วิธีการที่เอเจนต์ AI กำลังเปลี่ยนแปลงระบบแนะนำขนาดใหญ่และ AI

ระบบแนะนำขนาดใหญ่กำลังยากต่อการปรับปรุงเพราะพวกมันไม่ได้ทำงานเป็นแบบจำลองที่แยกออกจากกันอีกต่อไป Recommender ระบบสมัยใหม่มักจะมีหลายร้อยแบบจำลองที่เชื่อมต่อกัน, ระบบขนส่งข้อมูล, ชั้นการเรียงลำดับ, ระบบตรวจสอบ, และกฎธุรกิจ แต่ละส่วนประกอบอาจเพิ่มประสิทธิภาพสัญญาณที่แตกต่างกัน แต่ทั้งระบบคาดว่าจะปรับปรุงผลลัพธ์ทางธุรกิจที่กว้างขึ้น เช่น รายได้, การซื้อ, การมีส่วนร่วม, หรือความพึงพอใจของผู้ใช้ปลายทาง

ขั้นตอนต่อไปของความก้าวหน้าจะอยู่ที่ตัวแทน AI ที่สามารถดูดซับบริบทของระบบได้มากขึ้น, ลดการเสียดสีในการพัฒนา, และรับหน้าที่ที่กว้างขึ้นอย่างค่อยเป็นค่อยไป การเปลี่ยนแปลงนี้ไม่เกี่ยวกับการอัตโนมัติเพียงอย่างเดียว แต่เป็นเกี่ยวกับระบบแนะนำที่สามารถตรวจสอบ, วินิจฉัย, ซ่อมแซม, และปรับปรุงตัวเองได้ด้วยการแทรกแซงจากมนุษย์ที่น้อยลง

ระบบแนะนำขนาดใหญ่เปลี่ยนแปลงช้า

วงจรการพัฒนาคืออุปสรรคหลักในระบบแนะนำขนาดใหญ่ การเปลี่ยนแปลงเพียงเล็กน้อยอาจผ่านหลายชั้นก่อนที่จะสร้างผลลัพธ์ที่วัดได้ แบบจำลองหนึ่งอาจส่งผลต่อการสร้างผู้สมัคร, อีกแบบจำลองหนึ่งอาจส่งผลต่อการเรียงลำดับ, และอีกแบบจำลองหนึ่งอาจเพิ่มประสิทธิภาพการมีส่วนร่วม, การแปลง, หรือการสร้างรายได้ แบบจำลองเหล่านี้มักอยู่ในทีมที่แตกต่างกันและมีวงจรการปล่อยที่เป็นอิสระ ซึ่งสร้างความสัมพันธ์ที่ซ่อนอยู่ที่ทำให้การประสานงานยากขึ้น

ความซับซ้อนนี้ยังทำให้การแก้ปัญหาง่ายขึ้น เมื่อประสิทธิภาพลดลง, สาเหตุของปัญหาอาจไม่อยู่ภายในแบบจำลองที่แสดงถึงการถดถอย การเปลี่ยนแปลงที่อยู่ด้านบนอาจส่งผลต่อการเรียงลำดับด้านล่าง, หรือการเปลี่ยนแปลงในพฤติกรรมของผู้ใช้อาจเปลี่ยนแปลงการกระจายตัวของข้อมูลที่เข้าไปในหลายแบบจำลองพร้อมกัน งานทางเทคนิคที่เพิ่งเผยแพร่ งานทางเทคนิค สะท้อนถึงความสนใจที่เพิ่มขึ้นในระบบที่สามารถให้เหตุผลในบริบททางเทคนิคที่กว้างขึ้นและสนับสนุนการปรับปรุงตัวเองที่มีอิสระมากขึ้น ซึ่งเสริมสร้างกรณีสำหรับตัวแทน AI ในพื้นที่นี้

