ایران پرسمان - ایسنا /«هوش مصنوعی عاملی» یکی از شاخه‌های نوین حوزه هوش مصنوعی به شمار می‌رود و اخیرا توجه بسیاری را به خود معطوف داشته است. در این گزارش با هوش مصنوعی عاملی و کاربردهای در کارها آشنا می‌شویم.
دانشمندان و مهندسان از روزهای اولیه تولید خودکارهای مکانیکی تا چت‌بات‌های اخیر، رؤیای آینده‌ای را در سر می‌پرورانند که در آن سیستم‌های هوش مصنوعی بتوانند هوشمندانه و مستقل کار کنند. پیشرفت‌های اخیر «هوش مصنوعی عاملی»(Agentic AI)، این آینده مستقل را یک گام به واقعیت نزدیک‌تر می‌کنند.
به نقل از هاروارد بیزینس ریویو، سیستم‌های هوش مصنوعی عاملی با قابلیت‌های استدلال و اجرای فوق‌العاده خود، تغییر بزرگی را در بسیاری از جنبه‌های همکاری انسان و ماشین نوید می‌دهند. هوش مصنوعی عاملی با فراهم کردن مزایایی مانند بهره‌وری، نوآوری و بینش بیشتر برای نیروی کار می‌تواند عالی باشد، اما خطراتی نیز وجود دارند که عبارتند از احتمال سوگیری، اشتباهات و استفاده نامناسب. اقدامات اولیه از سوی رهبران تجاری و دولتی در حال حاضر به تعیین مسیر درست برای توسعه هوش مصنوعی عاملی کمک می‌کنند؛ به طوری که مزایای آن ایمن و منصفانه به دست بیایند.
نحوه تعامل و همکاری انسان‌ها با هوش مصنوعی از جهش چشمگیر هوش مصنوعی عاملی بهره می‌برد. تصور کنید که عوامل هوش مصنوعی بتوانند سفر شما را به خارج از کشور برنامه‌ریزی کنند و همه برنامه‌ریزی‌های سفر را انجام دهند. ربات‌های انسان‌نما را در نظر بگیرید که به عنوان مراقب مجازی برای سالمندان عمل می‌کنند. این موارد فقط بخشی از امکاناتی هستند که در دوره کار هوش مصنوعی عاملی در آینده فراهم خواهند شد.
هوش مصنوعی عاملی چیست؟
در حالی که دستیاران هوش مصنوعی پیشین مبتنی بر قوانین بودند و توانایی محدودی برای عملکرد مستقل داشتند، هوش مصنوعی عاملی این اختیار را خواهد داشت که از طرف ما کارهای بیشتری را انجام دهد. اما هوش مصنوعی عاملی دقیقا چیست؟
هوش مصنوعی عاملی با فراهم کردن مزایایی مانند بهره‌وری، نوآوری و بینش بیشتر برای نیروی کار می‌تواند عالی باشد، اما خطراتی نیز وجود دارند که عبارتند از احتمال سوگیری، اشتباهات و استفاده نامناسب. «انور چتین»(Enver Cetin)، کارشناس هوش مصنوعی در شرکت مهندسی «سیکلوم»(Ciklum) گفت: شما می‌توانید هوش مصنوعی عاملی را در «فعال بودن» تعریف کنید. هوش مصنوعی عاملی به سیستم‌ها و مدل‌های هوش مصنوعی اشاره دارد که می‌توانند به طور مستقل و بدون نیاز به راهنمایی مداوم انسانی برای دستیابی به اهداف عمل کنند. سیستم هوش مصنوعی عاملی، هدف کاربر را می‌داند و از زمینه مشکلی که در تلاش برای حل آن است، آگاهی دارد.
برای دستیابی به این سطح از تصمیم‌گیری و اقدام مستقل، هوش مصنوعی عاملی بر مجموعه پیچیده‌ای از فناوری‌های گوناگون یادگیری ماشینی، پردازش زبان طبیعی و خودکارسازی متکی است. اگرچه سیستم‌های هوش مصنوعی عاملی از توانایی‌های خلاقانه مدل‌های هوش مصنوعی مولد مانند «چت‌جی‌پی‌تی»(ChatGPT) بهره می‌برند، اما از جهات گوناگونی متفاوت هستند که در ادامه به آنها اشاره شده است.
