هوش مصنوعی عامل قوانین سنتی توسعه نرم افزار را زیر پا می گذارد

عوامل هوش مصنوعی شبیه هیچ توسعه نرم افزاری هستند که قبلا شاهد آن بوده ایم. به طور سنتی، سیستم های نرم افزاری قابل اعتماد برای ساخت و توسعه از یک رویکرد ساختار یافته پیروی می کنند. نرم افزاری که برای اطمینان از قابلیت اطمینان و مقیاس پذیری نرم افزار برنامه ریزی، ساخت، تست و نگهداری می کند. این چارچوب عمر چرخه توسعه نرم افزار (SDLC) (1) را ایجاد کرد.

اما عوامل هوش مصنوعی متفاوت هستند: آنها تیمی از بازیگران مستقل و احتمالی هستند که در یک محیط واقعی و رویداد محور به بهترین شکل کار می کنند و به عوامل امکان می دهند تا با داده های زمان واقعی برای توسعه، یادگیری و کار هماهنگ شوند.

برای افزایش مقیاس نیروی کار سازمانی از عوامل هوش مصنوعی، سازمان ها باید اصول مدیریت کارکنان را با دقت توسعه نرم افزار ترکیب کنند. این عوامل به دلیل مدل‌های زبان احتمالی، نرم‌افزار ثابتی نیستند که بتوان آن را کدگذاری و توسعه داد. آنها متفاوت ساخته می شوند، ارزیابی می شوند و اداره می شوند.

این امر مستلزم این است که سازمان‌ها از SDLC سنتی به چرخه حیات توسعه عامل (ADLC) (2) حرکت کنند، که از ساختار و فرآیند تکرارپذیر چارچوب SDLC استفاده می‌کند و آن را با توسعه و مدیریت عوامل هوش مصنوعی ترکیب می‌کند.

یک دست یاری از منابع انسانی

از آنجایی که عوامل هوش مصنوعی نقش‌هایی را در یک شرکت انجام می‌دهند، ADLC باید از چرخه زندگی کارکنان انسانی درس‌هایی بگیرد.

هنگامی که یک سازمان یک عضو تیم جدید را وارد می کند، یک فرآیند عمدی وجود دارد: نقش آنها مشخص می شود. آنها به سیستم هایی که نیاز دارند دسترسی دارند؛ آنها آموزش دیده اند؛ و آنها در یک تیم ادغام می شوند. هنگامی که آنها توانمند شدند و به کار مشغول شدند، یک مدیر بر فعالیت آنها نظارت می کند، عملکرد آنها را در طول زمان نظارت و توسعه می دهد.

عوامل هوش مصنوعی به عنوان بازیگران مستقلی که در یک سیستم حکمرانی فعالیت می کنند، مستحق و نیازمند همین رفتار هستند.

کارگزاران هوش مصنوعی به یک رویکرد ساختاریافته مشابه نیاز دارند تا در داخل هواپیما و ادغام آنها در یک کسب و کار و ارائه مزایای کارایی که برای آنها طراحی شده اند - این بدان معناست که آنها برای انجام کارهای خود به داده های متنی بلادرنگ نیاز دارند!

در مرحله استخدام با عوامل هوش مصنوعی مانند انسان رفتار کنید

سازمانی را تصور کنید که در آن هر کارمندی عمومی است، سلسله مراتب یا ساختاری وجود ندارد، و تمام ارتباطات از طریق تماس های تلفنی همزمان یک به یک انجام می شود. بدون ایمیل بدون Slack. هیچ سیستم مشترکی وجود ندارد.

سازمان نمی تواند مقیاس کند. اطلاعات جریان ندارد مردم از هر جهت غرق در داده‌ها می‌شوند، بدون اینکه درک واقعی از آنچه در جریان است یا چه کاری انجام دهند. هیچ ساختار پاسخگویی، هیچ کنترل دسترسی، هیچ مکانیسم هماهنگی فراتر از مکالمات فردی وجود ندارد.

شما استخدام انسانی جدیدی را در این هرج و مرج رها نمی کنید. سازمان‌های مؤثر متفاوت به نظر می‌رسند، و روی افرادی حساب می‌کنند که متخصص هستند و به‌صورت سلسله مراتبی سازمان‌دهی می‌شوند، بنابراین هماهنگی به‌طور موازی اتفاق می‌افتد و ارتباطات بر روی کانال‌های ناهمزمان استوار است که اجازه می‌دهند اطلاعات بدون نیاز به آنلاین بودن همزمان همه، جریان پیدا کند. همین امر در مورد حضور عوامل هوش مصنوعی نیز صدق می کند.