ตัวแทน AI เป็นทางเลือกสำหรับการวนซ้ำที่เร็วขึ้น

ตัวแทน AI สามารถลดภาระในการเข้าใจระบบที่เชื่อมต่อกันขนาดใหญ่ที่ชะลอความเร็วของทีมวิศวกร วิศวกรใหม่อาจใช้เวลาหลายเดือนในการเข้าใจระบบแนะนำขนาดใหญ่ ด้วยเอกสาร, การวัด, การทดลอง, รหัส, และบันทึกที่เหมาะสม, ระบบ AI สามารถประมวลผลบริบทของระบบได้เร็วขึ้น

สิ่งนี้ไม่ได้หมายความว่าตัวแทนพร้อมที่จะครอบคลุมระบบแนะนำขนาดใหญ่ทั้งหมดในตอนนี้ แบบจำลองในปัจจุบันยังคงเผชิญกับขีดจำกัดของความเชื่อมั่น พวกเขาสามารถสร้างภาพหลอน, พลาดความสัมพันธ์, หรือตั้งสมมติฐานที่ไม่ถูกต้องเมื่อบริบทไม่สมบูรณ์ กรณีการใช้งานที่แข็งแกร่งที่สุดในตอนนี้คือการตรวจจับการถดถอย, การสรุปผลการทดลอง, การเปรียบเทียบพฤติกรรมของแบบจำลอง, การเสนอการแก้ไขที่จำกัด, หรือการตรวจสอบการเปลี่ยนแปลงเทียบกับเป้าหมายที่ทราบ

วิสัยทัศน์ในระยะยาวมีความทะเยอทะยานมากขึ้น ตัวแทนหลายตัวสามารถทำงานในเซ็กเมนต์แนวตั้งเฉพาะ: คุณภาพข้อมูล, การตรวจสอบคุณลักษณะ, ประสิทธิภาพการเรียงลำดับ, การวิเคราะห์การทดลอง, การตรวจจับการถดถอย, หรือต้นทุนโครงสร้างพื้นฐาน ตัวแทนระดับสูงสามารถประสานสัญญาณเหล่านี้และระบุว่าการล้มเหลวหรือการปรับปรุงของแบบจำลองส่งผลต่อระบบแนะนำที่กว้างขึ้นอย่างไร การวิจัย การวิจัย ของ agentic แสดงให้เห็นว่าระบบ AI กำลังเริ่มสำรวจการวิจัยและปรับปรุงการทำงานอย่างต่อเนื่อง

การนำไปใช้อย่างปลอดภัยขึ้นอยู่กับการดำเนินการที่มีขอบเขต, การตรวจสอบ, และการให้ความเป็นอิสระที่ค่อยเป็นค่อยไป

การทำงานของระบบแนะนำที่มีอิสระมีความน่าเชื่อถือมากขึ้นเมื่อ ตัวแทนดำเนินการภายในขอบเขตที่ชัดเจน แทนที่จะให้ตัวแทนเข้าถึงระบบการผลิตโดยไม่มีข้อจำกัด, ทีมสามารถจำกัดให้ใช้เครื่องมือ, การทำงาน, สภาพแวดล้อมทดสอบ, แดชบอร์ด, เทมเพลตการทดลอง, และขั้นตอนการกลับไปยังสถานะก่อนหน้าได้ สิ่งนี้จะลดความเสี่ยงของการเปลี่ยนแปลงที่ไม่มั่นคง, การเพิ่มขึ้นของต้นทุน, หรือการให้เหตุผลแบบวงกลม

แบบจำลองความเป็นอิสระที่ใช้ได้จริงสามารถรวม:

