Путь от RPA к автономным агентам

Финансовый следователь, который когда-то получал大量 подозрительных уведомлений о деятельности, требующих тщательного расследования, теперь получает приоритизированные уведомления с автоматическим исследованием и предложенным содержанием, которое может сгенерировать отчеты о подозрительной деятельности за несколько минут.

Планировщик розничных категорий, который ранее проводил часы анализа отчетов предыдущих недель, чтобы попытаться обнаружить идеи о том, какие продукты не выполняют ожидания, и почему, теперь использует ИИ, чтобы предоставить глубокие идеи, которые выявляют проблемные области и предлагают корректирующие меры, отсортированные по максимальному бизнес-воздействию. Инженер по техническому обслуживанию промышленного оборудования использует копилот, который проводит 24/7 мониторинг состояния активов и прогнозирует проблемы и генерирует предупреждения на ранних стадиях механических или производственных проблем, сокращая неплановые простои.

Эти трансформации происходят в компаниях сегодня, сигнализируя о фундаментальном сдвиге: вертикальные приложения, сочетающие прогностические, генеративные и возникающие агентные ИИ, дополняют и трансформируют автоматизацию рабочих процессов, предоставляя целевые, сложные возможности, которые решают гораздо более сложные и контекстно-зависимые проблемы, чем ранее.

Гартеровский 2024 Хайп-цикл для новых технологий выделил автономный ИИ как одну из четырех основных тенденций новых технологий года — и не без причины. С агентами, не являющимися ИИ, пользователям приходилось определять, что они должны автоматизировать и как это сделать в деталях. Но приложения, сочетающие прогностические, генеративные и агентные ИИ с особыми вертикальными источниками знаний и рабочими процессами, могут извлекать информацию из различных источников по всей компании, ускорять и автоматизировать повторяющиеся задачи и предлагать рекомендации для высокоэффективных действий. Компании, использующие эти приложения, осознают более быструю и точную принятие решений, быструю идентификацию и решение проблем, а также превентивные меры для предотвращения проблем.

Агенты ИИ представляют собой следующую волну в корпоративном ИИ. Они строятся на основе прогностического и генеративного ИИ, но делают значительный шаг вперед в плане автономности и адаптивности. Агенты ИИ не являются просто инструментами для анализа или генерации контента — они являются интеллектуальными системами, способными к независимому принятию решений, решению проблем и непрерывному обучению. Этот прогресс знаменует собой сдвиг от ИИ как инструмента поддержки к ИИ как активному участнику бизнес-процессов, способному инициировать действия и адаптировать стратегии в реальном времени.

Эволюция от RPA к автономным агентам

Традиционно RPA использовался для повторяющихся, основанных на эвристиках процессов и задач с низкой сложностью с структурированными входными данными. RPA использует структурированные входные данные и определённую логику для автоматизации высоко повторяющихся процессов, таких как ввод данных, передача файлов и заполнение форм. Широкая доступность доступного, высокоэффективного прогностического и генеративного ИИ решает следующий уровень более сложных бизнес-проблем, требующих специализированной предметной экспертизы, корпоративной безопасности и способности интегрировать различные источники данных.

На следующем уровне агенты ИИ выходят за пределы прогностических алгоритмов ИИ и программного обеспечения благодаря своей способности работать автономно, адаптироваться к меняющимся условиям и принимать решения на основе как предустановленных правил, так и выученных поведений. Хотя традиционные инструменты ИИ могут отлично справляться с конкретными задачами или анализом данных, агенты ИИ могут интегрировать несколько возможностей для навигации в сложных, динамических средах и решения многоаспектных проблем. Агенты ИИ могут помочь организациям стать более эффективными, продуктивными и улучшить опыт клиентов и сотрудников, одновременно снижая затраты.

Когда они создаются с правильными моделями ИИ в качестве инструментов и с вертикальными источниками данных и машинным обучением для поддержки специализированной контекстной деятельности, агенты ИИ становятся высокопроизводительными рабочими лошадьми в плане расшифровки проблемы, принятия правильных шагов, восстановления после ошибок и улучшения с течением времени на заданных задачах.

Навигация по реализации: ключевые аспекты для компаний

Внедрение прогностического, генеративного и в конечном итоге агентного ИИ в корпоративной среде может быть очень полезным, но принятие правильных шагов до развертывания для обеспечения успеха является критическим. Вот некоторые из основных соображений для компаний при рассмотрении и начале внедрения агентов ИИ.