عوامل و کارمندان هوش مصنوعی از نظر شبکه عامل تفاوتی ندارند

بیشتر استقرارهای اولیه هوش مصنوعی عاملی به عنوان عوامل یکپارچه پیچیده کار می کنند که وظیفه آنها انجام همه کارها، دسترسی به همه داده ها، برقراری ارتباط همزمان، و تلاش برای حفظ زمینه بسیار بزرگ یا کار همزمان با عوامل فرعی است. نتیجه؟ سیستمی شکننده، گران، ناسازگار و کاملا قادر به مدیریت پیچیدگی سازمانی واقعی نیست.

اینجاست که یک agent mesh می‌تواند به‌عنوان یک پلتفرم توسعه و زمان اجرا عمل کند و به ساخت عوامل هوش مصنوعی کمک کند که در واقع برای یک شرکت بی‌درنگ کار می‌کنند، متخصص برای عملکردهای خاص، به‌صورت سلسله مراتبی سازمان‌دهی می‌شوند و توسط یک پلتفرم توسعه و زمان اجرا که متخصص در واگذاری وظایف به عوامل مناسب است، هماهنگ می‌شوند.

ارتباطات بین عامل ها ناهمزمان و رویداد محور است و دسترسی به داده ها و سیستم ها توسط کنترل های دسترسی مبتنی بر نقش کنترل می شود و دقیقا مجوزهای مورد نیاز را به عوامل می دهد و نه بیشتر.

بنابراین، بیایید ببینیم که چگونه می‌توان نمایندگان را از طریق ADLC «دریافت» کرد، مانند کارمند جدیدی که به سازمان می‌پیوندد:

1. با تنظیم نماینده مانند تهیه پیش نویس شرح شغل رفتار کنید

قبل از اینکه یک کارمند انسانی شروع به کار کند، شرح شغل را می نویسید. شما تعیین می کنید که آنها چه نقشی را ایفا کنند، چه مسئولیتی را بر عهده دارند، چه رفتارهایی را انتظار دارید و در چه مرزهایی عمل می کنند.

سازنده عامل عامل مش می تواند از یک عامل هوش مصنوعی داخلی برای ارائه یک رابط هدایت شده برای تعریف هدف، محدوده و پیکربندی یک عامل استفاده کند. شما دستورالعمل‌ها و اعلان‌های سیستمی را تنظیم می‌کنید که شخصیت و پارامترهای رفتاری عامل را شکل می‌دهند. و نرده‌های محافظ را پیکربندی می‌کنید - محدودیت‌های سخت در مورد آنچه که عامل می‌تواند و نمی‌تواند انجام دهد - که از خارج شدن آن از اسکریپت یا انجام اقدامات ناامن جلوگیری می‌کند.

2. با دسترسی ابزار و سیستم، عامل را به سرعت بالا ببرید

هفته های اول کارمند جدید صرف دسترسی به ابزارها، سیستم ها و داده ها می شود. Agent onboarding هم همینطور است.

یک Agent Mesh باید شامل تعدادی اتصال دهنده داده باشد - ادغام های از پیش ساخته شده برای پایگاه های داده سازمانی، انبارهای داده، دریاچه های داده، API های برنامه های کاربردی سازمانی و سرورهای MCP. این کارگزاران را قادر می سازد از روز اول به داده های بلادرنگ دسترسی داشته باشند.

دسترسی از طریق کنترل‌های دسترسی مبتنی بر نقش (RBAC) ارائه می‌شود، که اصول کمترین امتیاز را اعمال می‌کند، بنابراین نمایندگان فقط آنچه را که باید ببینند، ببینند. همچنین می‌تواند مهارت‌هایی را تعریف کند که با ابزارهای داخلی مطابقت دارند تا نمایندگان به بهترین نحو بدانند چگونه از آنها استفاده کنند.

3. گذراندن دوره آزمایشی - عوامل تست استرس قبل از اعزام

پس از دسترسی به سیستم ها، کارکنان انسانی تحت آموزش قرار می گیرند. اینجاست که توانایی عمومی به مهارت های شرکتی و شغلی تبدیل می شود. شما یک استخدام جدید را در مقابل مشتریان قرار نمی دهید بدون اینکه قبلا تأیید کنید که آنها می دانند چه کار می کنند. همین منطق در اینجا صادق است.

یک agent mesh می‌تواند یک تابع Eval ارائه کند که از هوش مصنوعی برای پیشنهاد آزمایش‌ها برای عامل‌ها استفاده می‌کند، به شما امکان می‌دهد موارد بیشتری اضافه کنید و سپس آنها را در برابر عوامل خود اجرا کنید. این به سازمان قدرت می دهد تا شایستگی عامل را در برابر معیارهای موفقیت تعریف شده در طول توسعه تأیید کند. این از هر دو تست اولیه و تست رگرسیون در حین ایجاد تغییرات پشتیبانی می کند.