• การดำเนินการที่มีขอบเขต. ตัวแทนดำเนินการผ่านเครื่องมือ, อนุญาต, และการทำงานที่ได้รับการอนุมัติแทนการเข้าถึงการผลิตแบบเปิด
• การตรวจสอบก่อนการพัฒนา. แต่ละงานมีจุดเริ่มต้น, ผลลัพธ์ที่วัดได้, และการทดสอบอัตโนมัติเพื่อยืนยันความก้าวหน้า
• การถ่ายโอนตามความสำคัญ. ระบบที่มีความเสี่ยงต่ำกลายเป็นผู้สมัครแรกสำหรับการดำเนินการของตัวแทนในขณะที่พื้นที่ที่มีผลกระทบสูงยังคงมีการตรวจสอบของมนุษย์ที่ใกล้ชิด
• การประสานงานที่เพิ่มขึ้น. ตัวแทนย่อยที่เชื่อถือได้สามารถเชื่อมต่อกับกระบวนการทำงานที่กว้างขึ้นได้เมื่อแต่ละส่วนประกอบทำงานได้อย่างต่อเนื่อง

แนวทางนี้ชื่นชอบชัยชนะที่วัดได้และเล็กๆ ก่อนที่จะมีการเป็นเจ้าของระบบที่กว้างขึ้น การวิจัยทางเทคนิคเกี่ยวกับตัวแทนอัตโนมัติ บ่งชี้ถึงความสำคัญของสภาพแวดล้อมที่มีโครงสร้าง, การแบ่งงาน, และการตรวจสอบเมื่อตัวแทนทำงานทางเทคนิคที่ซับซ้อน ในระบบแนะนำ, หลักการเหล่านั้นแปลเป็นการทดลองแบบควบคุมก่อนที่จะมีการประสานงานของตัวแทนในวงกว้าง

องค์กรต้องการผสมผสานทักษะ, โมเดลการดำเนินงาน, และมาตรการผลงานที่เหมาะสม

ตัวแทน AI ไม่ลบมูลค่าของวิศวกรที่มีประสบการณ์ พวกเขาทำให้วิศวกรที่สามารถใช้ AI ได้อย่างมีประสิทธิภาพมีคุณค่ามากขึ้น รูปแบบที่แข็งแกร่งที่สุดรวมถึงความรู้ด้านเนื้อหาที่ลึกซึ้งด้วยความสามารถในการใช้ AI สำหรับการวิเคราะห์, การทดลอง, และการนำไปใช้อย่างรวดเร็ว

สองกลุ่มทักษะกลายเป็นสำคัญอย่างยิ่ง ผู้เชี่ยวชาญด้านโครงสร้างพื้นฐานสร้างโครงสร้างสำหรับตัวแทน: เครื่องมือ, ราวกั้น, การทำงาน, อนุญาต, การสังเกต, และสภาพแวดล้อมการดำเนินการ นักวิจัยด้านการเรียนรู้ของเครื่องชี้แนะตรรกะการเพิ่มประสิทธิภาพ, ยุทธวิธีแบบจำลอง, และทิศทางอัลกอริทึม ร่วมกัน, กลุ่มเหล่านี้สร้างเงื่อนไขให้ตัวแทนสามารถทำงานได้อย่างมีประสิทธิภาพโดยไม่ต้องกลายเป็นระบบที่อ่อนแอซึ่งมนุษย์ให้การบำรุงรักษาอย่างต่อเนื่อง

การวัดผลการทำงาน cũngเปลี่ยนแปลง มาตรการสามารถจัดเรียงเป็นลำดับชั้นได้ ที่ด้านบนคือผลลัพธ์ทางธุรกิจที่ตามมา, เช่น รายได้, การซื้อ, การแปลง, หรือปริมาณธุรกรรม ด้านล่างคือตัวบ่งชี้ที่ตามมา, เช่น คลิก, มุมมอง, การเลื่อนผ่าน, เวลาที่ดู, หรือความลึกของเซสชัน ที่ระดับตัวแทน, ทีมสามารถติดตามความแม่นยำของงาน, อัตราความสำเร็จ, อัตราการล้มเหลว, เวลาที่ใช้ในการทำงาน, และจำนวนการโต้ตอบ มาตรการระดับตัวแทนเหล่านี้มีความหมายเมื่อเชื่อมโยงกับผลกระทบทางธุรกิจ

