میتوانید ظاهر فارنت را به سلیقه خود تغییر دهید.
طبق آمارهای مطرح‌شده ، بیش از ۴۰ درصد پروژه‌های هوش مصنوعی عامل‌محور ممکن است تا سال ۲۰۲۷ متوقف شوند. این موضوع لزوماً به این معنا نیست که فناوری هوش مصنوعی کار نمی‌کند؛ مسئله این است که بسیاری از شرکت‌ها نمی‌دانند چگونه یک پروژه AI را از یک دموی جذاب به یک سیستم واقعی و قابل‌اعتماد تبدیل کنند.
فرض کنید یک شرکت تصمیم گرفته برای انجام بخشی از کارهای روزمره خود از یک ایجنت هوش مصنوعی استفاده کند. در جلسه معرفی، همه‌چیز امیدوارکننده به نظر می‌رسد: ایجنت می‌تواند به ایمیل‌ها پاسخ دهد، فاکتورها را بررسی کند، برای جلسات زمان رزرو کند و چند مرحله از یک فرایند را بدون دخالت مستقیم کاربر انجام دهد.
دموی اولیه موفق است، مدیران از نتیجه راضی هستند و پروژه بودجه می‌گیرد.
اما مشکل زمانی شروع می‌شود که ایجنت از محیط آزمایشی وارد دنیای واقعی می‌شود.
یک فاکتور اطلاعات ناقص دارد، اطلاعات یک مشتری دوبار ثبت شده، API محدودیت درخواست دارد یا ایجنت به داده‌ای دسترسی پیدا می‌کند که نباید به آن دسترسی داشته باشد. چند ماه بعد، مدیر مالی سؤال ساده‌ای می‌پرسد:
«این پروژه دقیقاً چه ارزشی برای شرکت ایجاد کرده است؟»
اگر تیم نتواند پاسخ روشنی بدهد، ادامه پروژه به‌سرعت زیر سؤال می‌رود.
طبق آمارهای مطرح‌شده ، بیش از ۴۰ درصد پروژه‌های هوش مصنوعی عامل‌محور ممکن است تا سال ۲۰۲۷ متوقف شوند. این موضوع لزوماً به این معنا نیست که فناوری هوش مصنوعی کار نمی‌کند؛ مسئله این است که بسیاری از شرکت‌ها نمی‌دانند چگونه یک پروژه AI را از یک دموی جذاب به یک سیستم واقعی و قابل‌اعتماد تبدیل کنند.
در ادامه، هفت دلیل اصلی شکست این پروژه‌ها را بررسی می‌کنیم.
یکی از رایج‌ترین اشتباهات این است که شرکت ابتدا فناوری را انتخاب می‌کند و بعد به دنبال مسئله‌ای می‌گردد که با آن حل شود.
جمله‌ای مثل «می‌خواهیم از هوش مصنوعی در کسب‌وکار استفاده کنیم» هدف مشخصی نیست. باید بدانیم هوش مصنوعی قرار است چه مشکلی را حل کند و نتیجه آن چگونه اندازه‌گیری می‌شود.
برای مثال، «بهبود خدمات مشتری» هدفی کلی است؛ اما «کاهش ۴۰ درصدی زمان پاسخ‌گویی به مشتریان تا پایان فصل آینده» یک هدف قابل‌اندازه‌گیری است.
پیش از ساخت ایجنت، سه موضوع را مشخص کنید:
اگر پاسخ این سؤال‌ها مشخص نباشد، هنوز برای ساخت ایجنت آماده نیستید.
هوش مصنوعی برای عملکرد قابل‌اعتماد به داده مناسب نیاز دارد. با این حال، بسیاری از شرکت‌ها تازه بعد از شروع پروژه متوجه می‌شوند که داده‌هایشان ناقص، قدیمی یا ناسازگار است.
ممکن است یک مشتری چند بار در سیستم ثبت شده باشد، اطلاعات مهمی وجود نداشته باشد یا دو نرم‌افزار، اطلاعات مشابه را با قالب‌های متفاوت ذخیره کنند. در چنین شرایطی، حتی یک ایجنت خوب هم ممکن است تصمیم اشتباه بگیرد.
بنابراین قبل از ساخت سیستم باید کیفیت داده‌ها بررسی شود:
ساخت یک ایجنت در محیط آزمایشی ممکن است ساده باشد، اما شرکت‌ها در محیط واقعی معمولاً با مجموعه‌ای از سیستم‌های قدیمی و جدید کار می‌کنند؛ از CRM و ERP گرفته تا نرم‌افزارهای داخلی و سرویس‌های مختلف.
هرکدام از این سیستم‌ها ممکن است API، روش احراز هویت و محدودیت‌های متفاوتی داشته باشند. چیزی که در محیط تست بدون مشکل کار می‌کند، ممکن است در محیط واقعی به دلیل محدودیت دسترسی یا تعداد درخواست‌ها با مشکل مواجه شود.
هرچه تعداد سیستم‌های متصل بیشتر باشد، هماهنگ‌کردن مراحل و مدیریت خطا نیز پیچیده‌تر می‌شود.
در اینجا استفاده از استانداردهای مشخص برای ارتباط مدل‌های هوش مصنوعی با ابزارها و داده‌ها اهمیت پیدا می‌کند. یکی از مفاهیم مهم در این زمینه استاندارد MCP است که برای ایجاد روشی استاندارد در ارتباط مدل‌های هوش مصنوعی با ابزارها و منابع اطلاعاتی مطرح شده است.
