Рішення проблеми виконання в автоматизації штучного інтелекту

Перспективи LLM як повного рішення для автоматизації підприємств застопорились. Ми вирішили проблему масштабування розуміння, але перетворення цього розуміння в реальні результати – це зовсім інша історія. Ми всі бачили цілі: 95% пілотних проектів з генерації штучного інтелекту ніколи не переходять у виробництво, і 80% традиційних проектів штучного інтелекту не можуть бути запущені.

Проблема не полягає в відсутності розуміння. LLM добре справляються з розбором заплутаних, суб’єктивних запитів, але розуміння – це тільки половина битви. Більшість проектів терплять невдачу, оскільки системи, необхідні для дії на основі цього розуміння, ніколи не були підключені або автоматизовані. Штучний інтелект може визначити точно, що потрібно зробити, але він безкорисний, якщо не може отримати доступ до інструментів або виконати транзакції, необхідні для виконання роботи.

Три стадії автоматизації процесів

Робота в реальному світі відбувається у трьох стадіях, але сучасні системи захоплюють тільки частину з них. Автоматизація терпить невдачу, оскільки вона зосереджується майже виключно на першому етапі, ігноруючи механіку наступних двох.

1. Розпізнавання намірів (Тріаж)

Перший етап – визначення того, чого хоче користувач. Це етап розуміння, де штучний інтелект зробив найбільший прогрес. Наприклад, експерт-асистент читає тікет, класифікує намір і визначає шлях вперед на основі політики компанії. Сьогодні LLM легко справляються з цією триажею. Хоча це вражаюче, це адресує тільки когнітивний фронт-end завдання.

2. Мапування процесу (Логіка)

Другий етап – мапування шляху виконання, або логіки заплутаного середнього. Це вимагає навігації за пропрієтарними бізнес-правилами та винятками, які не є публічними знаннями. Для простого повернення коштів член команди повинен знати, яка система містить транзакцію, як обробляється податок, і чи потрібне затвердження менеджера.

Це місце, де живе конкурентна перевага організації, але це також місце, де автоматизація розбивається. Навіть якщо існують API, вони часто недостатні або ізольовані. Без центрального мапування для навігації 5-7 різних систем, необхідних для завершення одного робочого процесу, штучний інтелект не має інструкцій, необхідних для перекладу рішення в серію технічних дій.

3. Системне виконання (Виконання)

Останній етап – системне виконання: подання даних в ERP, оновлення CRM або активація платіжної брами.

У ручних процесах асистент виконує це виконання, діючи як людина, яка інтегрує ці системи. У автоматизованому світі штучний інтелект не може просто визначити, чи потрібна зміна; йому потрібно платформа, здатна обробити транзакцію з тим же рівнем безпеки та відповідності, що і людина-оператор. Без цієї інфраструктури виконання проекти штучного інтелекту залишаються вічними прототипами, які терплять невдачу, коли вони зустрічають реальні випадки.

Перехід від демонстрації до системи виробництва – це величезний крок, оскільки це вимагає вирішення останньої милі системного виконання. Якщо ця прогалина не буде закрита, автоматизація залишається крихкою і в кінцевому підсумку буде проігнорована операційними командами.

Проблема інтеграції: Спостерігач проти оператора

Ця технічна тертя – це причина, чому компанії все ще покладаються на ручні процеси для базових завдань. У більшості компаній асистент проводить свій день, ручно переміщаючи дані між інструментами, наприклад, копіюючи інформацію з бази даних рахунків у CRM або оновлюючи логістичну платформу. Вони є фактично клеєм, який тримає системи разом.

Для автоматизації компанія традиційно мала б будувати і підтримувати спеціальні з’єднання для кожного інструменту у робочому процесі. Вартість будівництва цієї інфраструктури часто перевищує вартість самої автоматизації. Без цих з’єднань агент штучного інтелекту може зрозуміти клієнта, але не може йому допомогти – він стає високооплачуваним спостерігачем, а не оператором. Він може бачити рішення, але не має доступу для виконання виправлення. Це причина, чому більшість проектів штучного інтелекту ніколи не виходять за рамки відповідей на запитання або виконання вузьких завдань.

Використання оркестрації для закриття прогалини

Для переходу від прототипів організації потрібно оркестрація. Подумайте про це як шасі, яке з’єднує мислення (Етап 1) з діями (Етап 3), керуючи складною логікою (Етап 2) між ними.

Агент штучного інтелекту може визначити, що потрібно зробити, але йому зазвичай бракує дозволів і міжсистемної пам’яті, щоб володіти робочим процесом від початку до кінця. Для всього, що виходить за рамки простого завдання, агенту потрібно платформа, яка обробляє входи, послідовності кроків у різних інструментах і відстежує прогрес. Без цього шару штучний інтелект – це тільки здатний приймач рішень без можливості реалізації своїх рішень.

Оркестрація також вирішує інженерну пастку окремих API-з’єднань. Коли ми будували архітектуру для MelodyArc, ми зосередилися на центральному шарі, де агенти штучного інтелекту могли підтримувати контекст між системами та координувати дії через API або веб-інтерфейси. Обробляючи технічні важкі завдання, оркестрація дозволяє операційним командам визначати робочі процеси, використовуючи будівельні блоки замість коду. Це перетворює штучний інтелект з приємного асистента в надійного оператора, який може обробити завдання протягом усього його життєвого циклу.

Висока точність з людиною в циклі

Недостовірні результати – це найшвидший спосіб, яким операційні команди можуть відхилити нову технологію. Оркестрація найбільш стійка, коли вона включає в себе людина в циклі (HITL) шар. Хоча часто ігнорується або відкидається як невдача автоматизації, людська експертиза – це критичний архітектурний компонент.

Для того, щоб процес був真正 функціональним, система повинна визнавати свої власні обмеження під час складних випадків або коли впевненість штучного інтелекту низька. Надання ясного шляху для ескалації до асистента і назад забезпечує, що автоматизація залишається стійкою.

Крім того, захоплюючи ці втручання, компанії також створюють реєстр прийняття рішень. Це дозволяє менеджерам переглянути, як експерти вирішують питання, і використовувати ці приклади для поліпшення автоматизації без компрометації якості обслуговування.

Резюме: Будівництво систем, які працюють

Перехід від пілотного проекту до виробництва вимагає більше, ніж просто розумніша модель, йому потрібно система, побудована для виконання роботи. Штучний інтелект усунув бар’єр когнітивного розуміння, але він не може вирішити проблему фрагментованих систем самостійно.

Для успіху підприємства повинні перейти від “штучного інтелекту заради штучного інтелекту” і зосередитися на переробці своїх робочих процесів для виконання від початку до кінця з допомогою оркестрації.