4. انسان ها را تحت کنترل نگه دارید - اقدامات هوش مصنوعی را در زمان واقعی تأیید کنید

حتی تواناترین کارمند نیز زمانی که تازه وارد یک نقش می شود، تحت نظارت دقیق قرار می گیرد. نظارت، مدیریت خرد نیست؛ این شبکه ایمنی است که کیفیت را تضمین می‌کند، اعتماد ایجاد می‌کند و خطاها را قبل از ترکیب شدن تشخیص می‌دهد.

یک مش عامل با معماری انسان در حلقه می تواند از مسیریابی اقدامات یا تصمیمات عامل خاص برای بازبینان انسانی برای تأیید قبل از اجرا پشتیبانی کند. این در سیستم های عامل مهم است زیرا LLM ها غیر قطعی هستند، آنها اشتباه می کنند، بنابراین زمانی که تأثیر اشتباه عوامل بسیار خطرناک است، انسان ها می توانند اقدامات، پاسخ ها یا نتیجه گیری های خود را تأیید کنند.

5. کار تیمی باعث می شود عامل هوش مصنوعی رویای کار کند

دگرگون‌کننده‌ترین مرحله چرخه عمر کارکنان زمانی است که افراد بخشی از تیم‌هایی با عملکرد بالا می‌شوند، جایی که توانایی جمعی از مجموع اجزای آن فراتر می‌رود. برای عوامل هوش مصنوعی، اینجاست که همه چیز واقعا جالب می شود.

یک شبکه عامل از جریان‌های کاری پشتیبانی می‌کند که فرآیندهای تکرارپذیر را تعریف می‌کنند، مانند مراحل مربوط به تأیید یک وام، ارائه پیشنهاد بیمه یا افتتاح حساب. ارکستراسیون پویا جایی است که مش زنده می شود: عوامل ارکستراتور کار را به سمت متخصصان مناسب هدایت می کنند، به ترتیب یا به صورت موازی، زمانی که ورودی سیال است و مسیر رو به جلو باید از طریق آن استدلال شود، در زمان واقعی تطبیق می دهند.

نتیجه یک توپولوژی شبکه چند عاملی است - سازمان های عامل سلسله مراتبی که عوامل متخصص را در عملکردهای مختلف هماهنگ می کند که ساختار یک سازمان انسانی مؤثر را منعکس می کند.

6. بهبود مستمر هوش مصنوعی - زودتر تغییر عملکرد را دریافت کنید

سازمان های موثر کارمندان را مستقر نمی کنند و آنها را فراموش نمی کنند. آنها عملکرد را نظارت می کنند، بازخورد ارائه می دهند و مکانیسم هایی برای بهبود مستمر ایجاد می کنند.

ویژوالایزر agent mesh یک رابط گرافیکی بی‌درنگ برای ردیابی تعاملات عامل، تماس‌های ابزار و LLM و مسیرهای تصمیم‌گیری می‌دهد، بنابراین می‌توانید دقیقا ببینید که نمایندگان شما چه می‌کنند و چرا انجام می‌دهند. ارزیابی‌های در حال انجام، تغییر عملکرد یا حالت‌های شکست در حال ظهور را از طریق ارزیابی‌های آنلاین که در پس‌زمینه اجرا می‌شوند، شناسایی می‌کنند و بر اجرای تولید نظارت می‌کنند.

علاوه بر این، ابزار دقیق تله متری باز می تواند روندهای عملکرد را در طول زمان نشان دهد، و داده هایی را در اختیار شما قرار می دهد تا درباره زمان و نحوه تنظیم عوامل خود تصمیم بگیرید.

تبدیل عوامل هوش مصنوعی به دارایی های حیاتی به یک رویکرد استقرار جدید نیاز دارد

تبدیل عوامل هوش مصنوعی از آزمایش‌های ساده به ابزارهای عملیاتی با کارایی بالا، نیاز به یک ذهنیت کاملا جدید برای ساخت و توسعه آنها دارد. SDLC های سنتی برای کدهای قابل پیش بینی کار می کنند، اما عوامل هوش مصنوعی به تنهایی عمل می کنند! در نتیجه، آنها به نقش‌های مشخص، دسترسی به ابزار امن، آزمایش دقیق، نظارت انسانی و نظارت دائمی نیاز دارند.

سازمان‌ها برای استقرار، مدیریت و مقیاس‌بندی موفقیت‌آمیز نیروی کار عوامل هوش مصنوعی با اطمینان، باید یک ADLC را در یک پلتفرم زمان واقعی و رویداد محور مستقر کنند.

ما بهترین ابزار هوش مصنوعی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit