عوامل هوش مصنوعی قرار است چیز بزرگ بعدی در هوش مصنوعی باشند، اما تعریف دقیقی از چیستی آنها وجود ندارد. تا این مرحله، مردم نمی‌توانند درباره اینکه عامل هوش مصنوعی دقیقاً چه چیزی را تشکیل می‌دهد به توافق برسند.

در ساده‌ترین حالت، یک عامل هوش مصنوعی به عنوان نرم‌افزار مبتنی بر هوش مصنوعی توصیف می‌شود که مجموعه‌ای از کارهایی را برای شما انجام می‌دهد که یک نماینده خدمات مشتری انسانی، شخص منابع انسانی یا کارمند میز کمک فناوری اطلاعات ممکن است در گذشته انجام داده باشد، اگرچه در نهایت می‌تواند شامل هر کاری باشد. وظیفه. شما از آن می‌خواهید کارهایی را انجام دهد، و آن‌ها آن‌ها را برای شما انجام می‌دهد، گاهی اوقات از چندین سیستم عبور می‌کند و فراتر از پاسخ دادن به سؤالات است.

به اندازه کافی ساده به نظر می رسد، درست است؟ با این حال، به دلیل عدم وضوح پیچیده است. حتی در میان غول های فناوری، اتفاق نظر وجود ندارد. Google بسته به شغل آنها را به عنوان دستیارهای مبتنی بر وظیفه می بیند: کمک برنامه نویسی برای توسعه دهندگان. کمک به بازاریابان برای ایجاد یک طرح رنگی؛ کمک به یک متخصص فناوری اطلاعات در ردیابی یک مشکل با پرس و جو از داده های گزارش.

برای آسانا، یک نماینده ممکن است مانند یک کارمند اضافی عمل کند و مانند هر همکار خوب از وظایف محول شده مراقبت کند. سیرا، استارت آپی که توسط برت تیلور، مدیر عامل سابق Salesforce و کلای باور، دامپزشک گوگل تأسیس شده است، نمایندگان را ابزارهای تجربه مشتری می داند که به افراد کمک می کند تا اقداماتی را انجام دهند که فراتر از چت ربات های گذشته است و به حل مجموعه پیچیده تری از مشکلات کمک می کند.

این فقدان یک تعریف منسجم فضایی برای سردرگمی در مورد اینکه این چیزها دقیقاً چه کاری قرار است انجام دهند باقی می گذارد، اما صرف نظر از نحوه تعریف آنها، عوامل برای کمک به انجام وظایف به روشی خودکار با کمترین تعامل انسانی هستند.

رودینا سسری، موسس و شریک مدیریت در Glasswing Ventures، او میگوید که این روزهای اولیه است و این می‌تواند دلیل عدم توافق باشد. هیچ تعریف واحدی از چیستی «عامل هوش مصنوعی» وجود ندارد. با این حال، رایج‌ترین دیدگاه این است که یک عامل یک سیستم نرم‌افزاری هوشمند است که برای درک محیط خود، استدلال درباره آن، تصمیم‌گیری و انجام اقداماتی برای دستیابی به اهداف خاص به‌طور مستقل طراحی شده است. »

او می گوید آنها از تعدادی فناوری هوش مصنوعی برای تحقق این امر استفاده می کنند. این سیستم‌ها از تکنیک‌های AI/ML مختلف مانند پردازش زبان طبیعی، یادگیری ماشین و بینایی رایانه‌ای برای کار در حوزه‌های پویا، به‌طور مستقل یا در کنار سایر عوامل و کاربران انسانی استفاده می‌کنند.»

Aaron Levie، یکی از بنیانگذاران و مدیر عامل شرکت Box، او میگوید که با گذشت زمان، با افزایش توانایی‌های هوش مصنوعی، عوامل هوش مصنوعی قادر خواهند بود کارهای بسیار بیشتری از طرف انسان‌ها انجام دهند و در حال حاضر پویایی‌هایی در بازی وجود دارد که این تکامل را هدایت می‌کند.

