عامل‌های هوش مصنوعی در برابر دستیارهای هوش مصنوعی

برای درک بهتر عامل های هوش مصنوعی( هوش مصنوعی عامل‌محور ) و تمایز آن با دستیار های هوش مصنوعی، تصور کنید که شما یک ستارهٔ سینما یا فوتبالیست مشهور هستید. احتمالاً یک مدیر برنامه (agent) و یک دستیار (assistant) دارید.
دستیار شما بر اساس درخواست‌هایتان وظایفی را برایتان انجام می‌دهد. ممکن است برای شام رزرو انجام دهد، لباس‌های خشک‌شویی را تحویل بگیرد، نامه‌های طرفداران را مرتب کند و به حفظ و مدیریت برنامهٔ زمانی‌تان کمک کند.
اما مدیر برنامهٔ شما متفاوت است. او شبانه‌روز از تخصص خود استفاده می‌کند تا فرصت‌ها و درآمد شما را به حداکثر برساند. او می‌تواند بر اساس درخواست‌های شما عمل کند — مثلاً محصولی که دوست دارید تبلیغش کنید — اما برای ادامهٔ انجام وظیفه‌اش به درخواست شما نیاز ندارد. در واقع، مدیر برنامهٔ شما احتمالاً به روش‌هایی از شما حمایت می‌کند که حتی نمی‌دانید باید آن‌ها را درخواست کنید.
تفاوت اصلی میان یک دستیار هوش مصنوعی (AI assistant) و یک عامل هوش مصنوعی (AI agent) نیز مشابه همین است.
دستیارهای هوش مصنوعی واکنشی (reactive) هستند و وظایف را در پاسخ به درخواست شما انجام می‌دهند.
عامل‌های هوش مصنوعی کنشگر و پیش‌فعال (proactive) هستند و به‌صورت خودمختار برای دستیابی به یک هدف مشخص، با استفاده از هر ابزاری که در اختیار دارند، عمل می‌کنند.
دستیارها و عامل‌ها در کنار هم عملکرد افراد برجسته را ارتقا می‌دهند و آن‌ها را به ستاره تبدیل می‌کنند یا در جایگاه ستاره نگه می‌دارند. به همین شکل، دستیارهای هوش مصنوعی و عامل‌های هوش مصنوعی می‌توانند با انجام وظایف ساده و پیچیده، کارکنان و کسب‌وکارها را توانمندتر و بهتر کنند.

 

دستیارهای هوش مصنوعی: در انتظار دستورهای شما

یک دستیار هوش مصنوعی، یک برنامهٔ هوشمند است که فرمان‌های زبان طبیعی را درک می‌کند و از یک رابط هوش مصنوعی مکالمه‌ای (conversational AI interface) برای انجام وظایف کاربر استفاده می‌کند. بسیاری از دستیارهای مجازی مدرن، مانند Amazon Alexa و Apple Siri، برای بهبود تعاملات کاربران به این قابلیت‌ها متکی هستند.
نخستین دستیارهای هوش مصنوعی عمدتاً بر دستورالعمل‌های مبتنی بر قانون (rule-based instructions)، پاسخ‌های از پیش برنامه‌ریزی‌شده و وظایف از پیش تعریف‌شده تکیه داشتند. امروزه، دستیارهای هوش مصنوعی تقریباً به‌طور کامل مبتنی بر یادگیری ماشین (ML) یا مدل‌های پایه (foundation models) هستند.

 

نحوهٔ کار دستیارهای هوش مصنوعی

دستیارهای هوش مصنوعی توسط یک مدل پایه ساخته می‌شوند (برای مثال، IBM Granite، مدل‌های Llama متعلق به Meta یا مدل‌های OpenAI).
مدل‌های زبانی بزرگ (LLMs) زیرمجموعه‌ای از مدل‌های پایه هستند که در وظایف مرتبط با متن تخصص دارند.
این مدل‌ها به دستیارها امکان می‌دهند پرسش‌هایی را که انسان‌ها مطرح می‌کنند درک کرده و اطلاعات مرتبط، پیشنهادها یا اقدامات بعدی مناسب را ارائه دهند؛ امری که به سازمان‌ها کمک می‌کند دسترسی به اطلاعات را ساده کنند، وظایف تکراری را خودکار سازند و جریان‌های کاری پیچیده را روان‌تر کنند.
در کسب‌وکارها، دستیارهای هوش مصنوعی همچنین در تحلیل داده‌ها کمک می‌کنند و به کاربران اجازه می‌دهند بینش‌ها و نتایج مفید را به‌صورت کارآمد استخراج کنند.

 

ویژگی‌های کلیدی دستیارهای هوش مصنوعی

• هوش مصنوعی مکالمه‌ای (Conversational AI):
دستیارهای هوش مصنوعی مبتنی بر مدل‌های زبانی بزرگ (LLM) می‌توانند با استفاده از پردازش زبان طبیعی (NLP) از طریق یک رابط چت‌بات با کاربران ارتباط برقرار کنند. نمونه‌هایی از چت‌بات‌های هوش مصنوعی شامل Microsoft Copilot، OpenAI ChatGPT و IBM watsonx Assistant هستند. این دستیارها برای گسترش قابلیت‌های خود با APIها یکپارچه می‌شوند.

• پرامپت‌ها (Prompts):
دستیارهای هوش مصنوعی برای شروع به کار به یک مسئلهٔ مشخص یا یک پرس‌وجو نیاز دارند. این دستیارها به ورودی مداوم کاربر احتیاج دارند.

• پیشنهاددهی (Recommendation):
یک دستیار هوش مصنوعی می‌تواند بر اساس داده‌هایی که به آن‌ها دسترسی دارد، اطلاعات یا اقداماتی را پیشنهاد کند. کاربران باید خروجی‌ها را از نظر دقت بررسی کنند.

• تنظیم و شخصی‌سازی (Tuning):
کاربران می‌توانند از طریق تنظیم‌کردن (tuning)، مدل‌های هوش مصنوعی را با وظایف خاص‌تر سازگار کنند؛ بدون اینکه نیازی به آموزش مجدد مدل باشد.
در روش تنظیم دقیق (fine-tuning)، کاربران نمونه‌های برچسب‌گذاری‌شده‌ای را به مدل می‌دهند تا آن را برای وظیفهٔ هدف سفارشی‌سازی کنند.
در روش تنظیم پرامپت (prompt-tuning)، متخصصان زمینه‌ای مخصوصِ وظیفه را در اختیار مدل قرار می‌دهند.

 

محدودیت‌های دستیارهای هوش مصنوعی

دستیارهای هوش مصنوعی چندین محدودیت دارند:

• آن‌ها برای اقدام‌کردن به پرامپت‌های مشخص نیاز دارند.
اگرچه دستیارهای هوش مصنوعی می‌توانند برای انجام وظایف از ابزارها استفاده کنند، اما توانایی‌های آن‌ها به عملکردهای از پیش تعریف‌شده‌ای محدود است که برای رسیدگی به آن‌ها تجهیز و آموزش داده شده‌اند.
برای مثال، یک دستیار هوش مصنوعی می‌تواند از یک صفحه‌گسترده (spreadsheet) برای ایجاد جدولی جهت مقایسهٔ «x در برابر y» استفاده کند، اما نمی‌تواند بدون یک پرامپت مشخص، به‌صورت مستقل تصمیم بگیرد که چنین مقایسه‌ای را ایجاد کند.

• آن‌ها الزاماً حافظهٔ پایدار (persistent memory) ندارند.
دستیارهای هوش مصنوعی را می‌توان متناسب با نیازهای کاربر تنظیم کرد، اما ذاتاً اطلاعات تعاملات قبلی کاربر را حفظ نمی‌کنند.
مدل‌های هوش مصنوعی‌ای که این دستیارها را پشتیبانی می‌کنند، بر اساس استفادهٔ کاربران به‌طور مداوم یاد نمی‌گیرند یا تکامل پیدا نمی‌کنند؛ بلکه بهبودها تنها زمانی رخ می‌دهد که توسعه‌دهندگان نسخه‌های به‌روزشده‌ای را منتشر کنند.
با این حال، برخی دستیارهای هوش مصنوعی می‌توانند با ذخیرهٔ جزئیات مرتبط در «پنجرهٔ زمینه» (context window) یا با استفاده از قابلیتی به نام «حافظه» (memory)، اطلاعات منتخب را به خاطر آورده و پاسخ‌های آینده را بهبود دهند.

 

عامل‌های هوش مصنوعی: پیش‌قدم شدن در عمل

به نقل از Elvis Presley:
«کمی کمتر حرف بزنید، لطفاً کمی بیشتر عمل کنید.»
اینجاست که عامل‌های هوش مصنوعی وارد می‌شوند.
عامل هوش مصنوعی (AI agent) به یک سیستم یا برنامه گفته می‌شود که می‌تواند به‌صورت خودمختار، از طرف کاربران یا یک سیستم دیگر، وظایف را انجام دهد؛ آن هم با طراحی جریان کاری (workflow) مخصوص به خود و با استفاده از ابزارهای موجود.
عامل‌های هوش مصنوعی که از دستیارهای هوش مصنوعی خودمختارتر، متصل‌تر و پیشرفته‌تر هستند، می‌توانند دامنهٔ گسترده‌ای از عملکردها فراتر از پردازش زبان طبیعی (NLP) را در بر بگیرند. این عملکردها شامل تصمیم‌گیری، حل مسئله، تعامل با محیط‌های خارجی و اجرای اقدامات می‌شود.