• Соответствие бизнес-целям: Для успешного внедрения ИИ в компании оно должно решать конкретные случаи использования в конкретных отраслях и обеспечивать повышение производительности и точности. Регулярно вовлекайте бизнес-стейкхолдеров в процесс оценки/выбора ИИ, чтобы обеспечить соответствие и предоставить четкий ROI. Продукты должны быть адаптированы к процессам и рабочим процессам, которые измеримо улучшают результаты для определенных случаев использования и вертикальных доменов.
• Качество, количество и интеграция данных: Поскольку модели ИИ требуют больших объемов высококачественных данных для эффективной работы, компании должны реализовать надежные процессы сбора и обработки данных, чтобы обеспечить получение ИИ актуальных, точных и релевантных данных. Контроль источников данных значительно снижает риск галлюцинаций и позволяет ИИ сделать оптимальный анализ, рекомендации и решения.
• Безопасность и конфиденциальность: Работа с конфиденциальными данными в моделях ИИ создает риски конфиденциальности и потенциальные уязвимости безопасности. Тщательное рассмотрение того, какие данные необходимы для работы ИИ, и не предоставление данных, которые не будут直接 актуальны, может помочь минимизировать воздействие. Приложения также должны обеспечивать роль- и пользователь-ориентированный контроль доступа с аутентификационными защитами, встроенными на уровне данных и API, и подтверждать, что данные не доходят до SLM или LLM без проверки и защиты.
• Инфраструктура и масштабируемость: Запуск крупных моделей ИИ требует значительных вычислительных ресурсов, и масштабируемость также может быть проблемой. Хорошая конструкция предотвратит чрезмерное потребление ресурсов — например, специализированный SLM может быть так же эффективен, как более общий LLM, и значительно снизить вычислительные требования и задержки.
• Интерпретация и объяснимость моделей: Многие модели ИИ, особенно глубокие модели обучения, часто рассматриваются как «черные ящики». Хорошие корпоративные продукты ИИ обеспечивают полную прозрачность, включая источники, к которым обращались модели, и когда, и почему каждая рекомендация была сделана. Имея этот контекст, критически важно создать доверие пользователей и стимулировать внедрение.

Потенциальные недостатки агентов ИИ

Как и любая новая технология, агенты ИИ имеют несколько потенциальных недостатков. Лучшие приложения агентов ИИ полагаются на процессы с человеком в цикле — включая все агентные приложения и возможности SymphonyAI. Этот подход позволяет обеспечить человеческий надзор, вмешательство и сотрудничество, гарантируя, что действия агента соответствуют бизнес-целям и этическим соображениям. Системы с человеком в цикле могут предоставлять обратную связь в реальном времени, одобрять критические решения или вмешиваться, когда ИИ сталкивается с незнакомыми ситуациями, создавая мощное сотрудничество между искусственным и человеческим интеллектом.

Ответственный ИИ также обеспечивает сильный пользовательский интерфейс, прослеживаемость и возможность аудита шагов, по которым агент выбрал путь выполнения. Мы придерживаемся принципов ответственного ИИ: подотчетности, прозрачности, безопасности, надежности/безопасности и конфиденциальности.

Путь к полностью автономным агентам

Трудно предсказать, насколько реалистичен сценарий полностью автономных агентов, поскольку мы не установили отраслевой стандарт для уровня автономности. Например, область автономного вождения была установлена в отношении уровней 1-5 возможности самохода, с нулевым уровнем как отсутствием автоматизации, где водитель выполняет все задачи вождения, до пятого уровня как полной автоматизации, где транспортное средство выполняет все задачи вождения.

Мы хорошо продвинулись в том, что я вижу как третий этап пути к корпоративной ценности с ИИ — где объединенные генеративные и прогностические приложения ИИ обеспечивают сложные рекомендации и поддерживают жидкий анализ «что, если». В SymphonyAI мы видим следующий этап, эволюционирующий в сторону автономных агентов ИИ, работающих с прогностическим и генеративным ИИ, чтобы ускорить финансовые расследования мошенничества, ускорить розничное управление категориями и прогнозирование спроса, и позволить производителям предсказать и предотвратить поломки машин.\

Мы в настоящее время усиливаем сложность и автономность агентов ИИ в наших приложениях, и обратная связь от клиентов очень положительная. Прогностический и генеративный ИИ достигли уровня, на котором они могут автоматизировать рабочие процессы, которые ранее считались слишком сложными для традиционного программного обеспечения. Автономный, или агентный, ИИ превосходит в решении этих задач без надзора, что приводит к трансформационным производственным выгодам и позволяет человеческим ресурсам сосредоточиться на более стратегических действиях.

Например, многонациональный европейский банк, использующий SymphonyAI Sensa Investigation Hub с агентами ИИ и копилотом, помог финансовым следователям сэкономить время на расследованиях, одновременно улучшая качество расследований. В течение нескольких недель банк увидел среднюю экономию усилий в размере примерно 20% в расследованиях уровня 1 и 2. Банк также прогнозирует экономию затрат с SymphonyAI на Microsoft Azure в размере 3,5 миллиона евро в год, включая снижение расходов на 80% с ведущим технологическим поставщиком с 1,5 миллиона евро в год до 300 000 евро в год.

С тщательным, корпоративным дизайном, используя принципы ответственного ИИ, агенты ИИ обеспечивают трансформационную производительность, точность и совершенство для растущего числа проверенных случаев использования. В SymphonyAI наша миссия — предоставить компаниям агенты ИИ, которые обеспечивают операционное совершенство. Объединяя быструю реакцию с долгосрочным стратегическим мышлением, агентный ИИ готов революционизировать критические процессы в нескольких отраслях.