سیستم‌های هوش مصنوعی عاملی به جای ایجاد محتوا، بر تصمیم‌گیری متمرکز هستند. سیستم‌های هوش مصنوعی عاملی به درخواست‌های انسانی تکیه نمی‌کنند، بلکه برای بهینه‌سازی اهداف ویژه مانند به حداکثر رساندن فروش، امتیاز رضایت مشتری یا کارآیی در فرآیندهای زنجیره تأمین تنظیم شده‌اند. سیستم‌های هوش مصنوعی عاملی بر خلاف هوش مصنوعی مولد می‌توانند فعالیت‌های پیچیده‌ای را انجام دهند، پایگاه‌های داده را به طور خودکار جست‌وجو کنند یا به راه‌اندازی جریان‌های کاری برای تکمیل فعالیت‌ها بپردازند. مزایای کار کردن با هوش مصنوعی عاملی
سیستم‌های هوش مصنوعی عاملی با توانایی‌های استدلال و اجرای فوق‌العاده خود، نویدبخش تغییر بسیاری از جنبه‌های همکاری انسان و ماشین هستند؛ به‌ویژه در زمینه‌هایی از کار که در حال حاضر از خودکارسازی مبتنی بر هوش مصنوعی جدا شده‌اند. از جمله این زمینه‌ها می‌تواند به مدیریت فعالانه سیستم‌های پیچیده فناوری اطلاعات برای جلوگیری از قطعی، پیکربندی مجدد زنجیره تامین در پاسخ به اختلالات ژئوپلیتیکی یا آب‌وهوایی و برقراری تعاملات واقع‌بینانه با بیماران یا مشتریان برای حل مشکلات.
سه مورد از مزایای اصلی، تخصص بیشتر نیروی کار، افزایش قابلیت اطمینان اطلاعات و افزایش نوآوری هستند که در ادامه شرح داده شده‌اند.
1. تخصص بیشتر نیروی کار. کارکنان با داشتن تخصص بیشتر می‌توانند از یادگیری و نوآوری به کمک انجام دادن بهره‌مند شوند، اما با توجه به این که کسب‌وکارها با کمبود نیروی کار و عدم تطابق بین نقش‌ها و مهارت‌های انسانی در دسترس روبه‌رو هستند، اجرای آن دشوار است. از آنجا که مدل‌های هوش مصنوعی عاملی برای انجام دادن وظایف بسیار کوچک طراحی شده‌اند، در مقایسه با سیستم‌های گسترده پیشین، امکان تخصصی شدن نقش‌ها را افزایش می‌دهند. علاوه بر این، چندین نقش عامل را می‌توان به سرعت ایجاد کرد. به عنوان مثال، در حوزه علوم می‌توان عواملی را برای بازیابی اطلاعات، تجزیه و تحلیل، برقراری گردش کار و کمک به کارمندان ایجاد کرد که همه در کنار یکدیگر کار کنند. برخی از عوامل هوش مصنوعی نیز پشت صحنه کار می‌کنند و کار سایر عوامل را هماهنگ نگه می‌دارند؛ درست مانند کاری که مدیران انسان برای گروه‌های خود انجام می‌دهند.
سیستم‌های هوش مصنوعی عاملی، توانایی بیشتری در غربال‌سازی و متمایز کردن منابع اطلاعاتی به منظور افزایش کیفیت و قابلیت اطمینان آنها دارند و درجه اعتماد را در تصمیم‌های خود افزایش می‌دهند. 2. افزایش قابلیت اطمینان اطلاعات. استدلال شناختی بیشتر سیستم‌های هوش مصنوعی عاملی به این معناست که آنها کمتر از توهمات یا اطلاعات اختراعی رایج در سیستم‌های هوش مصنوعی مولد رنج می‌برند. سیستم‌های هوش مصنوعی عاملی، توانایی بیشتری در غربال‌سازی و متمایز کردن منابع اطلاعاتی به منظور افزایش کیفیت و قابلیت اطمینان آنها دارند و درجه اعتماد را در تصمیم‌های خود افزایش می‌دهند. به عنوان مثال، با وجود این که اطلاعات مشتری شامل ایمیل‌ها، داده‌ها و موارد مشابه اغلب در قالب‌های گوناگون و در بخش‌های متفاوت یک کسب‌وکار پراکنده می‌شوند، یک سیستم هوش مصنوعی عاملی می‌تواند به سرعت تشخیص دهد که مطمئن‌ترین و به‌روزترین اطلاعات احتمالا در سیستم‌های مدیریت ارتباط با مشتری شرکت ذخیره شده‌اند.