 

نحوهٔ کار عامل‌های هوش مصنوعی

در حالی که دستیارهای هوش مصنوعی برای هر اقدام به پرامپت کاربر نیاز دارند، عامل‌های هوش مصنوعی می‌توانند پس از یک پرامپت آغازین (kickoff prompt) به‌طور مستقل عمل کنند.
آن‌ها اهداف تعیین‌شده را ارزیابی می‌کنند، وظایف را به زیر‌وظایف تقسیم می‌کنند و برای دستیابی به اهداف مشخص، جریان‌های کاری مخصوص خود را توسعه می‌دهند.
این عامل‌ها در کاربردهای مختلف سازمانی به کار گرفته می‌شوند؛ از طراحی نرم‌افزار و خودکارسازی فناوری اطلاعات (IT automation) گرفته تا ابزارهای تولید کد و دستیارهای مکالمه‌ای.
عامل‌های هوش مصنوعی با استفاده از قابلیت‌های پیشرفتهٔ پردازش زبان طبیعیِ مدل‌های زبانی بزرگ (LLMs)، ورودی‌های کاربران را مرحله‌به‌مرحله درک می‌کنند، اقدامات خود را برنامه‌ریزی می‌کنند و تشخیص می‌دهند چه زمانی باید از ابزارهای خارجی استفاده کنند.

 

ویژگی‌های کلیدی عامل‌های هوش مصنوعی

• خودمختاری بیشتر (Greater autonomy):
پس از یک پرامپت اولیه، عامل‌های هوش مصنوعی می‌توانند بدون نیاز به ورودی بیشتر به کار خود ادامه دهند و نیاز به مداخلهٔ انسانی در هر مرحله را کاهش دهند.
برخلاف دستیارها که اقداماتی را برای تأیید به کاربران پیشنهاد می‌کنند، عامل‌های هوش مصنوعی از خودمختاری چندجزئی (multicomponent autonomy) برای استدلال، تصمیم‌گیری و حل مسئله به‌صورت مستقل و با استفاده از مجموعه‌داده‌ها و ابزارهای خارجی بهره می‌برند.
توانایی آن‌ها در خروج از چارچوب صرفاً مبتنی بر چت، امکان تصمیم‌گیری و یادگیری پیش‌فعالانه را فراهم می‌کند و در نهایت با رسیدگی مستقل به جریان‌های کاری پیچیده، در زمان کارکنان صرفه‌جویی می‌شود.
مدل‌های جدیدتر در حال بهبود توانایی‌های استدلالی هستند تا از این قابلیت پشتیبانی کنند.

• اتصال‌پذیری (Connectivity):
عامل‌های هوش مصنوعی قابلیت‌های مختلف را در یک جریان کاری واحد یکپارچه می‌کنند و گلوگاه‌هایی را که از سیستم‌های جدا از هم ایجاد می‌شوند از میان برمی‌دارند.
آن‌ها با ادغام بی‌وقفه با برنامه‌های خارجی، منابع داده و سایر مدل‌های هوش مصنوعی، بهره‌وری را افزایش داده و اصطکاک میان اجزای مختلف یک فرایند را کاهش می‌دهند.

• تصمیم‌گیری و اقدام (Decision-making and action):
صرف داشتن توانایی استفاده از ابزارها، یک مدل زبانی بزرگ (LLM) را به عامل تبدیل نمی‌کند.
عامل‌های هوش مصنوعی همچنین می‌توانند به‌صورت خودمختار عمل کرده و تصمیم بگیرند که از چه ابزارهایی و در چه زمانی استفاده کنند.
عامل‌های هوش مصنوعی که بر پایهٔ مدل‌های بنیادین (foundation models) ساخته شده‌اند، فراتر از گفت‌وگو عمل می‌کنند تا بر اساس یک هدف مشخص، وظایف را به‌تنهایی انجام دهند و برای دستیابی به اطلاعات و قابلیت‌های بیشتر، فراتر از مدل پایه بروند.
آن‌ها مسائل را تحلیل می‌کنند، آن‌ها را به زیر‌وظایف تقسیم می‌کنند و گام‌های بعدی خود را به‌صورت مستقل برنامه‌ریزی می‌کنند.
این ویژگی باعث می‌شود در رسیدگی به مسائل پیچیده و مبهم مؤثر باشند.
برخی عامل‌ها، مانند Claude متعلق به Anthropic، حتی توانایی استفاده از رایانه را نشان داده‌اند؛ به‌طوری‌که یک مدل زبانی بزرگ می‌تواند برای انجام وظایف، کلیک کند، تایپ کند و با رایانه کار کند.

• حافظهٔ پایدار و یادگیری تطبیقی (Persistent memory and adaptive learning):
در مقایسه با دستیارهای هوش مصنوعی، عامل‌های هوش مصنوعی ظرفیت بیشتری برای یادگیری دارند.
آن‌ها اقدامات، گفت‌وگوها و تجربیات قبلی را ذخیره می‌کنند و این امر به آن‌ها امکان می‌دهد رویکرد خود را در طول زمان بهبود دهند.
عامل‌های هوش مصنوعی با داشتن حافظهٔ پایدار می‌توانند تعاملات گذشته را به خاطر بیاورند تا پاسخ‌های آینده را بهتر کنند، در حالی که یادگیری تطبیقی به آن‌ها اجازه می‌دهد رفتار خود را بر اساس بازخوردها و نتایج تنظیم کنند.
از آنجا که این عامل‌ها با برنامه‌ها و ابزارهای خارجی یکپارچه می‌شوند، می‌توانند بر اساس داده‌های لحظه‌ای عمل کنند و صرفاً به آموزش اولیهٔ خود متکی نباشند.
در طول تعاملات مکرر، آن‌ها کارآمدتر، آگاه‌تر به زمینه (context-aware) و هماهنگ‌تر با نیازهای کاربران می‌شوند.

• زنجیره‌سازی وظایف (Task chaining):
عامل‌های هوش مصنوعی وظایف را به‌صورت جداگانه انجام نمی‌دهند؛ بلکه جریان‌های کاری پیچیده را به مراحل کوچک‌تر و قابل‌مدیریت تقسیم می‌کنند.
این عامل‌ها وابستگی میان وظایف را شناسایی می‌کنند تا اطمینان حاصل شود هر مرحله به‌صورت منطقی به مرحلهٔ بعدی منتهی می‌شود.
این توانایی امکان اجرای ساختاریافته در فرایندهای چندمرحله‌ای را فراهم کرده و خودکارسازی را پویاتر می‌کند.

• کار تیمی (Team play):
عامل‌های هوش مصنوعی اغلب در وظایف خاصی تخصص دارند — ممکن است یکی در راستی‌آزمایی (fact-checking) عالی باشد، در حالی که دیگری در پژوهش عملکرد بهتری داشته باشد.
این عامل‌ها می‌توانند با یکدیگر همکاری کرده و برای مقابله با چالش‌های پیچیده، تیم تشکیل دهند.
IBM در حال حاضر از عامل‌های هوش مصنوعی نوشته‌شده با LangChain پشتیبانی می‌کند و یکپارچه‌سازی با LlamaIndex نیز به‌زودی ارائه خواهد شد.
به‌جای اینکه این فرایند کاملاً وابسته به توسعه‌دهندگان باشد، چارچوب IBM به کاربران اجازه می‌دهد عامل‌های هوش مصنوعی را در محیطی کم‌کدنویسی (low-code) یا بدون کدنویسی (no-code) ایجاد و ویرایش کنند.

 

مزایای عامل‌های هوش مصنوعی و دستیارهای هوش مصنوعی

عامل‌های هوش مصنوعی و دستیارهای هوش مصنوعی مزایای فراوانی ارائه می‌دهند؛ از بهینه‌سازی جریان‌های کاری گرفته تا بهبود تجربهٔ کاربری.

 

راهکارهای مکمل هوش مصنوعی

عامل‌های هوش مصنوعی در انجام خودمختار وظایف خاص یا پیچیده تخصص دارند، در حالی که دستیارهای هوش مصنوعی در درک و تعامل طبیعی با کاربران عملکرد بهتری دارند. آن‌ها در کنار هم، راهکارهای هوش مصنوعی قدرتمندتر و شهودی‌تری ایجاد می‌کنند.

 

بهینه‌سازی جریان‌های کاری و افزایش بهره‌وری

ابزارهای هوش مصنوعی و هوش مصنوعی مولد (gen AI) فرایندها را ساده‌سازی می‌کنند، وظایف روزمره را خودکار می‌سازند و در حل مسئله به انسان‌ها کمک می‌کنند؛ در نتیجه کارایی کلی بهبود می‌یابد.

 

بهبود تجربهٔ کاربری

دستیارهای هوش مصنوعی پشتیبانی تعاملی ارائه می‌دهند، خود را با نیازهای کاربران تطبیق می‌دهند و از بازخوردها و تاریخچهٔ گفت‌وگوها یاد می‌گیرند تا تعاملاتی شخصی‌سازی‌شده‌تر فراهم کنند.

 

عملیات خودمختار و مقیاس‌پذیری

عامل‌های هوش مصنوعی می‌توانند به‌صورت مستقل عمل کنند، چندین وظیفه را به‌طور هم‌زمان مدیریت کنند و بدون مداخلهٔ مستقیم انسان برای رسیدگی به فرایندهای پیچیده مقیاس‌پذیر شوند.

 

بهبود مدیریت وظایف و همکاری

عامل‌های هوش مصنوعی می‌توانند نیازهای کاربران را تفسیر کرده و وظایف را به دستیارهای هوش مصنوعی واگذار کنند.
دستیارها نیز می‌توانند از داده‌های تولیدشده توسط عامل‌ها برای ایجاد خروجی‌های شهودی‌تر استفاده کنند.
این قابلیت‌ها هماهنگی را بهبود می‌بخشند.

 

بهبود ظرفیت یکپارچه‌سازی

با تکامل مدل‌های هوش مصنوعی، آن‌ها می‌توانند اجزای مکالمه‌ای و خودمختار را بهتر یکپارچه کنند؛ در نتیجه انتقال وظایف به‌صورت روان‌تر انجام می‌شود و پاسخ‌هایی باکیفیت‌تر در زمان کمتر ارائه می‌گردد.