با عامل‌های هوش مصنوعی، اجزای متعددی برای یک چرخ طیار خودتقویت‌کننده وجود دارد که به بهبود چشمگیر آنچه که عوامل هوش مصنوعی می‌توانند در کوتاه‌مدت و بلندمدت انجام دهند، کمک می‌کند: قیمت/عملکرد GPU، کارایی مدل، کیفیت و هوشمندی مدل، چارچوب‌های هوش مصنوعی و اخیراً لوی در لینکدین نوشت: بهبود زیرساخت‌ها.

این یک برداشت خوشبینانه از فناوری است که فرض می‌کند رشد در همه این زمینه‌ها اتفاق خواهد افتاد، در حالی که لزوماً این امر مسلم نیست. رادنی بروکس، پیشگام روباتیک MIT، در مصاحبه اخیر با TechCrunch اشاره کرد که هوش مصنوعی نسبت به بسیاری از فناوری‌ها باید با مشکلات بسیار سخت‌تری دست و پنجه نرم کند و لزوماً به همان سرعتی که مثلاً تراشه‌ها بر اساس قانون مور رشد کرده‌اند، رشد نمی‌کند.

هنگامی که یک انسان می بیند که یک سیستم هوش مصنوعی یک کار را انجام می دهد، بلافاصله آن را به موارد مشابه تعمیم می دهد و صلاحیت سیستم هوش مصنوعی را تخمین می زند. بروکس در آن مصاحبه گفت: نه فقط عملکرد در آن، بلکه شایستگی در مورد آن. و آنها معمولاً بیش از حد خوشبین هستند، و این به این دلیل است که از مدلی از عملکرد یک فرد در یک کار استفاده می کنند.

مشکل این است که عبور از سیستم ها سخت است، و این با این واقعیت پیچیده است که برخی از سیستم های قدیمی فاقد دسترسی API اولیه هستند. در حالی که ما شاهد پیشرفت‌های ثابتی هستیم که Levie به آن اشاره کرد، دسترسی نرم‌افزار به سیستم‌های متعدد در حین حل مشکلاتی که ممکن است در طول مسیر با آنها مواجه شود، می‌تواند چالش‌برانگیزتر از آن چیزی باشد که بسیاری فکر می‌کنند.

اگر اینطور باشد، همه ممکن است آنچه را که عوامل هوش مصنوعی باید بتوانند انجام دهند، دست بالا برآورد کنند. دیوید کوشمن، یک رهبر تحقیقاتی در تحقیقات HFS، محصول فعلی ربات‌ها را بیشتر شبیه به Asana می‌بیند: دستیارانی که به انسان‌ها کمک می‌کنند تا وظایف خاصی را به نفع دستیابی به نوعی هدف استراتژیک تعریف‌شده توسط کاربر انجام دهند. چالش این است که به یک ماشین کمک می‌کند تا حوادث غیرمترقبه را به روشی واقعاً خودکار مدیریت کند، و واضح است که ما هنوز به آن نزدیک نیستیم.

او گفت: "من فکر می کنم این مرحله بعدی است. " "این جایی است که هوش مصنوعی به طور مستقل و موثر در مقیاس عمل می کند. پس اینجاست که انسان‌ها دستورالعمل‌ها، حفاظ‌ها را تعیین می‌کنند و فناوری‌های متعددی را برای خارج کردن انسان از حلقه به کار می‌گیرند - در حالی که همه چیز در مورد نگه داشتن انسان در حلقه GenAI بوده است. » پس ، به گفته او، نکته کلیدی در اینجا این است که اجازه دهیم عامل هوش مصنوعی مسئولیت را بر عهده بگیرد و اتوماسیون واقعی را اعمال کند.