3. افزایش نوآوری. سیستم‌های هوش مصنوعی عاملی با قدرت قضاوت و اجرای خود برای افزایش بررسی و نوآوری ایده‌آل هستند. به عنوان مثال، «کم‌کرو»(ChemCrow) یک عامل شیمی مبتنی بر هوش مصنوعی است که برای طراحی و سنتز یک نمونه جدید از دافع حشرات و ایجاد ترکیبات آلی جدید استفاده می‌شود. مدل‌های هوش مصنوعی چندعاملی می‌توانند فضاهای تحقیقاتی گسترده مانند مقالات علمی و پایگاه‌های اطلاعاتی را در کسری از زمان مورد نیاز دانشمندان و پژوهشگران انسانی تحلیل کنند. مدل چندعاملی «سای‌ایجنتز»(SciAgents) ساخت پژوهشگران دانشگاه «ام‌آی‌تی»(MIT) نه تنها دانشمندان رباتیک را برای توسعه طرح‌های پژوهشی دارد، بلکه یک عامل منتقد را برای بررسی طرح‌ها و پیشنهاد دادن برای بهبود آنها شامل می‌شود.

کاربردهای احتمالی هوش مصنوعی عاملی
اگرچه بسیاری از کاربردهای هوش مصنوعی عاملی هنوز در مرحله آزمایشی هستند، اما نمونه‌های گسترده‌ای از موارد استفاده احتمالی در حال حاضر در صنایع و عملکردهای گوناگون ظهور کرده‌اند. برخی از نمونه‌ها به شرح زیر هستند.
1. خدمات مشتری. برخلاف ربات‌های خودکار کمک به مشتری که از پیش با طیف محدودی از پاسخ‌ها و اقدامات برنامه‌ریزی می‌شوند، نمایندگان خدمات مشتری می‌توانند به سرعت اهداف و احساسات مشتری را درک کنند و گام‌های مستقلی را برای حل کردن مشکلات بردارند. برای مثال، یک نماینده خدمات مشتری می‌تواند از پیش ارزیابی کند که آیا تحویل به مشتری با تأخیر انجام می‌شود یا خیر. در این صورت می‌تواند مشتری را از تأخیر آگاه کند و شاید یک تخفیف را برای برطرف کردن ناامیدی او ارائه دهد. برای مثال، استارت‌آپ هوش مصنوعی «اِما»(Ema) مستقر در کالیفرنیا، چت‌بات‌های هوش مصنوعی را ارائه می‌دهد که می‌توانند به صورت پویا هزاران پایگاه داده و اپلیکیشن‌های گوناگون را برای پاسخ دادن به پرسش‌ها و رسیدگی به شکایت مشتریان جست‌وجو کنند. همچنین، اِما محتوای خود را به منظور افزایش دقت و انطباق ممیزی می‌کند و توصیه‌هایی را نیز برای بهبود پایگاه دانش مشتری ارائه می‌دهد.
2. فرآیند ساخت. از کنترل جریان خط تولید گرفته تا سفارشی‌سازی محصولات و ارائه پیشنهادهایی برای طراحی بهتر محصول، هوش مصنوعی عاملی احتمالا کاربردهای متعددی را در روند ساخت هوشمند خواهد داشت. داده‌های حاصل از حسگرهای متصل به ماشین‌ها، قطعات و سایر دارایی‌های فیزیکی کارخانه‌ها و حمل‌ونقل را می‌توان توسط سیستم هوش مصنوعی برای پیش‌بینی فرسودگی و قطعی‌های تولید تحلیل کرد تا از توقف برنامه‌ریزی‌نشده تولید و افزایش هزینه‌های مربوط به تولیدکنندگان جلوگیری شود. استارت‌آپ آلمانی هوش مصنوعی «Juna.ai» با هدف به حداکثر رساندن بهره‌وری و کیفیت و کاهش مصرف انرژی و انتشار کربن، عوامل هوش مصنوعی را برای راه‌اندازی کارخانه‌های مجازی مستقر می‌کند. این استارت‌آپ حتی عواملی را ارائه می‌دهد که برای اهداف ویژه مانند عوامل تولید و عوامل کیفیت طراحی شده‌اند.