 

موارد استفادهٔ دستیارهای هوش مصنوعی و عامل‌های هوش مصنوعی

تجربهٔ مشتری

دستیارهای هوش مصنوعی با ارائهٔ پشتیبانی لحظه‌ای و واقعی از طریق چت، صدا و ایمیل، تجربهٔ مشتری را بهبود می‌دهند.
آن‌ها به پرسش‌های رایج مشتریان پاسخ می‌دهند، کاربران را در استفاده از گزینه‌های سلف‌سرویس راهنمایی می‌کنند و در صورت نیاز، مسائل پیچیده را ارجاع می‌دهند.
این دستیارها با استفاده از پردازش زبان طبیعی (NLP)، تعاملات را شخصی‌سازی می‌کنند، محصولات را پیشنهاد می‌دهند و به مشتریان کمک می‌کنند تراکنش‌ها را سریع‌تر تکمیل کنند.
در دسترس بودن همیشگی آن‌ها رضایت مشتری را افزایش داده و هزینه‌ها را کاهش می‌دهد.
عامل‌های هوش مصنوعی تجربه و پشتیبانی مشتری را یک گام فراتر می‌برند؛ زیرا در زمان واقعی با رفتار کاربران سازگار می‌شوند.
برخلاف دستیارهای هوش مصنوعی که پاسخ‌های اسکریپت‌شده دارند، عامل‌های هوش مصنوعی تعاملات را یاد می‌گیرند و بهبود می‌بخشند؛ چه در شبیه‌سازی مصاحبه‌های شغلی و چه در رسیدگی خودمختار به مسائل پیچیدهٔ پشتیبانی.
آن‌ها در وب‌سایت‌ها، برنامه‌های کاربردی و دستگاه‌های اینترنت اشیا (IoT) فعالیت می‌کنند تا تجربه‌های کاربری روان و بسیار شخصی‌سازی‌شده ایجاد کنند.

 

بانکداری و خدمات مالی

دستیارهای هوش مصنوعی با رسیدگی به استعلام موجودی حساب، هشدارهای تقلب و درخواست‌های وام، پشتیبانی بانکی امن و لحظه‌ای ارائه می‌دهند.
آن‌ها همچنین با تحلیل عادت‌های هزینه‌کرد و ارائهٔ توصیه‌های شخصی‌سازی‌شده برای بودجه‌بندی، به مشتریان در مدیریت امور مالی‌شان کمک می‌کنند.
عامل‌های هوش مصنوعی به‌صورت پیش‌فعال از تقلب جلوگیری می‌کنند؛ آن‌ها تراکنش‌ها را در زمان واقعی پایش می‌کنند، فعالیت‌های مشکوک را تشخیص می‌دهند و تهدیدها را پیش از گسترش متوقف می‌کنند.
برخلاف دستیارهایی که فقط هشدار تقلب ارسال می‌کنند، عامل‌های هوش مصنوعی پروتکل‌های امنیتی را تنظیم می‌کنند، مدل‌های ریسک را بهبود می‌بخشند و با سیستم‌های تشخیص تقلب هماهنگ می‌شوند تا از تهدیدهای نوظهور جلوتر بمانند.
در حوزهٔ معامله‌گری و سرمایه‌گذاری نیز عامل‌های هوش مصنوعی روندهای بازار را تحلیل می‌کنند، معاملات را اجرا می‌کنند و بدون مداخلهٔ انسانی، سبدهای سرمایه‌گذاری را تنظیم می‌کنند.

 

منابع انسانی

دستیارهای هوش مصنوعی با تولید شرح شغل، دسته‌بندی رزومه‌ها و نگارش پیام‌های شخصی‌سازی‌شده، به سازمان‌ها کمک می‌کنند فرایند استخدام را ساده‌سازی کنند.
فراتر از استخدام، آن‌ها در فرایند ورود کارکنان جدید (onboarding) نیز کمک می‌کنند و کارمندان تازه‌وارد را از طریق سیاست‌ها، مزایا و مطالب آموزشی راهنمایی می‌کنند.
عامل‌های هوش مصنوعی خودکارسازی منابع انسانی را یک مرحله فراتر می‌برند و مدیریت و بهینه‌سازی جذب استعداد، مشارکت کارکنان و برنامه‌ریزی نیروی کار را انجام می‌دهند.
آن‌ها نامزدها را غربال می‌کنند، مصاحبه‌ها را زمان‌بندی می‌کنند و با استفاده از داده‌های گذشته، راهبردهای استخدام را بهبود می‌دهند.
در مدیریت عملکرد نیز عامل‌های هوش مصنوعی بازخورد کارکنان را تحلیل می‌کنند، روندها را شناسایی می‌کنند و برنامه‌های آموزشی را پیشنهاد می‌دهند.
آن‌ها همچنین فرایندهای ورود کارکنان، مدیریت مزایا و پیگیری انطباق با مقررات (compliance tracking) را خودکار می‌کنند و عملیات منابع انسانی را داده‌محورتر و کارآمدتر می‌سازند.

 

مراقبت‌های بهداشتی

دستیارهای هوش مصنوعی نقش مهمی در خودکارسازی فرایندهای منابع انسانی (HR) ایفا می‌کنند و به بهبود تجربهٔ بیماران و ساده‌سازی وظایف اداری کمک می‌کنند.
آن‌ها در زمان واقعی به پرسش‌های بیماران پاسخ می‌دهند، در زمان‌بندی قرار ملاقات‌ها، امور صورتحساب و تمدید نسخه‌ها کمک می‌کنند و دسترسی سلف‌سرویس به سوابق پزشکی را فراهم می‌سازند.
دستیارهای هوش مصنوعی همچنین با خلاصه‌سازی سوابق بیماران و علامت‌گذاری موارد فوری، به پزشکان کمک می‌کنند.
علاوه بر این، آن‌ها در سازمان‌دهی مستندات نیز کمک می‌کنند تا قالب‌بندی اسناد یکدست باقی بماند و دسترسی به آن‌ها آسان‌تر شود.
عامل‌های هوش مصنوعی از تصمیم‌گیری پزشکی در محیط‌های پیچیده پشتیبانی می‌کنند.
در بخش‌های اورژانس، سیستم‌های چندعامله (multi-agent systems) به اولویت‌بندی بیماران کمک می‌کنند و اولویت‌ها را بر اساس داده‌های لحظه‌ای حسگرها تنظیم می‌کنند.
عامل‌های هوش مصنوعی همچنین مدیریت تأمین دارو را بهینه می‌کنند، کمبودها را پیش‌بینی می‌کنند و برنامه‌های درمانی را بر اساس پاسخ بیماران تنظیم می‌کنند.

 

ریسک‌های عامل‌های هوش مصنوعی و دستیارهای هوش مصنوعی

فناوری‌های مبتنی بر هوش مصنوعی دارای ریسک‌ها و محدودیت‌هایی هستند که باید در نظر گرفته شوند.
مدل‌های زبانی بزرگ (LLMs) شکننده (brittle) هستند؛ به این معنا که حتی کوچک‌ترین تغییر در پرامپت می‌تواند باعث ایجاد ساختارهای نامعتبر، بار اطلاعاتی نادرست (incorrect payload) یا توهم‌زایی (hallucination) شود.
این موضوع به این معناست که عامل‌های هوش مصنوعی و دستیارهای هوش مصنوعی ممکن است شکست بخورند؛ برای مثال اگر مدل بنیادین زیربنایی دچار توهم‌زایی شود یا از کار بیفتد.
به‌ویژه در مورد عامل‌های هوش مصنوعی، هنوز در مراحل ابتدایی قرار داریم.
اگر آن‌ها در ایجاد برنامه‌های جامع دچار مشکل شوند یا در بازاندیشی دربارهٔ یافته‌های خود شکست بخورند، ممکن است در حلقه‌های بازخورد بی‌پایان گرفتار شوند.
و از آنجا که عامل‌های هوش مصنوعی محیط‌ها و ابزارهای خارجی را نیز در نظر می‌گیرند، باید با تغییرات آن ابزارها سازگار شوند.
در طول زمان، این تغییرات ممکن است باعث از کار افتادن ساختار عامل شوند.
در مقابل، دستیارهای هوش مصنوعی را می‌توان در بیشتر موارد به‌طور قابل‌اعتماد استفاده کرد؛ زیرا از ابزارهای خارجی استفاده نمی‌کنند.
برای وظایف دشوارتر، عامل‌های هوش مصنوعی به آموزش بسیار زیادی نیاز دارند و حتی در این صورت نیز ممکن است زمان زیادی برای تکمیل کارها صرف کنند.
علاوه بر این، آن‌ها اغلب می‌توانند پرهزینه باشند.
مدل‌های بنیادین امروزی هنوز به اندازهٔ کافی هوشمند نیستند که بتوانند به‌طور قابل‌اعتماد به‌عنوان عامل عمل کنند، اما پیشرفت در توانایی استدلال مدل‌ها این وضعیت را بهبود خواهد داد.
بنابراین، ما هنوز در آغاز مسیر شناخت و مشاهدهٔ توانایی‌های عامل‌های هوش مصنوعی هستیم.
آیندهٔ هوش مصنوعی ممکن است شاهد گسترش کاربردهای خودهدایت‌شوندهٔ فناوری هوش مصنوعی باشد.
اما در این مرحله از توسعه، مداخلهٔ انسانی همچنان اغلب برای ارائهٔ راهنمایی یا تغییر مسیر ضروری است.
عامل‌محور بودن هوش مصنوعی (Agentic AI) چیست؟
هوش مصنوعی عامل‌محور (Agentic AI) یک سیستم هوش مصنوعی است که می‌تواند با نظارت محدود، به یک هدف مشخص دست یابد.
این سیستم از عامل‌های هوش مصنوعی (AI agents) تشکیل شده است — مدل‌های یادگیری ماشینی که برای حل مسائل در زمان واقعی، تصمیم‌گیری انسانی را شبیه‌سازی می‌کنند.
در یک سیستم چندعامله (multiagent system)، هر عامل یک زیر‌وظیفهٔ مشخص را که برای رسیدن به هدف لازم است انجام می‌دهد و تلاش‌های آن‌ها از طریق هماهنگ‌سازی هوش مصنوعی (AI orchestration) مدیریت می‌شود.
برخلاف مدل‌های سنتی هوش مصنوعی که در چارچوب محدودیت‌های از پیش تعریف‌شده عمل می‌کنند و به مداخلهٔ انسانی نیاز دارند، هوش مصنوعی عامل‌محور دارای خودمختاری، رفتار هدف‌محور و سازگاری‌پذیری است.
اصطلاح «agentic» به عاملیت (agency) این مدل‌ها اشاره دارد؛ یعنی توانایی آن‌ها برای عمل‌کردن مستقل و هدفمند.