Jon Turow، یکی از شرکای Madrona Ventures، او میگوید که این امر مستلزم ایجاد یک زیرساخت عامل هوش مصنوعی است، یک پشته فناوری که به‌طور خاص برای ایجاد عوامل (هر طور که آنها را تعریف کنید) طراحی شده است. در یک پست وبلاگ اخیر، تورو نمونه هایی از عوامل هوش مصنوعی را که در حال حاضر در طبیعت کار می کنند و نحوه ساخت آنها امروز را تشریح کرد.

از نظر تورو، گسترش فزاینده عوامل هوش مصنوعی - و او همچنین اذعان می کند که تعریف هنوز کمی مبهم است - مانند هر فناوری دیگری نیاز به یک پشته فناوری دارد. او در این مقاله نوشت: «همه اینها به این معنی است که صنعت ما برای ایجاد زیرساخت هایی که از عوامل هوش مصنوعی و برنامه های کاربردی متکی بر آنها پشتیبانی می کند، کار انجام می دهد.

با گذشت زمان، استدلال به تدریج بهبود می‌یابد، مدل‌های مرزی بیشتر جریان‌های کاری را هدایت می‌کنند، و توسعه‌دهندگان می‌خواهند روی محصول و داده‌ها تمرکز کنند - چیزهایی که آنها را متمایز می‌کند. آنها می‌خواهند که پلتفرم زیربنایی با مقیاس، عملکرد و قابلیت اطمینان «فقط کار کند».

یکی دیگر از مواردی که در اینجا باید در نظر داشت این است که احتمالاً به جای یک LLM، چندین مدل برای کارکردن نمایندگان مورد استفاده قرار می‌گیرد، و اگر به این عوامل به عنوان مجموعه‌ای از وظایف مختلف فکر کنید، منطقی است. من فکر نمی‌کنم در حال حاضر هیچ یک از مدل‌های زبان بزرگ، حداقل در دسترس عموم، یک مدل زبان بزرگ یکپارچه، قادر به انجام وظایف نمایندگی نباشد. من فکر نمی‌کنم که آنها هنوز بتوانند استدلال چند مرحله‌ای را انجام دهند که واقعاً من را در مورد آینده نمایندگی هیجان زده کند. فرد هاومایر، رئیس بخش تحقیقات هوش مصنوعی و نرم‌افزار ایالات متحده در Macquarie US Equity Research، او میگوید : من فکر می‌کنم که ما به نزدیک‌تر می‌شویم، اما هنوز به آنجا نرسیده‌ایم.

"من فکر می کنم موثرترین عامل ها احتمالا مجموعه های متعددی از چندین مدل مختلف با یک لایه مسیریابی هستند که درخواست ها یا درخواست ها را به موثرترین عامل و مدل ارسال می کند. و من فکر می‌کنم که به نوعی مانند یک ناظر [خودکار] جالب خواهد بود که نقشی را محول می‌کند.»

در نهایت برای Havemeyer، صنعت به سمت این هدف کار می کند که نمایندگان به طور مستقل عمل کنند. او گفت: «همانطور که به آینده کارگزاران فکر می کنم، می خواهم ببینم و امیدوارم عواملی را ببینم که واقعاً خودمختار هستند و قادر به انجام اهداف انتزاعی هستند و سپس تمام مراحل فردی را در این بین به طور کاملاً مستقل استدلال می کنند. TechCrunch.

اما واقعیت این است که ما هنوز در یک دوره گذار هستیم که مربوط به این عوامل است و نمی دانیم چه زمانی به این وضعیت نهایی که هاومایر توضیح داد خواهیم رسید. در حالی که آنچه تاکنون دیده‌ایم به وضوح گامی امیدوارکننده در مسیر درست است، ما هنوز به پیشرفت‌ها و پیشرفت‌هایی نیاز داریم تا عوامل هوش مصنوعی همانطور که امروز تصور می‌شود عمل کنند. و درک این نکته مهم است که ما هنوز آنجا نیستیم.

خبرکاو