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

Ландшафт штучного інтелекту зазнав фундаментальної трансформації. Організації, які раніше мали труднощі з витягуванням максимальної вартості з штучного інтелекту, тепер стали більш активними у своєму підході та почали використовувати агентів. Раніше домінуючою моделлю взаємодії була в основному реактивна – орієнтована на хмарі та залежна від користувачів для запуску 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 тому, щоб доповнювати працівників, а не замінювати їх.

Агенти були розроблені для розуміння багатокрокових цілей; планування та послідовності дій; та взаємодії з多численними ресурсами для досягнення цілей автономно. 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 реалізується, оскільки ця еволюційна здатність змінює нашу думку про корпоративний та споживчий штучний інтелект.

Однак, для того щоб це було真正но практичним, безпечним та корисним, робочі процеси, що лежать в основі агентів, повинні бути інформовані реальною інтелектом. Такий тип розуміння вимагає підтримки гібридної архітектури штучного інтелекту – екосистеми, яка стратегічно розподіляє робочі навантаження серед пристрою, краю та хмари – все це керується командами працівників, які мають знання.

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 законні ризики конфіденційності. Однак гібридний штучний інтелект тримає обробку даних та прийняття рішень на місцевих довірених пристроях або в безпечних середовищах. Штучний інтелект працює там, де знаходяться дані, зменшуючи ризик та відповідність правилам суверенітету даних.

Іншим важливим вимогам є персоналізація, яка тісно пов’язана з проблемою конфіденційності даних. У попередньому прикладі агента, який здійснює покупку, вподобання та обмеження користувача мають критичне значення. Вони також часто включають особисту ідентифікаційну інформацію (PII), яку необхідно зберігати в конфіденційності, тому зберігання та використання цього контексту локально забезпечує конфіденційність користувача.

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

Гібридний штучний інтелект також усуває необхідність постійного оброблення в хмарі, яке є ресурсоємним та дорогим. 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 виконувати часткове виконання завдань, що дозволяє агентам залишатися функціональними навіть в автономному або низькозв’язному режимі до відновлення доступу до хмари. Комбінація локалізованого інтелекту та масштабної потужності хмари є тим, що робить можливим досвід агентного штучного інтелекту.

Вирішення проблем реалізації

Ще до появи агентного штучного інтелекту організації часто мали труднощі з отриманням чіткої віддачі від інвестицій у штучний інтелект. Хоча агенти не є негайним засобом вирішення проблем, вони пропонують привабливий шлях вперед, коли вони застосовуються до цілісних робочих процесів, а не фрагментованих завдань. Агенти, які керують кінцевими операціями, забезпечують значно більш видимі та впливаючі результати.

Однак, значна віддача є можливою лише у випадку, якщо кілька ключових бар’єрів прийняття будуть подолані:

• 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 допоможуть забезпечити відповідність людським цінностям та надають нагляд.
• Зменшення складності та підвищення надійності також є ключовими для успішної реалізації, оскільки керування багатокроковими завданнями з агентами є складним. Однак з появою досягнень та найкращих практик у сфері навчання моделей продуктивність стає більш стабільною. Ці типи розробчих фреймворків також дозволяють командам створювати передбачувані та надійні агентні системи, які легше розгортати.
• Безпечна інтеграція з інструментами та API є ще одним критичним фактором, 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 й надійними, оскільки агентний штучний інтелект залежить від взаємодії з зовнішнім програмним забезпеченням в реальному часі. Покращені можливості виклику функцій у фундаментальних моделях та фреймворках інтероперабельності спрощують цю інтеграцію. Наприклад, Протокол контексту моделі (MCP) підтримує безпечні та багатокрокові робочі процеси, роблячи агентів більш здатними та передбачуваними – і, відповідно, ефективними.

Зробивши це реальним

Агентний штучний інтелект сяє там, де цілі динамічні, розподілені та ресурсоємні – здатні масштабуватися за межі можливостей команд, але потребують їхньої інтелекту, щоб бути найбільш ефективними.

Автономні агенти можуть керувати ланцюгами поставок, допомагаючи уникнути логістичних порушень шляхом аналізу даних про запаси та відправлення в реальному часі. Вони можуть працювати на пристроях краю, координуючи з центральними системами планування в хмарі та оновлюючи стратегії маршрутизації для проактивного збереження даних та їхньої безпеки.

Агенти також можуть бути вбудовані в промислові робочі станції для моніторингу даних датчиків, запуску протоколів технічного обслуговування або координування замовлень запасних частин – все це покращує оперативну стійкість та зменшує дорогий простій.

Комп’ютери штучного інтелекту, оснащені агентами на пристрої, можуть керувати індивідуальними робочими процесами, підсумовувати зустрічі, створювати контент та взаємодіяти з корпоративними системами без компрометації особистої ідентичності або підтримки приватних даних у безпеці.

У кожному з цих випадків критичним є нагляд працівників, які мають знання, щоб забезпечити точність та чистоту даних, які подаються агенту.

Будуючи більш автономне майбутнє

Бізнеси, які реалізують агентів сьогодні та інвестують у розвиток своїх працівників для керування 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 наданні真正но автономних, корисних та безпечних систем штучного інтелекту, які можуть працювати в реальних умовах.