 

مزایای هوش مصنوعی عامل‌محور چیست؟

سیستم‌های عامل‌محور در مقایسه با نسل‌های پیشینِ مولد (generative) مزایای بسیاری دارند؛ نسل‌هایی که به اطلاعات موجود در مجموعه‌داده‌هایی که مدل‌ها بر اساس آن‌ها آموزش دیده‌اند محدود هستند.

 

خودمختار (Autonomous)

مهم‌ترین پیشرفت سیستم‌های عامل‌محور این است که امکان خودمختاری برای انجام وظایف را بدون نظارت مداوم انسان فراهم می‌کنند.
سیستم‌های عامل‌محور می‌توانند اهداف بلندمدت را حفظ کنند، وظایف حل مسئلهٔ چندمرحله‌ای را مدیریت کنند و پیشرفت را در طول زمان دنبال کنند.

 

پیش‌فعال (Proactive)

سیستم‌های عامل‌محور انعطاف‌پذیری مدل‌های زبانی بزرگ (LLMs) — که می‌توانند بر اساس درکی ظریف و وابسته به زمینه، پاسخ‌ها یا اقدامات تولید کنند — را با ویژگی‌های ساختاریافته، قطعی (deterministic) و قابل‌اعتماد برنامه‌نویسی سنتی ترکیب می‌کنند.
این رویکرد به عامل‌ها اجازه می‌دهد به شیوه‌ای انسانی‌تر «فکر کنند» و «عمل کنند».
مدل‌های زبانی بزرگ به‌تنهایی نمی‌توانند مستقیماً با ابزارها یا پایگاه‌های دادهٔ خارجی تعامل داشته باشند یا سیستم‌هایی برای پایش و جمع‌آوری داده‌ها در زمان واقعی ایجاد کنند، اما عامل‌ها می‌توانند.
عامل‌ها می‌توانند در وب جست‌وجو کنند، رابط‌های برنامه‌نویسی کاربردی (APIs) را فراخوانی کنند و پایگاه‌های داده را پرس‌وجو کنند؛ سپس از این اطلاعات برای تصمیم‌گیری و اقدام استفاده کنند.

 

تخصص‌محور (Specialized)

عامل‌ها می‌توانند در وظایف خاص تخصص پیدا کنند.
برخی عامل‌ها ساده هستند و یک وظیفهٔ تکراری را به‌صورت قابل‌اعتماد انجام می‌دهند. برخی دیگر می‌توانند از ادراک (perception) استفاده کرده و با بهره‌گیری از حافظه، مسائل پیچیده‌تر را حل کنند.
یک معماری عامل‌محور ممکن است از یک مدل «رهبر ارکستر» (conductor) تشکیل شده باشد که توسط یک مدل زبانی بزرگ قدرت گرفته و بر وظایف و تصمیم‌ها نظارت می‌کند و عامل‌های ساده‌تر دیگر را هدایت می‌کند.
چنین معماری‌هایی برای جریان‌های کاری ترتیبی (sequential workflows) ایده‌آل هستند، اما در برابر گلوگاه‌ها آسیب‌پذیرند.
برخی معماری‌های دیگر افقی‌تر هستند؛ در آن‌ها عامل‌ها به‌صورت غیرمتمرکز و برابر با یکدیگر همکاری می‌کنند، اما این معماری ممکن است نسبت به سلسله‌مراتب عمودی کندتر باشد.
کاربردهای مختلف هوش مصنوعی به معماری‌های متفاوتی نیاز دارند.

 

سازگارپذیر (Adaptable)

عامل‌ها می‌توانند از تجربه‌های خود یاد بگیرند، بازخورد دریافت کنند و رفتارشان را تنظیم کنند.
در صورت وجود چارچوب‌ها و محدودیت‌های مناسب (guardrails)، سیستم‌های عامل‌محور می‌توانند به‌طور مداوم بهبود یابند.
سیستم‌های چندعامله مقیاس‌پذیری لازم را دارند تا در نهایت ابتکارها و پروژه‌های گسترده را مدیریت کنند.

 

شهودی (Intuitive)

از آنجا که سیستم‌های عامل‌محور توسط مدل‌های زبانی بزرگ (LLMs) پشتیبانی می‌شوند، کاربران می‌توانند با استفاده از پرامپت‌های زبان طبیعی با آن‌ها تعامل داشته باشند.
این یعنی رابط‌های کامل نرم‌افزاری — مانند تب‌ها، منوهای کشویی، نمودارها، اسلایدرها، پنجره‌های بازشو و دیگر عناصر رابط کاربری که در یک پلتفرم SaaS وجود دارند — می‌توانند با فرمان‌های سادهٔ متنی یا صوتی جایگزین شوند.
از نظر تئوری، هر تجربهٔ کاربری نرم‌افزار اکنون می‌تواند به «صحبت‌کردن» با یک عامل تقلیل یابد؛ عاملی که می‌تواند اطلاعات موردنیاز را بازیابی کرده و بر اساس آن اطلاعات اقدام کند.
وقتی زمانی را در نظر بگیریم که کارکنان برای یادگیری و تسلط بر رابط‌ها و ابزارهای جدید صرف می‌کنند، اهمیت این مزیت بهره‌وری را نمی‌توان بیش از حد بزرگ‌نمایی کرد.

 

هوش مصنوعی عامل‌محور چگونه کار می‌کند؟

ابزارهای هوش مصنوعی عامل‌محور می‌توانند شکل‌های گوناگونی داشته باشند و چارچوب‌های مختلف برای مسائل متفاوت مناسب‌تر هستند؛ اما به‌طور کلی، سیستم‌های عامل‌محور برای انجام عملیات خود مراحل زیر را طی می‌کنند.

ادراک (Perception)
هوش مصنوعی عامل‌محور با جمع‌آوری داده‌ها از محیط خود از طریق حسگرها، APIها، پایگاه‌های داده یا تعاملات کاربران آغاز می‌شود.
این مرحله تضمین می‌کند که سیستم اطلاعات به‌روز برای تحلیل و اقدام در اختیار دارد.

استدلال (Reasoning)
پس از جمع‌آوری داده‌ها، هوش مصنوعی آن‌ها را پردازش می‌کند تا بینش‌های معنادار استخراج کند.
با استفاده از پردازش زبان طبیعی (NLP)، بینایی رایانه‌ای (computer vision) یا دیگر قابلیت‌های هوش مصنوعی، سیستم پرسش‌های کاربران را تفسیر می‌کند، الگوها را تشخیص می‌دهد و زمینهٔ گسترده‌تر را درک می‌کند.
این توانایی به هوش مصنوعی کمک می‌کند تا بر اساس موقعیت موجود، تصمیم بگیرد چه اقداماتی باید انجام شود.

تعیین هدف (Goal setting)
هوش مصنوعی اهدافی را بر اساس هدف‌های از پیش تعریف‌شده یا ورودی‌های کاربر تعیین می‌کند.
سپس برای دستیابی به این اهداف، یک راهبرد طراحی می‌کند؛ اغلب با استفاده از درخت‌های تصمیم (decision trees)، یادگیری تقویتی (reinforcement learning) یا دیگر الگوریتم‌های برنامه‌ریزی.

تصمیم‌گیری (Decision-making)
هوش مصنوعی چندین اقدام ممکن را ارزیابی می‌کند و بر اساس عواملی مانند کارایی، دقت و نتایج پیش‌بینی‌شده، بهترین گزینه را انتخاب می‌کند.
این سیستم ممکن است از مدل‌های احتمالاتی (probabilistic models)، توابع مطلوبیت (utility functions) یا استدلال مبتنی بر یادگیری ماشین برای تعیین بهترین مسیر اقدام استفاده کند.

اجرا (Execution)
پس از انتخاب یک اقدام، هوش مصنوعی آن را اجرا می‌کند؛ یا از طریق تعامل با سیستم‌های خارجی (APIها، داده‌ها، ربات‌ها) یا از طریق ارائهٔ پاسخ به کاربران.

یادگیری و سازگاری (Learning and adaptation)
پس از اجرای یک اقدام، هوش مصنوعی نتیجه را ارزیابی کرده و بازخورد جمع‌آوری می‌کند تا تصمیم‌های آینده را بهبود دهد.
از طریق یادگیری تقویتی (reinforcement learning) یا یادگیری خودنظارتی (self-supervised learning)، هوش مصنوعی به‌مرور زمان راهبردهای خود را اصلاح می‌کند و در انجام وظایف مشابه در آینده مؤثرتر می‌شود.

هماهنگ‌سازی (Orchestration)
هماهنگ‌سازی هوش مصنوعی (AI orchestration) به هماهنگی و مدیریت سیستم‌ها و عامل‌ها گفته می‌شود.
پلتفرم‌های هماهنگ‌سازی، جریان‌های کاری هوش مصنوعی را خودکار می‌کنند، پیشرفت انجام وظایف را دنبال می‌کنند، مصرف منابع را مدیریت می‌کنند، جریان داده و حافظه را پایش می‌کنند و رویدادهای خرابی را مدیریت می‌کنند.
با معماری مناسب، از نظر تئوری ده‌ها، صدها یا حتی هزاران عامل می‌توانند با بهره‌وری هماهنگ در کنار یکدیگر کار کنند.