3. پشتیبانی فروش. هدف حیاتی یافتن و توسعه سرنخ‌های فروش برای نمایندگان فروش اغلب می‌تواند با انبوهی از ایمیل‌ها، کاغذبازی‌ها و سایر کارهای اداری پیش‌پاافتاده اما ضروری همراه شود. سیستم‌های هوش مصنوعی عاملی می‌توانند گروه‌های فروش را به‌ طور چشمگیری از بیشتر این فعالیت‌های وقت‌گیر رهایی بخشند. به عنوان مثال، شرکت نرم‌افزاری «سیلزفورس»(Salesforce) اخیراً نماینده توسعه خدمات خود را برای کمک به گروه فروش انسانی معرفی کرده است. این نماینده با استفاده از مدل‌های زبانی بزرگ می‌تواند پیام‌های مشتری را تفسیر کند، اقدامات بعدی را پیشنهاد بدهد، جلسات را رزرو کند، به پرسش‌ها پاسخ دهد و پاسخ‌هایی را تولید کند که با صدای برند شرکت هماهنگ باشند.
4. مراقبت‌های بهداشتی و اجتماعی. توانایی سیستم‌های هوش مصنوعی عاملی برای انطباق با تنظیمات گوناگون، تفسیر احساسات انسانی و نشان دادن همدلی، آنها را برای کارهای غیر معمول در زمینه‌هایی مانند مراقبت‌های بهداشتی و اجتماعی ایده‌آل می‌کند. «هیپوکراتیک ای‌آی»(Hippocratic AI) یک شرکت مراقبت‌های بهداشتی مبتنی بر هوش مصنوعی مستقر در کالیفرنیا، عوامل هوش مصنوعی را ایجاد کرده است که برای حوزه‌های گوناگون مراقبت‌های بهداشتی و حمایت اجتماعی طراحی شده‌اند. این شرکت، یک عامل هوش مصنوعی به نام «سارا»(Sarah) را به کار می‌گیرد که هنگام ارائه کمک به زندگی کاربر، درک را نیز نشان می‌دهد. سارا می‌تواند از بیماران درباره روزی که گذرانده‌اند بپرسد، فهرست‌ها و حمل‌ونقل را سازمان‌دهی کند و مرتب به بیماران یادآوری کند که داروهایشان را مصرف کنند. «جودی»(Judy) یکی دیگر از عوامل مجهز به هوش مصنوعی است که با کارهایی مانند یادآوری زمان و مکان رسیدگی به بیماران، توصیه درباره ناشتا بودن پیش از جراحی یا قطع کردن داروها به بیماران کمک می‌کند.

چالش‌های پیش رو و راه حل آنها
سیستم‌های هوش مصنوعی عاملی به رغم پتانسیل قابل توجه برای تغییر همکاری انسان و ماشین و افزایش کارآیی و رشد کسب‌وکار هنوز در مراحل اولیه توسعه هستند. علاوه بر این، سیستم‌های هوش مصنوعی عاملی به ‌رغم قدرت استدلالی و اجرایی بیشتر هنوز نمی‌توانند چالش‌های سنتی مدیریت نیروی کار را برطرف ‌کنند و در عوض، آنها را تغییر می‌دهند. مدیران باید همچنان به مسائل مربوط به ترکیب گروه و انتخاب نقش توجه داشته باشند و اهداف کلی درستی را برای اطمینان از موفقیت گروه‌های هوش مصنوعی تعیین کنند. همچنین، مدیران باید شرایطی را که تحت آن می‌توان به سیستم‌های هوش مصنوعی عاملی برای تصمیم‌گیری اعتماد کرد و شرایطی که به مداخله تصمیم‌گیرندگان انسانی نیاز دارند، به دقت بررسی کنند. برای استفاده از فرصت‌های هوش مصنوعی عاملی و در عین حال کاهش خطرات، مدیران باید موارد ضروری زیر را در نظر بگیرند.