پیش از اجرا باید دقیقاً مشخص کنید ایجنت به چه سیستم‌هایی متصل می‌شود، چه مجوزهایی لازم دارد، چه محدودیت‌هایی وجود دارد و در صورت قطع اتصال چه اتفاقی خواهد افتاد.
یک دستیار هوش مصنوعی ممکن است فقط یک پیشنهاد ارائه دهد؛ اما یک ایجنت می‌تواند همان پیشنهاد را اجرا کند و مراحل بعدی را نیز پیش ببرد.
این خودکارسازی ارزشمند است، اما اگر سطح اختیار ایجنت مشخص نباشد، می‌تواند ریسک ایجاد کند. تصور کنید ایجنت یک تصمیم اشتباه بگیرد و همان تصمیم را برای هزاران مشتری اجرا کند یا بدون تأیید انسان اقدامی با پیامد مالی و حقوقی انجام دهد.
بنابراین از ابتدا باید مشخص شود:
هدف حذف نظارت انسانی نیست؛ هدف این است که سطح اختیار ایجنت متناسب با میزان ریسک تعیین شود.
در سیستم‌های Agentic، هزینه فقط به خرید نرم‌افزار یا زیرساخت محدود نمی‌شود. هر تصمیم ایجنت ممکن است به چندین فراخوانی مدل نیاز داشته باشد و با افزایش حجم کار، هزینه نیز بیشتر شود.
یکی از مشکلات رایج زمانی رخ می‌دهد که ایجنت مرتب یک وضعیت را بررسی کند و برای انجام یک کار ساده، بارها مدل را فراخوانی کند.
به همین دلیل، در مرحله آزمایشی نباید فقط عملکرد را بسنجید؛ هزینه انجام هر وظیفه را نیز اندازه‌گیری کنید.
کاهش درخواست‌های تکراری، استفاده از رویدادها و Webhookها و ذخیره نتایج می‌تواند به کنترل هزینه کمک کند.
این موضوع برای افرادی که به دنبال کسب درآمد با هوش مصنوعی هستند نیز اهمیت دارد. یک ایده ممکن است درآمد خوبی ایجاد کند، اما اگر هزینه مدل، ابزارها و زیرساخت بیش از درآمد باشد، در نهایت کسب‌وکار پایداری نخواهد بود.
یکی دیگر از مشکلات بازار، استفاده بیش از حد از واژه «Agent» است. گاهی یک چت‌بات یا سیستم اتوماسیون معمولی با عنوان ایجنت هوش مصنوعی معرفی می‌شود.
تفاوت اصلی در میزان توانایی سیستم برای دنبال‌کردن یک هدف و انجام چند مرحله از یک فرایند است.
یک چت‌بات ممکن است فقط به سؤال مشتری پاسخ دهد؛ اما یک ایجنت می‌تواند درخواست را بررسی کند، اطلاعات لازم را از سیستم دیگری دریافت کند، وضعیت سفارش را بررسی کند و در صورت نیاز اقدام دیگری انجام دهد.
بنابراین هنگام بررسی یک محصول، فقط به Demo اعتماد نکنید. از فروشنده بپرسید:
این سیستم در یک محیط واقعی چه فرایند چندمرحله‌ای را بدون دخالت مستقیم انسان انجام می‌دهد؟
بسیاری از پروژه‌ها در مرحله Demo موفق هستند، اما برای استفاده واقعی زیرساخت کافی ندارند.
در محیط تولید باید بتوانید بفهمید ایجنت چه کاری انجام داده، چرا چنین تصمیمی گرفته، کجا خطا کرده و در صورت بروز مشکل چه کسی مسئول رسیدگی است.
به همین دلیل، سیستم باید از ابتدا امکاناتی مانند ثبت رویدادها، مانیتورینگ، کنترل دسترسی، مدیریت وضعیت و بازیابی از خطا را در نظر بگیرد.
این قابلیت‌ها امکانات جانبی نیستند که بعداً اضافه شوند؛ آن‌ها بخشی از زیرساخت اصلی یک سیستم AI قابل‌اعتماد هستند.
پروژه‌های ناموفق معمولاً با این سؤال شروع می‌شوند:
چه ابزار یا مدل هوش مصنوعی بخریم؟
اما پروژه‌های موفق از یک سؤال متفاوت شروع می‌کنند:
«دقیقاً چه کاری را می‌خواهیم بهتر، سریع‌تر یا ارزان‌تر انجام دهیم؟»
بعد از مشخص‌شدن مسئله، داده، فرایند، هزینه، امنیت، نظارت انسانی و زیرساخت متناسب با آن طراحی می‌شوند.
وارد حساب کاربری خود شوید تا از امکانات فارنت بهره‌مند شوید.اگر حساب کاربری ندارید، همین حالا ثبت‌نام کنید تا از محتوای خاص و خدمات ما لذت ببرید.
دیدگاه شما پس از بررسی توسط تحریریه منتشر خواهد شد. در صورتی که در بخش نظرات سوالی پرسیده‌اید اگر ما دانش کافی از پاسخ آن داشتیم حتماً پاسخگوی شما خواهیم بود در غیر این صورت تنها به امید دریافت پاسخ مناسب از دیگران آن را منتشر خواهیم کرد.
ایمیل شما منتشر نخواهد شد.