 

نمونه‌هایی از هوش مصنوعی عامل‌محور

راهکارهای هوش مصنوعی عامل‌محور را می‌توان تقریباً در هر مورد استفادهٔ هوش مصنوعی و در هر اکوسیستم واقعی به کار گرفت.
عامل‌ها می‌توانند در جریان‌های کاری پیچیده ادغام شوند تا فرایندهای کسب‌وکار را به‌صورت خودمختار انجام دهند.
• یک ربات معامله‌گر مبتنی بر هوش مصنوعی می‌تواند قیمت‌های لحظه‌ای سهام و شاخص‌های اقتصادی را تحلیل کند تا تحلیل پیش‌بینانه (predictive analytics) انجام داده و معاملات را اجرا کند.
• در خودروهای خودران، منابع دادهٔ لحظه‌ای مانند GPS و داده‌های حسگرها می‌توانند ناوبری و ایمنی را بهبود دهند.
• در حوزهٔ سلامت، عامل‌ها می‌توانند داده‌های بیماران را پایش کنند، توصیه‌های درمانی را بر اساس نتایج جدید آزمایش‌ها تنظیم کنند و از طریق چت‌بات‌ها بازخورد لحظه‌ای به پزشکان ارائه دهند.
• در امنیت سایبری، عامل‌ها می‌توانند به‌طور مداوم ترافیک شبکه، گزارش‌های سیستمی و رفتار کاربران را برای یافتن ناهنجاری‌هایی که ممکن است نشان‌دهندهٔ آسیب‌پذیری در برابر بدافزار، حملات فیشینگ یا تلاش‌های دسترسی غیرمجاز باشند، پایش کنند.
• هوش مصنوعی می‌تواند مدیریت زنجیرهٔ تأمین را از طریق خودکارسازی و بهینه‌سازی فرایندها ساده‌سازی کند؛ برای مثال به‌صورت خودمختار سفارش‌هایی را برای تأمین‌کنندگان ثبت کند یا برنامه‌های تولید را تنظیم کند تا سطح موجودی در حالت بهینه باقی بماند.

 

چالش‌های سیستم‌های هوش مصنوعی عامل‌محور

سیستم‌های هوش مصنوعی عامل‌محور ظرفیت بسیار بزرگی برای سازمان‌ها و شرکت‌ها دارند.
خودمختاری مهم‌ترین مزیت آن‌هاست، اما همین ماهیت خودمختار می‌تواند در صورتی که سیستم‌های عامل‌محور «از مسیر خارج شوند»، پیامدهای جدی ایجاد کند.
ریسک‌های معمول هوش مصنوعی در اینجا نیز وجود دارند، اما در سیستم‌های عامل‌محور می‌توانند تشدید شوند.
بسیاری از سیستم‌های هوش مصنوعی عامل‌محور از یادگیری تقویتی استفاده می‌کنند؛ روشی که شامل بیشینه‌سازی یک تابع پاداش (reward function) است.
اگر سیستم پاداش به‌درستی طراحی نشده باشد، ممکن است هوش مصنوعی از شکاف‌ها و روزنه‌ها سوءاستفاده کند تا به روش‌هایی ناخواسته «امتیاز بالا» کسب کند.
چند نمونه را در نظر بگیرید:
• عاملی که وظیفهٔ بیشینه‌سازی تعامل در شبکه‌های اجتماعی را دارد و محتوای هیجان‌انگیز یا گمراه‌کننده را در اولویت قرار می‌دهد و ناخواسته اطلاعات نادرست را گسترش می‌دهد.
• ربات انباری که برای سرعت بهینه‌سازی شده و برای حرکت سریع‌تر به کالاها آسیب می‌زند.
• هوش مصنوعی معامله‌گر مالی که برای بیشینه‌سازی سود طراحی شده و وارد معاملات پرریسک یا غیراخلاقی می‌شود و بی‌ثباتی بازار را ایجاد می‌کند.
• هوش مصنوعی نظارت بر محتوا که برای کاهش گفتار آسیب‌زا طراحی شده اما گفت‌وگوهای مشروع و قانونی را بیش از حد سانسور می‌کند.
برخی سیستم‌های هوش مصنوعی عامل‌محور می‌توانند خودتقویت‌شونده (self-reinforcing) شوند و رفتارها را در مسیری ناخواسته تشدید کنند.
این مشکل زمانی رخ می‌دهد که هوش مصنوعی بدون وجود محافظ‌ها و محدودیت‌های مناسب، بیش از حد برای یک معیار خاص بهینه‌سازی کند.
و از آنجا که سیستم‌های عامل‌محور اغلب از چندین عامل خودمختار تشکیل شده‌اند که با هم کار می‌کنند، احتمال بروز خطا وجود دارد.
ترافیک، گلوگاه‌ها، تعارض منابع — همهٔ این خطاها می‌توانند به‌صورت زنجیره‌ای گسترش پیدا کنند.
مهم است که مدل‌ها اهدافی واضح و قابل‌اندازه‌گیری داشته باشند و حلقه‌های بازخورد (feedback loops) نیز وجود داشته باشد تا مدل‌ها به‌مرور زمان بیشتر با نیت و اهداف سازمان هماهنگ شوند.

 

پرسش‌های متداول دربارهٔ هوش مصنوعی عامل‌محور

تفاوت هوش مصنوعی عامل‌محور و هوش مصنوعی مولد چیست؟

هوش مصنوعی عامل‌محور بر پایهٔ تکنیک‌های هوش مصنوعی مولد (gen AI) ساخته می‌شود و از مدل‌های زبانی بزرگ (LLMs) برای عملکرد در محیط‌های پویا استفاده می‌کند.
در حالی که مدل‌های مولد بر تولید محتوا بر اساس الگوهای آموخته‌شده تمرکز دارند، هوش مصنوعی عامل‌محور این قابلیت را گسترش می‌دهد و خروجی‌های مولد را برای دستیابی به اهداف مشخص به کار می‌گیرد.
برای مثال، یک مدل هوش مصنوعی مولد مانند OpenAI ChatGPT ممکن است متن، تصویر یا کد تولید کند؛ اما یک سیستم هوش مصنوعی عامل‌محور می‌تواند از همان محتوای تولیدشده برای انجام خودمختار وظایف پیچیده با استفاده از ابزارهای خارجی بهره ببرد.
برای نمونه، عامل‌ها نه‌تنها می‌توانند بهترین زمان صعود به کوه اورست را با توجه به برنامهٔ کاری شما پیشنهاد دهند، بلکه می‌توانند برای شما بلیت هواپیما و هتل نیز رزرو کنند.
چگونه بازگشت سرمایه (ROI) هوش مصنوعی عامل‌محور را اندازه‌گیری کنم؟
اندازه‌گیری بازگشت سرمایه (ROI) در پروژه‌های عامل‌محور نیازمند چارچوبی است که هزینه‌های کلی توسعه و پیاده‌سازی را با مزایایی مانند افزایش بهره‌وری و رشد درآمد مقایسه کند.
این کار می‌تواند دشوار باشد، زیرا مزایا اغلب غیرمستقیم، انتزاعی هستند و ممکن است در کوتاه‌مدت آشکار نشوند.

 

اگر یک عامل هوش مصنوعی گیر کند چه اتفاقی می‌افتد؟

این موضوع به نوع عامل بستگی دارد، اما رفع مشکل یک عامل هوش مصنوعی که گیر کرده معمولاً شامل متوقف‌کردن فرایند متوقف‌شده، پاک‌کردن حافظه یا زمینهٔ (context) عامل و اصلاح دستورهای پرامپت برای کمک به عامل در جلوگیری از گیر افتادن در حلقه‌های منطقی است.

 

چگونه عامل‌های هوش مصنوعی را در نرم‌افزار موجود خود ادغام کنم؟

این فرایند مستلزم شناسایی جریان‌های کاری تکراریِ مشخصی است که برای خودکارسازی مناسب هستند، ایجاد اتصال‌های امن API و آغاز یک برنامهٔ آزمایشی با چارچوب‌های عامل هوش مصنوعی.
هویت منحصربه‌فرد عامل که توسط پلتفرم‌هایی مانند IBM Verify ارائه می‌شود، در کاهش ریسک‌های امنیتی ناشی از ادغام مفید است.

 

آیا می‌توان اطمینان حاصل کرد که هوش مصنوعی عامل‌محور شفاف است؟

دستیابی به شفافیت کامل در هوش مصنوعی عامل‌محور دشوار است، زیرا نحوهٔ عملکرد مدل‌ها بسیار پیچیده است؛ اما معمولاً سطحی از شفافیت به‌عنوان یک الزام معماری برای استقرار ایمن و مؤثر در محیط‌های سازمانی در نظر گرفته می‌شود.
نشست فناوری IBM با تمرکز بر Agent Ops و هوش مصنوعی مسئولانه (Responsible AI)، چالش‌های عملیاتی، ریسک و حاکمیتی ناشی از عامل‌های هوش مصنوعی را بررسی کرده است.

