ष्य मौजूद नहीं है। इंजीनियरिंग एजेंटों के लिए, सत्यापित परिणाम सटीकता, साक्ष्य कवरेज, मूल कारण की पुष्टि करने में समय, सफल गिरावट दर और पोस्ट-एक्शन परिणाम उन मूल मेट्रिक्स पर होने चाहिए जिन पर हमें ध्यान केंद्रित करना चाहिए।

अगले कई वर्षों में, मुझे उम्मीद है कि एजेंट साक्ष्य संग्रह और पहले पास की जांच, साथ ही एजेंटिक कार्य प्रवाहों की देखरेख और अनुभव और प्रतिक्रिया से सीखना करेंगे, जबकि इंजीनियर नीति निर्धारित करेंगे, अस्पष्टता को हल करेंगे, उच्च-जोखिम वाली क्रियाओं को मंजूरी देंगे और स्व-सुधार एजेंटिक प्रणालियों को निर्देशित करेंगे। विश्वास कार्य प्रवाह दर कार्य प्रवाह बढ़ेगा। एजेंट जो अपने निष्कर्षों को लाइव साक्ष्य में वापस देख सकते हैं और जो उन्हें सत्यापित नहीं कर सकते हैं उसे स्पष्ट रूप से प्रकट करेंगे, वे अधिक स्वायत्तता अर्जित करेंगे। जो नहीं कर सकते हैं वे संकीर्ण, निम्न-हिस्सेदारी कार्यों तक सीमित रहेंगे, चाहे वे कितने भी धाराप्रवाह लगते हों।

महान साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें लाइटरन पर जाना चाहिए।