การเอาชนะข้อจำกัดของแบบจำลอง

อนาคตของระบบแนะนำที่ปรับปรุงตัวเองขึ้นอยู่กับการพัฒนาที่ระดับแบบจำลองสามประการ: อัตราการหลอนต่ำ, วINDOW ที่ใช้ได้ขนาดใหญ่ขึ้น, และการให้เหตุผลที่แข็งแกร่งมากขึ้น การหลอนทำให้ความเชื่อมั่นในการตัดสินใจอัตโนมัติลดลง ขอบเขตของบริบทจำกัดความสามารถของตัวแทนในการเข้าใจพฤติกรรมของระบบทั้งหมด ช่องว่างในการให้เหตุผลทำให้ยากต่อการเชื่อมโยงการเปลี่ยนแปลงในแบบจำลองหนึ่งไปยังผลลัพธ์ในอีกแบบจำลองหนึ่ง ซึ่งลดความก้าวหน้าของระบบที่กว้างขึ้น

หากข้อจำกัดเหล่านี้ดีขึ้น, ตัวแทนสามารถเปลี่ยนจากการเพิ่มประสิทธิภาพงานแคบๆ ไปสู่การทำความเข้าใจพฤติกรรมของระบบทั้งหมด ซึ่งรวมถึงการตรวจจับการถดถอย, ระบุสาเหตุที่อาจเกิดขึ้น, ทดสอบการแก้ไข, ตรวจสอบผลลัพธ์, และแนะนำเส้นทางการปรับปรุงต่อไป การวิจัยเกี่ยวกับระบบที่ปรับปรุงตัวเองและระบบอัตโนมัติ反映 การเคลื่อนไหวทางเทคนิคที่กว้างขึ้น ของระบบ AI ที่สามารถเข้าร่วมในวงจรการปรับปรุงที่ซ้ำกัน

เส้นทางสู่ปัญญาแบบปิด

ระบบแนะนำที่ปรับปรุงตัวเองเป็นตัวแทนถึงขั้นตอนต่อไปนอกเหนือจากการอัตโนมัติแบบพื้นฐาน แผนที่ทางเริ่มต้นด้วยงานตัวแทนแบบมีขอบเขต, ราวกั้นที่แข็งแกร่ง, การตรวจสอบแบบขับเคลื่อนด้วยการทดสอบ, และการวินิจฉัยของมนุษย์ที่จุดควบคุมที่ถูกต้อง เมื่อเวลาผ่านไป, ชัยชนะอัตโนมัติที่เล็กๆ สามารถสะสมเป็นความเป็นเจ้าของระบบที่กว้างขึ้น โดยเชื่อมต่อการดำเนินการเริ่มต้นกับการเป็นอิสระในระยะหลัง

เมื่อความสามารถของแบบจำลองดีขึ้น, องค์กรสามารถ ย้ายเข้าใกล้ระบบแนะนำ ที่สามารถตรวจสอบ, ซ่อมแซม, และปรับปรุงตัวเองได้ในขณะที่ยังคงจัดตำแหน่งกับเมตริกทางธุรกิจที่มีความหมาย ระบบแนะนำที่ปรับปรุงตัวเองเป็นตัวแทนถึงขั้นตอนต่อไปนอกเหนือจากการอัตโนมัติแบบพื้นฐาน แผนที่ทางเริ่มต้นด้วยงานตัวแทนแบบมีขอบเขต, ราวกั้นที่แข็งแกร่ง, การตรวจสอบแบบขับเคลื่อนด้วยการทดสอบ, และการวินิจฉัยของมนุษย์ที่จุดควบคุมที่ถูกต้อง เมื่อเวลาผ่านไป, ชัยชนะอัตโนมัติที่เล็กๆ สามารถสะสมเป็นความเป็นเจ้าของระบบที่กว้างขึ้น โดยเชื่อมต่อการดำเนินการเริ่มต้นกับการเป็นอิสระในระยะหลัง