Агенты помогают оптимизировать рабочие процессы ИИ, но человеческий фактор остается критически важным для ROI

Ландшафт ИИ претерпел фундаментальные изменения. Организации, которые ранее испытывали трудности в извлечении максимальной ценности из ИИ, теперь более активно подходят к агентам. Ранее доминирующей моделью взаимодействия была в основном реактивная – ориентированная на облако и полагающаяся на пользователей для запуска моделей. Однако, поскольку машины становятся умнее, появились агентные модели, в которых для выполнения сложных задач интеллектуальными системами требуется меньше взаимодействия с человеком.

Однако, хотя агентный ИИ отличается от традиционных, узкоспециализированных систем ИИ, оптимизация возможностей заключается в дополнении работников, а не в их замене.

Агенты были разработаны для понимания многоступенчатых целей; планирования и последовательности действий; и взаимодействия с несколькими ресурсами для достижения целей автономно. Например, агент ИИ, который может изучить ваши предпочтения, финансовые ограничения и приоритеты, может использовать эту информацию для самостоятельного ведения переговоров о покупке. Этот сценарий сейчас разворачивается, и эта эволюционирующая возможность меняет наше представление об ИИ для предприятий и потребителей.

Однако, чтобы это было действительно практично, безопасно и полезно, рабочие процессы, лежащие в основе агентов, должны быть информированы реальной информацией. Этот тип информации требует основы гибридной архитектуры ИИ – экосистемы, которая стратегически распределяет рабочие нагрузки среди устройства, края и облака – все управляемые командами знаний работников.

Почему гибридный ИИ является обязательным

Агентный ИИ процветает в контексте, который часто включает чувствительную личную или организационную информацию, что означает, что облако представляет собой законные риски для конфиденциальности. Однако гибридный ИИ сохраняет обработку данных и принятие решений на местных доверенных устройствах или в безопасных средах. ИИ работает там, где находятся данные, снижая риск и соответствуя правилам суверенитета данных.

Другим важным требованием является персонализация, которая тесно связана с проблемой конфиденциальности данных. В предыдущем примере агента покупки предпочтения и ограничения пользователя также критически важны. Они часто включают личную идентифицирующую информацию (PII), которая должна быть сохранена в секрете, поэтому хранение и использование этого контекста на местном уровне гарантирует конфиденциальность пользователя.

Успех агентного ИИ также требует немедленного принятия решений, то есть нет времени для передачи данных через сети. Ведение переговоров, реагирование на данные реального времени и управление динамическими рабочими процессами все требуют оперативности. Задержка или, что хуже, сбои могут иметь серьезные последствия. Гибридный ИИ обеспечивает низкозадержную обработку на устройстве, сохраняя гладкость и оперативность.

Гибридный ИИ также исключает необходимость постоянной обработки в облаке, которая является ресурсоемкой и дорогой. Вместо этого он поддерживает оркестровку рабочих нагрузок, используя локальный вычислительный ресурс для обычных задач и сохраняя облако для более тяжелых запросов данных или вычислений.

Наконец, он позволяет выполнять частичную задачу, позволяя агентам оставаться функциональными даже в автономном или низкосвязном сценарии до тех пор, пока доступ к облаку не будет восстановлен. Комбинация локального интеллекта и масштабирующей мощности облака – это то, что делает возможным опыт агентного ИИ.

Решение проблем реализации

Даже до появления агентного ИИ организации часто испытывали трудности в получении четкой отдачи от инвестиций в ИИ. Хотя агенты не являются немедленным средством, они предлагают убедительный путь вперед, когда они применяются к целостным рабочим процессам, а не к фрагментированным задачам. Агенты, управляющие конечными рабочими процессами, обеспечивают гораздо более видимые и значимые результаты.

Однако, значимая отдача от инвестиций возможна только в том случае, если несколько ключевых барьеров на пути к принятию будут устранены:

• Предсказуемость и этика имеют первостепенное значение для агентов ИИ, что стимулирует значительный рост принятия платформ и методов управления, таких как Конституционный ИИ. Эти меры помогают обеспечить соответствие человеческим ценностям и предоставляют надзор.
• Снижение сложности и повышение надежности также являются ключом к успешной реализации, поскольку управление многоступенчатыми задачами с помощью агентов является сложным. Однако с появлением достижений и передового опыта в области обучения моделей производительность становится более последовательной. Эти типы фреймворков разработки также позволяют командам создавать предсказуемые и прочные агентные системы, которые проще развертывать.
• Безопасная интеграция с инструментами и API является еще одним важным фактором, поскольку агентам необходимо получить доступ к различным источникам данных и приложениям. Индустрия создает протоколы и стандарты для безопасного взаимодействия, а технологии конфиденциального вычисления еще больше защищают конфиденциальную информацию во время выполнения.

Не только инструменты должны быть безопасными, но и надежными, поскольку агентный ИИ зависит от реального взаимодействия с внешним программным обеспечением. Расширенные возможности вызова функций в базовых моделях и фреймворках взаимодействия упрощают эту интеграцию. Например, протокол контекста модели (MCP) поддерживает безопасные и многоступенчатые рабочие процессы, делая агентов более способными и предсказуемыми – и, следовательно, эффективными.

Сделать это реальным

Агентный ИИ сияет, когда цели динамичны, распределены и требуют ресурсов – способны масштабироваться за пределы возможностей команд, но нуждаются в их интеллекте, чтобы быть наиболее эффективными.

Автономные агенты могут управлять цепочками поставок, помогая избежать логистических сбоев путем анализа данных реального времени о запасах и отправках. Они могут работать на краевых устройствах, координируя с центральными планировочными системами в облаке и обновляя стратегии маршрутизации для оперативного поддержания данных в актуальном и безопасном состоянии.

Агенты также могут быть встроены в промышленные рабочие станции для мониторинга данных с датчиков, запуска протоколов технического обслуживания или координации заказа запасных частей – все это повышает оперативную устойчивость и снижает дорогостоящие простои.

Компьютеры ИИ, оснащенные агентами на устройстве, могут управлять индивидуальными рабочими процессами, суммировать встречи, создавать контент и взаимодействовать с корпоративными системами без компрометации личной идентичности или подвергания частной информации риску.

В каждом из этих случаев критически важной является надзор со стороны работника знаний, гарантирующий, что данные, поступающие в агент, точны и чисты.

Строительство более автономного будущего

Бизнесы, которые реализуют агентов сегодня и инвестируют в обучение своей рабочей силы управлению ими, готовят себя к тому, чтобы опережать своих конкурентов. Агентный ИИ является основой будущего с достижениями, такими как двойники ИИ, но его собственная основа требует гибридного ИИ. Это важный шаг вперед в создании действительно автономных, полезных и безопасных систем ИИ, которые могут работать в реальных условиях. Они, готовящиеся к этому, готовят себя к тому, чтобы опережать своих конкурентов. Агентный ИИ является основой будущего с достижениями, такими как двойники ИИ, но его собственная основа требует гибридного ИИ. Это важный шаг вперед в создании действительно автономных, полезных и безопасных систем ИИ, которые могут работать в реальных условиях.