Агенти допомагають оптимізувати робочі процеси штучного інтелекту, але людський фактор залишається критично важливим для ROI

Ландшафт штучного інтелекту зазнав фундаментальної трансформації. Організації, які раніше боролися за отримання максимальної вигоди від штучного інтелекту, тепер стають більш активними у своїй підході та починають використовувати агентів. Раніше домінуючою моделлю взаємодії була в основному реактивна – орієнтована на хмару та залежна від користувачів для активації моделей. Однак, оскільки машини стають розумнішими, з’явилися агентні моделі, в яких менше людського втручання потрібно для того, щоб інтелектуальні системи могли активно виконувати складні завдання.

Однак, хоча агентний штучний інтелект є відходом від традиційних, вузьких систем штучного інтелекту, оптимізація можливостей полягає в доповненні працівників, а не у їх заміні.

Агентів розроблено для розуміння багаторівневих цілей; планування та послідовності дій; та взаємодії з多численними ресурсами для автономного досягнення цілей. Наприклад, агент штучного інтелекту, який може вивчити ваші вподобання, фінансові обмеження та пріоритети, може використовувати цю інформацію для незалежного проведення переговорів про покупку. Цей сценарій зараз розігрується, оскільки ця еволюційна здатність змінює наше розуміння підприємства та споживчого штучного інтелекту.

Однак, щоб він був真正но практичним, безпечним та корисним, робочі процеси, що лежать в основі агентів, повинні бути інформовані реальною інтелектом. Цей тип розуміння вимагає підтримки гібридної архітектури штучного інтелекту – екосистеми, яка стратегічно розподіляє робочі навантаження серед пристроїв, країв та хмари – усієї керованої командами працівників знань.

Чому гібридний штучний інтелект є обов’язковим

Агентний штучний інтелект процвітає на контексті, який часто включає чутливу особисту або організаційну інформацію, що означає, що хмара вводить легітимні ризики конфіденційності. Однак гібридний штучний інтелект тримає обробку даних та прийняття рішень на місцевих надійних пристроях або у безпечних середовищах. Штучний інтелект працює там, де перебувають дані, знижуючи ризик та відповідність правилам суверенітету даних.

Інша важлива вимога – персоналізація, яка тісно пов’язана з проблемою конфіденційності даних. У попередньому прикладі агента покупки вподобання та обмеження користувача також часто включають особисту ідентифікаційну інформацію (PII), яку необхідно зберігати в конфіденційності, тому зберігання та використання цього контексту локально захищає конфіденційність користувача.

Успіх агентного штучного інтелекту також вимагає негайного прийняття рішень, що означає, що немає часу для передачі даних через мережі. Переговори про угоди, реагування на дані реального часу з датчиків та управління динамічними робочими процесами всі вимагають негайності. Затримка або, що гірше, порушення можуть мати значні наслідки. Гібридний штучний інтелект дозволяє виконувати обчислення з низькою затримкою на пристрої, зберігаючи досвід гладким та реальним.

Гібридний штучний інтелект також усуває необхідність постійної обробки у хмарі, яка є ресурсоємною та дорогою. Натомість, він підтримує оркестрацію робочих навантажень, використовуючи локальне обчислення для звичайних завдань та резервуючи хмару для більш важких операцій з даними або обчислень.

Нарешті, він дозволяє часткове виконання завдань, дозволяючи агентам залишатися функціональними навіть у випадках автономної роботи або низької підключеності до моменту відновлення доступу до хмари. Комбінація локалізованої інтелектуальності та масштабної потужності хмари є тим, що робить досвід агентного штучного інтелекту можливим.

Вирішення проблем реалізації

Дажи до появи агентного штучного інтелекту організації часто боролися з отриманням чіткого ROI від своїх інвестицій у штучний інтелект. Хоча агенти не є негайним засобом, вони пропонують привабливий шлях вперед, коли вони застосовуються до цілісних робочих процесів, а не фрагментованих завдань. Агенти, які керують кінцевими операціями, доставляють набагато більш видимі та суттєві повернення.

Однак, суттєвий ROI можливий лише у тому випадку, якщо кілька ключових бар’єрів прийняття будуть вирішені:

• Прогнозованість та етика мають першорядне значення для агентів штучного інтелекту, що сприяє значному зростанню прийняття платформ та технік управління, таких як Конституційний штучний інтелект. Ці заходи допомагають забезпечити відповідність людським цінностям та надають нагляд.
• Зниження складності та підвищення надійності також є ключем до успішної реалізації, оскільки керування багаторівневими завданнями з агентами є складним. Однак з появою досягнень та найкращих практик у навчанні моделей продуктивність стає більш стабільною. Ці типи розробчих рамок також дозволяють командам будувати передбачувані та надійні агентні системи, які легше розгортати.
• Безпечна інтеграція з інструментами та API є ще однією критичною проблемою, оскільки агентам потрібно доступ до різних джерел даних та застосунків. Промисловість будує протоколи та стандарти для безпечних взаємодій, а технології конфіденційного обчислення додатково захищають чутливу інформацію під час виконання.

Не тільки інструменти повинні бути безпечними, але вони також повинні бути надійними, оскільки агентний штучний інтелект залежить від реального часу взаємодії з зовнішнім програмним забезпеченням. Покращені можливості виклику функцій у базових моделях та рамки взаємодії спрощують цю інтеграцію. Наприклад, Протокол контексту моделі (MCP) підтримує безпечні та багаторівневі робочі процеси, роблячи агентів більш здатними та передбачуваними – і, відповідно, ефективними.

Зробити це реальним

Агентний штучний інтелект сяє там, де цілі є динамічними, розподіленими та ресурсоємними – здатними масштабуватися за межі можливостей команд, але потребують їхньої інтелектуальності для найбільшої ефективності.

Автономні агенти можуть керувати ланцюгами постачання, допомагаючи уникнути логістичних порушень шляхом аналізу даних про запаси та відправлення в реальному часі. Вони можуть працювати на пристроях країв, координуючи з центральними системами планування у хмарі та оновлюючи стратегії маршрутизації для активного підтримання даних актуальними та безпечними.

Агенти також можуть бути вбудовані в промислові робочі станції для моніторингу даних з датчиків, активації протоколів технічного обслуговування або координації замовлень запасних частин – все це підвищує оперативну стійкість та знижує вартість простою.

Комп’ютери, оснащені агентами на пристрої, можуть керувати індивідуальними робочими процесами, підсумовувати зустрічі, складати контент та взаємодіяти з підприємствськими системами без порушення особистої ідентичності або підтримання приватних даних під загрозою.

У кожному з цих випадків критичною ниткою є нагляд працівників знань, який забезпечує точність та чистоту даних, що подаються до агента.

Будівництво більш автономного майбутнього

Бізнеси, які реалізують агентів сьогодні та інвестують у розвиток своїх працівників для управління ними, готують себе до того, щоб бути попереду своїх конкурентів. Агентний штучний інтелект є фундаментальним для майбутнього з такими досягненнями, як штучні двійники, але його власний фундамент вимагає гібридного штучного інтелекту. Це є великим кроком вперед у доставці真正но автономних, корисних та безпечних систем штучного інтелекту, які можуть працювати в реальних умовах.