 

هوش مصنوعی عامل‌محور: ۴ دلیل که چرا این فناوری، پدیدهٔ بزرگ بعدی در پژوهش‌های هوش مصنوعی است

در چند سال اخیر، هوش مصنوعی مولد یا gen AI موضوع داغ جدید میان متخصصان فناوری بوده است، اما اخیراً اصطلاح جدیدی وارد جوامع توسعهٔ هوش مصنوعی شده است.
«عامل‌محور» (Agentic) جدیدترین واژهٔ پرطرفدار در هوش مصنوعی است و در این مورد، باور به این هیاهو منطقی به نظر می‌رسد.
هوش مصنوعی عامل‌محور، تطبیق‌پذیری و انعطاف‌پذیری مدل‌های زبانی بزرگ (LLMs) را با دقت برنامه‌نویسی سنتی ترکیب می‌کند.
هوش مصنوعی عامل‌محور به سیستم یا برنامه‌ای اشاره دارد که قادر است با طراحی جریان کاری خود و استفاده از ابزارهای موجود، به‌طور خودمختار از طرف یک کاربر یا سیستم دیگر وظایفی را انجام دهد.
این سیستم دارای «عاملیت» (agency) برای تصمیم‌گیری، اقدام، حل مسائل پیچیده و تعامل با محیط‌های خارجی فراتر از داده‌هایی است که مدل‌های یادگیری ماشین (ML) آن بر اساس آن‌ها آموزش دیده‌اند.
عامل‌های هوش مصنوعی نه‌تنها از پایگاه‌های داده و شبکه‌ها استفاده می‌کنند، بلکه می‌توانند از رفتار کاربران نیز یاد بگیرند و در طول زمان بهبود یابند.
سازگاری‌پذیری عامل‌ها به آن‌ها اجازه می‌دهد برنامه‌های پیچیده و چندمرحله‌ای هوش مصنوعی را مدیریت کنند؛ برنامه‌هایی که هوش مصنوعی سنتی قادر به انجام آن‌ها نیست. این ویژگی عامل‌ها را به بخشی کلیدی از راهبرد خودکارسازی فرایندها در سازمان‌های مدرن تبدیل می‌کند.
اگر از یک چت‌بات عمومی مبتنی بر مدل زبانی بزرگ مانند OpenAI ChatGPT بپرسید چه دستگاه بستنی‌سازی بخرید، قابلیت‌های پردازش زبان طبیعی (NLP) آن به مدل امکان می‌دهد بر اساس داده‌های آموزشی خود پیشنهادهایی ارائه دهد؛ داده‌هایی که احتمالاً شامل اطلاعات جمع‌آوری‌شده از اینترنت هستند.
اما شما توصیه‌ای عمومی و متعلق به گذشته نمی‌خواهید؛ بلکه به توصیه‌ای نیاز دارید که اطلاعات لحظه‌ای را در نظر بگیرد.
یک پلتفرم هوش مصنوعی عامل‌محور از یک مدل زبانی بزرگ تشکیل شده است که رفتار چندین عامل را هماهنگ می‌کند؛ عامل‌هایی که می‌توانند در برنامه‌های مختلف به کار گرفته شوند.
این عامل‌ها ممکن است مدل‌های هوش مصنوعی دیگر باشند یا ابزارهای جست‌وجوی ساده‌ای که بتوانند به‌سرعت اطلاعات را در یک پایگاه دانش یا اینترنت جست‌وجو کنند.
برای ادامهٔ مثال قبلی، تصور کنید یک مدل زبانی بزرگ مانند GPT علاوه بر این‌ها به داده‌های تجارت الکترونیک در زمان واقعی و اطلاعات پرداخت شما نیز دسترسی داشته باشد.
چنین پلتفرم هوش مصنوعی عامل‌محوری نه‌تنها می‌تواند به شما بگوید مردم یک دستگاه بستنی‌ساز خاص را که در فروش ویژهٔ یک فروشنده قرار دارد دوست دارند، بلکه از نظر تئوری می‌تواند خرید را نیز از طرف شما انجام دهد.
هوش مصنوعی عامل‌محور ما را به کاربردهایی نزدیک‌تر می‌کند که تا همین اواخر آن‌ها را علمی‌تخیلی تصور می‌کردیم؛ جایی که ماشین‌ها می‌توانند وظایف پیچیده شامل جریان‌های کاری پیچیده، تصمیم‌گیری مبتنی بر داده و اقدام عملی را با حداقل مداخلهٔ انسانی انجام دهند.

دلایل خوبی وجود دارد که نشان می‌دهد هیاهوی پیرامون هوش مصنوعی عامل‌محور موجه است. در اینجا ۴ مورد از آن‌ها آمده است:

۱. هم انعطاف‌پذیر و هم دقیق

مدل‌های زبانی بزرگ در پردازش و تولید متن شبیه انسان بسیار توانمند هستند و این موضوع تعامل کاربران با هوش مصنوعی از طریق فرمان‌های زبان طبیعی را آسان‌تر می‌کند.
این ویژگی نیاز به دانش صریح برنامه‌نویسی را کاهش می‌دهد.
مدل‌های زبانی بزرگ می‌توانند بر اساس درک ظریف و وابسته به زمینه، پاسخ‌ها یا اقداماتی تولید کنند؛ قابلیتی که در موقعیت‌هایی مفید است که برنامه‌نویسی سنتی نمی‌تواند تمام حالت‌های مرزی (edge cases) را پوشش دهد.
علاوه بر این، مدل‌های زبانی بزرگ در وظایفی مانند تولید محتوا، تکمیل کد، خلاصه‌سازی و موارد دیگر خلاق هستند.
بازآفرینی این قابلیت مولد با برنامه‌نویسی سنتی مبتنی بر قواعد دشوار است.
در همین حال، برنامه‌نویسی سنتی بسیار ساختاریافته، قطعی (deterministic) و قابل‌اعتماد است و همین ویژگی آن را برای وظایفی که به دقت، تکرارپذیری و قابلیت اعتبارسنجی نیاز دارند ایده‌آل می‌کند.
زبان‌های برنامه‌نویسی سنتی کنترل جزئی و دقیقی بر نحوهٔ اجرای وظایف فراهم می‌کنند و کمک می‌کنند جریان‌های کاری پیچیده، الگوریتم‌ها یا نیازهای خاص سیستم به‌طور صریح تعریف و بهینه شوند.
برنامه‌نویسی سنتی همچنین اغلب برای وظایفی که به عملکرد بالا یا قابلیت‌های منحصربه‌فرد نیاز دارند کارآمدتر است.
سیستم‌های هوش مصنوعی عامل‌محور بهترین ویژگی‌های هر دو دنیا را ارائه می‌دهند: استفاده از مدل‌های زبانی بزرگ برای وظایفی که از انعطاف‌پذیری و پاسخ‌های پویا سود می‌برند، در کنار ترکیب این قابلیت‌های هوش مصنوعی با برنامه‌نویسی سنتی برای قواعد سخت‌گیرانه، منطق و عملکرد.
این رویکرد ترکیبی به هوش مصنوعی اجازه می‌دهد هم شهودی و هم دقیق باشد.
عامل‌ها می‌توانند به‌صورت خودمختار وظایف را انجام دهند و در عین حال خود را با داده‌های جدید یا محیط‌های پویا سازگار کنند؛ چیزی که برای کد ایستا چالش‌برانگیز است.
در عین حال، فرایندهای حیاتی (مانند امنیت یا محاسبات) می‌توانند به الگوریتم‌های سنتی و قطعی متکی باشند.
یک سیستم مبتنی بر هوش مصنوعی عامل‌محور ممکن است شامل عامل‌های بازتابی ساده (simple reflex agents) باشد که یک وظیفهٔ ساده را به‌خوبی و به‌صورت پایدار انجام می‌دهند.
عامل‌های پیچیده‌تر مبتنی بر قواعد می‌توانند از ادراک فعلی استفاده کرده و از حافظه بهره بگیرند؛ این موضوع به آن‌ها اجازه می‌دهد اطلاعات جدید را دریافت و ذخیره کنند و طیف گسترده‌تری از وظایف را انجام دهند.
عامل‌های یادگیرنده نیز می‌توانند داده‌های جدید را جذب کنند، اما از این داده‌ها برای هدایت تصمیم‌های بعدی استفاده می‌کنند و در طول زمان دقت خود را بهبود می‌دهند.
یک پلتفرم قدرتمند هوش مصنوعی عامل‌محور ممکن است شامل ده‌ها یا حتی صدها عامل با قابلیت‌های مختلف باشد که با یکدیگر همکاری می‌کنند.

 

۲. گسترش دامنهٔ دسترسی (Extended reach)

مدل‌های زبانی بزرگ معمولاً بر مجموعه‌داده‌های ایستا آموزش می‌بینند که نمایانگر تصویری از اطلاعات تا یک زمان مشخص هستند.
این مدل‌ها پس از پایان دورهٔ آموزش نمی‌توانند به‌طور فعال به وب رفته و اطلاعات جدید جمع‌آوری کنند.
آن‌ها فقط می‌توانند بر اساس چیزهایی که از قبل «می‌دانند» پاسخ تولید کنند و به‌تنهایی قادر به دسترسی یا به‌روزرسانی داده‌های لحظه‌ای از منابع خارجی نیستند.
مدل‌های زبانی بزرگ همچنین نمی‌توانند مستقیماً با ابزارهای خارجی یا سیستم‌های پردازش داده (مانند صفحه‌گسترده‌ها، پلتفرم‌های ابری یا نرم‌افزارهای تحلیل) تعامل داشته باشند یا به‌طور خودمختار سیستم‌هایی برای پایش و جمع‌آوری مداوم داده‌ها (مانند حسگرهای IoT، فرایندهای کسب‌وکار یا گزارش‌های سیستمی) راه‌اندازی کنند؛ زیرا برای انجام وظایف پیوسته طراحی نشده‌اند.
هوش مصنوعی عامل‌محور می‌تواند برای جست‌وجو در وب، فراخوانی رابط‌های برنامه‌نویسی کاربردی (APIs) یا پرس‌وجو از پایگاه‌های داده طراحی شود.
عامل‌ها می‌توانند اطلاعات لحظه‌ای دریافت کنند، به‌روزرسانی‌ها را بازیابی کنند یا نقاط دادهٔ خاصی را که برای تصمیم‌گیری حیاتی هستند استخراج کنند.
عامل‌ها می‌توانند وظایفی مانند ثبت داده‌ها، پایش لحظه‌ای و تحلیل روندها را آغاز و مدیریت کنند.
آن‌ها می‌توانند به‌صورت پیش‌فعال جریان‌های داده از دستگاه‌های اینترنت اشیا (IoT)، خوراک‌های شبکه‌های اجتماعی یا دیگر سیستم‌ها را دنبال و جمع‌آوری کنند و ورودی‌های تازه‌ای برای مدل‌های زبانی بزرگ فراهم سازند تا تصمیم‌گیری و پاسخ‌های زمینه‌مندتری داشته باشند.
هوش مصنوعی عامل‌محور می‌تواند از حلقه‌های بازخورد استفاده کند؛ به‌طوری‌که فعالانه داده‌های جدید را برای بهبود مدل‌ها یا فرایندهای تصمیم‌گیری خود جست‌وجو کند.
این کار ممکن است شامل پرس‌وجوی دوره‌ای از منابع جدید، جمع‌آوری بازخورد کاربران یا تحلیل نتایج دنیای واقعی برای به‌روزرسانی و بهبود درک یا راهبردها باشد.
به این ترتیب، مدل زبانی بزرگ می‌تواند در طول زمان و از طریق داده‌های غنی‌تر و دائماً در حال تحول، به بهینه‌سازی دست یابد.