1. تعیین اهداف هوشمند. همان طور که عملکرد گروه‌های انسانی می‌تواند با اهداف بد تعریف‌شده مختل شود، سیستم‌های هوش مصنوعی عاملی نیز در صورت عدم تنظیم واضح اهداف ممکن است از مسیر خود خارج شوند. در واقع، هدف‌گذاری برای سیستم‌های هوش مصنوعی عاملی اهمیت بیشتری پیدا می‌کند، زیرا آنها در ابتدا فاقد اطلاعات زمینه‌ای هستند که اغلب به طور ضمنی توسط کارکنان انسانی درک می‌شوند. مدیران در نهایت باید هم‌زمان با آموختن درباره عملکرد مدل‌ها، حلقه‌های بازخوردی را برای تنظیم آنها ایجاد کنند.
هوش مصنوعی عاملی بیشتر یک تلاش گروهی است و از چندین عامل هوش مصنوعی استفاده می‌کند که همگی نقش‌های ویژه‌ای را در دستیابی به یک هدف بزرگ‌تر دارند. 2. توجه به انتخاب گروه. در مقایسه با هوش مصنوعی مولد که عمدتا مبتنی بر ایجاد مدل‌های زبانی بزرگ با پرسش‌های منحصربه‌فرد است، هوش مصنوعی عاملی بیشتر یک تلاش گروهی است و از چندین عامل هوش مصنوعی استفاده می‌کند که همگی نقش‌های ویژه‌ای را در دستیابی به یک هدف بزرگ‌تر دارند. درست مانند گروه‌های انسانی، مشکلات هماهنگی، تعارض و مدیریت منابع احتمالا در عوامل هوش مصنوعی نیز به وجود می‌آید. مدیرانی که از سیستم‌های هوش مصنوعی عاملی استفاده می‌کنند، باید توجه دقیقی به انتخاب گروه داشته باشند و اطمینان حاصل کنند ترکیب مناسبی از نقش‌های عاملی را دارند که وظایف درست را به روشی کارآمد انجام می‌دهند. علاوه بر این، آنها باید به دقت در نظر بگیرند که چگونه عوامل هوش مصنوعی با کارکنان انسانی برای دستیابی به اعتماد و کارآیی در فعالیت‌ها تعامل دارند.
3. چارچوب‌بندی فضای تصمیم‌گیری. اگرچه مدل‌های هوش مصنوعی برای ارزیابی انتخاب‌ها در تصمیم‌گیری و انجام دادن اقدامات پیچیده طراحی شده‌اند، اما آنها بی‌خطا نیستند و همچنان ممکن است درست مانند انسان‌ها اشتباه کنند. یادگیری علم، اهمیت چارچوب‌بندی را در یادگیری برجسته می‌کند و یادگیرندگان را در معرض تمرین‌های دنیای واقعی با مواردی مانند نظارت و محدودیت‌های کاملا تعریف‌شده قرار می‌دهد که سپس با رشد تجربه به تدریج کنار گذاشته می‌شوند. از آنجا که سیستم‌های هوش مصنوعی عاملی در وظایف و حوزه‌های تجاری گوناگون اعمال می‌شوند، اجرای چنین چارچوب‌هایی ضروری خواهد بود و به تصمیم‌گیرندگانی نیاز خواهد داشت که براساس عواملی مانند بحرانی بودن تصمیم، پیامد اشتباهات، درجه اطمینان به داده‌های مورد استفاده برای آموزش مدل‌ها، درجه نظارت انسانی و تجربه افراد در کار کردن کنار این سیستم‌ها، چارچوب مناسبی را برای این مدل‌ها ایجاد می‌کنند.
به طور کلی می‌توان گفت که سیستم‌های هوش مصنوعی عاملی معمولا برای انجام دادن وظایف ویژه و کمک کردن به کاربران طراحی شده‌اند. می‌توانید آنها را به عنوان کمک‌کنندگان مجازی در نظر بگیرید که دقیقا دستور شما را انجام می‌دهند.