 

۳. خودمختار (Autonomous)

با بهره‌گیری از «مغزهای بزرگ» مدل‌های زبانی بزرگ و قابلیت‌های هدفمند عامل‌ها، هوش مصنوعی عامل‌محور می‌تواند به‌صورت مستقل عمل کند و بدون نیاز به نظارت مداوم انسان، وظایف مشخصی را انجام دهد.
این ویژگی امکان عملکرد مداوم در محیط‌هایی را فراهم می‌کند که نظارت انسانی محدود یا غیرضروری است.
سیستم‌های خودمختار می‌توانند اهداف بلندمدت را حفظ کنند، وظایف چندمرحله‌ای را مدیریت کنند و پیشرفت را در طول زمان دنبال کنند.
برای مثال، یک سیستم هوش مصنوعی عامل‌محور می‌تواند مسئول مدیریت یک کمپین بازاریابی شود، به‌طور مداوم عملکرد را پایش کند، راهبردها را تنظیم کند و نتایج را بر اساس بازخوردها بهینه‌سازی کند؛ بدون آنکه در هر مرحله به ورودی انسانی نیاز داشته باشد.
در حوزهٔ سلامت، عامل‌ها می‌توانند داده‌های بیماران را پایش کنند، توصیه‌های درمانی را بر اساس نتایج جدید آزمایش‌ها تنظیم کنند و بازخورد لحظه‌ای به پزشکان ارائه دهند.
در امنیت سایبری، عامل‌ها می‌توانند به‌طور مداوم ترافیک شبکه، گزارش‌های سیستم و رفتار کاربران را برای یافتن ناهنجاری‌هایی که ممکن است نشان‌دهندهٔ تهدیدهای امنیتی بالقوه مانند بدافزار، حملات فیشینگ یا تلاش‌های دسترسی غیرمجاز باشند بررسی کنند.
در زنجیره‌های تأمین، هوش مصنوعی می‌تواند به‌صورت خودمختار سفارش‌هایی را نزد تأمین‌کنندگان ثبت کند یا برنامه‌های تولید را تنظیم کند تا سطح موجودی در حد بهینه حفظ شود.
در منابع انسانی، عامل‌ها می‌توانند نقش و پیشینهٔ استخدام‌شدگان جدید را تحلیل کنند تا مسیرهای آموزشی شخصی‌سازی‌شده برای فرایند ورود (onboarding) ایجاد کنند.
این سیستم می‌تواند محتوا و مطالب آموزشی را بر اساس تجربهٔ قبلی فرد، نیازهای شغلی و سرعت یادگیری او تنظیم کند.

 

۴. شهودی (Intuitive)

می‌توان تصور کرد که بسیاری از وظایف تجاری که امروزه با محصولات نرم‌افزار به‌عنوان سرویس (SaaS) انجام می‌شوند، توسط سیستم‌های عامل‌محور جایگزین یا تقویت شوند؛ سیستم‌هایی که به کارکنان اجازه می‌دهند با استفاده از ورودی‌های زبان طبیعی و رابط‌های کاربری ساده‌تر، با داده‌ها تعامل داشته باشند و وظایف را کارآمدتر انجام دهند.
برای مثال، یک سیستم تیکتینگ را تصور کنید که توسعه‌دهندگان نرم‌افزار برای پیگیری پیشرفت پروژه‌ها از آن استفاده می‌کنند.
چنین سیستمی شامل جدول‌ها، تب‌ها و جریان‌های کاری فراوانی است که در نگاه اول همیشه آسان و قابل‌فهم نیستند.
برای یافتن اطلاعات مفید، کاربران باید به‌دنبال دادهٔ درست بگردند و در میان مجموعه‌ای پیچیده از منوها حرکت کنند تا اطلاعات موردنیازشان را پیدا کنند.
سپس ممکن است لازم باشد از همان اطلاعات برای ساخت یک ارائه (presentation) استفاده کنند.
حال تصور کنید به‌جای نمایش تمام آن داده‌ها در قالب جدول‌ها و تب‌ها، کاربر فقط لازم باشد اطلاعات موردنیاز خود را با زبان طبیعی انسانی درخواست کند.
برای مثال، تصور کنید اسلایدی برای ارائه تولید شود که شامل ۵ نمودار میله‌ای باشد و تعداد تمام تیکت‌های تکمیل‌شده به‌ازای هر کارمند را در ماه جاری، با بازگشت به ۵ سال گذشته، نمایش دهد؛ آن هم بدون نیاز به مرتب‌سازی دستی مجموعه‌داده‌های پیچیده.
ممکن بود جمع‌آوری دستی این داده‌ها نیم ساعت زمان ببرد و نیم ساعت دیگر نیز صرف مرتب‌سازی آن‌ها در قالبی منظم برای یک ارائهٔ حرفه‌ای شود، اما عامل‌ها می‌توانند همهٔ این کارها را در چند ثانیه انجام دهند.
برای سازمان‌هایی که در مشاهدهٔ مزایای هوش مصنوعی مولد (gen AI) مشکل دارند، عامل‌ها ممکن است کلید دستیابی به ارزش تجاری ملموس باشند.
مدل‌های زبانی بزرگِ یکپارچه و عظیم (Monolithic LLMs) چشمگیر هستند، اما در حوزهٔ هوش مصنوعی سازمانی موارد استفادهٔ محدودی دارند.
هنوز مشخص نیست آیا مبالغ هنگفتی که اکنون روی تعداد محدودی از مدل‌های زبانی بسیار بزرگ سرمایه‌گذاری می‌شود، در کاربردهای واقعی بازگشت خواهد داشت یا نه؛ اما هوش مصنوعی عامل‌محور چارچوب امیدوارکننده‌ای ارائه می‌دهد که مدل‌های زبانی بزرگ را وارد دنیای واقعی می‌کند و مسیر را به‌سوی آینده‌ای مبتنی بر هوش مصنوعی‌تر نشان می‌دهد.

 

هوش مصنوعی عامل‌محور در برابر هوش مصنوعی مولد

هوش مصنوعی (AI) در دههٔ گذشته موضوعی محبوب بوده است، اما اخیراً اصطلاحاتی مانند هوش مصنوعی مولد (gen AI) و هوش مصنوعی عامل‌محور (agentic AI) نیز مطرح شده‌اند.
در حالی که هوش مصنوعی سنتی راهی هیجان‌انگیز برای تشخیص الگوها و تحلیل داده‌ها در اختیار کاربران قرار می‌داد، هوش مصنوعی مولد می‌تواند الگوها و محتوای جدیدی مانند متن، تصویر، ویدیو، صدا یا کد نرم‌افزار ایجاد کند.
علاوه بر این، هوش مصنوعی عامل‌محور قابلیت‌های خودمختار را با استفاده از یک اکوسیستم دیجیتال متشکل از مدل‌های زبانی بزرگ (LLMs)، یادگیری ماشین (ML) و پردازش زبان طبیعی (NLP) به سطح بالاتری می‌برد تا از طرف کاربر یا یک سیستم دیگر وظایف خودمختار انجام دهد.
یکی از مدل‌های هوش مصنوعی مولد که توجه زیادی جلب کرده، OpenAI ChatGPT است.
اگرچه این محصول قابلیت‌های خلاقانه‌ای مشابه هوش مصنوعی عامل‌محور ارائه می‌دهد، اما یکسان نیستند.
هوش مصنوعی عامل‌محور بر تصمیم‌گیری تمرکز دارد، نه صرفاً تولید محتوای جدید، و تنها به پرامپت‌های انسانی متکی نیست و به نظارت دائمی انسان نیز نیاز ندارد.
نمونه‌های اولیهٔ هوش مصنوعی عامل‌محور شامل خودروهای خودران، دستیارهای مجازی و کوپایلوت‌هایی با اهداف وظیفه‌محور هستند.
ابزارهای هوش مصنوعی مولد و هوش مصنوعی عامل‌محور مزایای بسیار بزرگی در بهره‌وری برای افراد و سازمان‌ها ایجاد می‌کنند.
مهم است که این دو اصطلاح و نحوهٔ عملکرد هرکدام برای هدایت نوآوری و تصمیم‌گیری از یکدیگر متمایز شوند.

 

تفاوت‌های کلیدی میان هوش مصنوعی عامل‌محور و هوش مصنوعی مولد چیست؟

برای بررسی تفاوت‌های میان هوش مصنوعی عامل‌محور و هوش مصنوعی مولد، ابتدا باید هر دو را تعریف کنیم.
هوش مصنوعی مولد نوعی هوش مصنوعی است که می‌تواند در پاسخ به پرامپت یا درخواست کاربر، محتوای اصیل مانند متن، تصویر، ویدیو، صدا یا کد نرم‌افزار تولید کند.
هوش مصنوعی مولد بر استفاده از مدل‌های یادگیری ماشین موسوم به مدل‌های یادگیری عمیق (deep learning models) متکی است — الگوریتم‌هایی که فرایندهای یادگیری و تصمیم‌گیری مغز انسان را شبیه‌سازی می‌کنند — و همچنین فناوری‌هایی مانند خودکارسازی فرایندهای رباتیک (RPA).
این مدل‌ها با شناسایی و رمزگذاری الگوها و روابط موجود در حجم عظیمی از داده‌ها عمل می‌کنند و سپس از آن اطلاعات برای درک درخواست‌ها یا پرسش‌های زبان طبیعی کاربران استفاده می‌کنند.
پس از آن، این مدل‌ها می‌توانند بر اساس داده‌هایی که بر روی آن‌ها آموزش دیده‌اند، متن، تصویر و دیگر محتواهای باکیفیت را در زمان واقعی تولید کنند.
هوش مصنوعی عامل‌محور به سیستم‌های هوش مصنوعی اشاره دارد که برای تصمیم‌گیری و اقدام خودمختار طراحی شده‌اند و توانایی دنبال‌کردن اهداف پیچیده را با نظارت محدود دارند.
این فناوری ویژگی‌های انعطاف‌پذیر مدل‌های زبانی بزرگ (LLMs) را با دقت برنامه‌نویسی سنتی ترکیب می‌کند.
این نوع هوش مصنوعی برای دستیابی به یک هدف، به‌صورت خودمختار عمل می‌کند و از فناوری‌هایی مانند پردازش زبان طبیعی (NLP)، یادگیری ماشین، یادگیری تقویتی و بازنمایی دانش (knowledge representation) استفاده می‌کند.
این رویکرد، مبتنی بر هوش مصنوعی پیش‌فعال (proactive) است؛ در حالی که هوش مصنوعی مولد نسبت به ورودی کاربر واکنشی (reactive) عمل می‌کند.
هوش مصنوعی عامل‌محور می‌تواند خود را با موقعیت‌های متفاوت یا در حال تغییر سازگار کند و «عاملیت» لازم برای تصمیم‌گیری بر اساس زمینه را دارد.
این فناوری در کاربردهای مختلفی استفاده می‌شود که از عملکرد مستقل سود می‌برند؛ مانند رباتیک، تحلیل‌های پیچیده و دستیارهای مجازی.

 

ویژگی‌های هوش مصنوعی عامل‌محور و هوش مصنوعی مولد

هوش مصنوعی عامل‌محور و هوش مصنوعی مولد اهداف و ویژگی‌های متمایزی دارند که آن‌ها را از یکدیگر متفاوت می‌کند.
ویژگی‌های کلیدی هوش مصنوعی مولد
• تولید محتوا (Content creation):
جایی که هوش مصنوعی مولد بیشترین درخشش را دارد، تولید محتوا است.
مدل‌های هوش مصنوعی می‌توانند محتوای منسجم و دارای زمینه مانند مقاله‌ها و پاسخ به مسائل پیچیده ایجاد کنند.
کاربردهای هوش مصنوعی، مانند OpenAI ChatGPT، می‌توانند در پاسخ به ورودی کاربر پاسخ تولید کنند، فهرست بنویسند و توصیه ارائه دهند.
استفاده از راهکارهای هوش مصنوعی مولد برای تولید کد می‌تواند توسعهٔ نرم‌افزار را ساده‌تر کند و نوشتن کد را برای توسعه‌دهندگان با سطوح مهارتی مختلف آسان‌تر سازد.
• تحلیل داده (Data analysis):
هوش مصنوعی مولد می‌تواند حجم عظیمی از داده‌ها را تحلیل کرده و از این تحلیل برای کشف الگوها و روندها استفاده کند.
مدل‌های هوش مصنوعی مولد می‌توانند جریان‌های کاری پیچیده را ساده‌سازی کنند، به‌ویژه در حوزهٔ زنجیرهٔ تأمین، و تجربهٔ مشتری را بهبود دهند.
• سازگاری‌پذیری (Adaptability):
هوش مصنوعی مولد می‌تواند خروجی‌های خود را بر اساس ورودی‌ای که از کاربر دریافت می‌کند تطبیق دهد.
اگر کاربر بازخورد مشخصی به مدل ارائه دهد، نتیجه به سمت چیزی که کاربر به‌دنبال آن است تغییر می‌کند و خروجی بهبود می‌یابد.
• شخصی‌سازی (Personalization):
فناوری هوش مصنوعی مولد می‌تواند بر اساس ورودی‌های کاربر، توصیه‌ها و تجربه‌های شخصی‌سازی‌شده ارائه دهد.
برای مثال، صنعت خرده‌فروشی به‌واسطهٔ فناوری هوش مصنوعی مولد به سمت تجربه‌های بسیار شخصی‌سازی‌شده برای مشتریان حرکت کرده است؛ زیرا این فناوری به آن‌ها کمک می‌کند تمام جزئیات ترجیحات مشتریان را درک کنند.

 

ویژگی‌های کلیدی هوش مصنوعی عامل‌محور

• تصمیم‌گیری (Decision-making):
به‌دلیل وجود برنامه‌ها و اهداف از پیش تعریف‌شده، این سیستم‌های هوش مصنوعی می‌توانند موقعیت‌ها را ارزیابی کرده و بدون یا با حداقل ورودی انسانی، مسیر پیش‌رو را تعیین کنند.
• حل مسئله (Problem-solving):
هوش مصنوعی عامل‌محور از یک رویکرد چهارمرحله‌ای برای حل مسائل استفاده می‌کند: ادراک، استدلال، اقدام و یادگیری.
این چهار مرحله با جمع‌آوری و پردازش داده‌ها توسط عامل‌های هوش مصنوعی آغاز می‌شوند.
سپس مدل زبانی بزرگ به‌عنوان هماهنگ‌کننده (orchestrator) عمل می‌کند و داده‌های ادراک‌شده را برای درک موقعیت تحلیل می‌کند.
پس از آن، سیستم با ابزارهای خارجی یکپارچه می‌شود و از طریق بازخوردها به‌طور مداوم بهبود یافته و یاد می‌گیرد.
• خودمختاری (Autonomy):
رفتار خودمختار ویژگی تعریف‌کنندهٔ هوش مصنوعی عامل‌محور است.
توانایی منحصربه‌فرد آن در یادگیری و عملکرد مستقل، این فناوری را به گزینه‌ای امیدوارکننده برای سازمان‌هایی تبدیل می‌کند که به‌دنبال ساده‌سازی جریان‌های کاری و انجام وظایف پیچیده توسط ماشین‌ها با حداقل مداخلهٔ انسانی هستند.
• تعامل‌پذیری (Interactivity):
به‌دلیل ماهیت پیش‌فعال خود، هوش مصنوعی عامل‌محور می‌تواند با محیط بیرونی تعامل داشته باشد و داده جمع‌آوری کند تا در زمان واقعی خود را تنظیم کند.
یکی از نمونه‌ها خودروهای خودران هستند که باید به‌طور مداوم محیط اطراف خود را تحلیل کرده و تصمیم‌های رانندگی ایمن و دقیق بگیرند.
• برنامه‌ریزی (Planning):
مدل‌های هوش مصنوعی عامل‌محور می‌توانند سناریوهای پیچیده را مدیریت کنند و راهبردهای چندمرحله‌ای را برای دستیابی به اهداف مشخص اجرا کنند.

 

هوش مصنوعی عامل‌محور و عامل‌های هوش مصنوعی

مهم است که میان هوش مصنوعی عامل‌محور و عامل‌های هوش مصنوعی تفاوت قائل شویم.
در اصل، هوش مصنوعی عامل‌محور چارچوب (framework) است و عامل‌های هوش مصنوعی اجزای سازندهٔ درون این چارچوب هستند.
هوش مصنوعی عامل‌محور مفهوم گسترده‌ترِ حل مسائل با نظارت محدود است، در حالی که عامل هوش مصنوعی مؤلفه‌ای مشخص در آن سیستم است که برای رسیدگی به وظایف و فرایندها با درجه‌ای از خودمختاری طراحی شده است.
این مدل در حال تغییر شیوهٔ تعامل انسان‌ها با هوش مصنوعی است.
سیستم هوش مصنوعی عامل‌محور می‌تواند هدف یا چشم‌انداز کاربر را درک کند و از اطلاعات ارائه‌شده برای حل مسئله استفاده کند.
برای درک بهتر، یک خانهٔ هوشمند را تصور کنید که در آن هوش مصنوعی عامل‌محور کل سیستم مصرف انرژی را مدیریت و اجرا می‌کند.
این کار با استفاده از داده‌های لحظه‌ای و ترجیحات کاربر برای هماهنگ‌سازی عامل‌های هوش مصنوعی مجزا مانند ترموستات هوشمند، سیستم روشنایی یا حتی لوازم خانگی انجام می‌شود.
این عامل‌ها اهداف و وظایف اختصاصی خود را دارند و در چارچوب هوش مصنوعی عامل‌محور با یکدیگر همکاری می‌کنند تا به اهداف انرژی صاحب خانه دست یابند.

موارد استفاده (Use cases) برای هوش مصنوعی عامل‌محور و هوش مصنوعی مولد

موارد استفادهٔ متعددی برای هوش مصنوعی مولد (generative AI) وجود دارد، اما بسیاری از کاربردهای هوش مصنوعی عامل‌محور (agentic AI) هنوز در مرحلهٔ آزمایشی قرار دارند.
موارد استفادهٔ بالقوه برای هوش مصنوعی عامل‌محور در حوزه‌هایی مانند خدمات مشتری، امنیت سلامت، مدیریت جریان‌های کاری و مدیریت ریسک مالی در حال ظهور هستند.

موارد استفادهٔ هوش مصنوعی مولد (Generative AI use cases)

تولید محتوا برای سئو (SEO Content Creation)
کسب‌وکارها از هوش مصنوعی مولد برای تولید حجم بالایی از محتوای بهینه‌شده برای سئو استفاده می‌کنند؛ مانند وبلاگ‌ها و صفحات فرود (landing pages) که به افزایش ترافیک ارگانیک کمک می‌کنند.
برای مثال، یک آژانس بازاریابی دیجیتال ممکن است از ابزارهای هوش مصنوعی مولد برای ایجاد پست‌های وبلاگ باکیفیت و بهینه‌شده با کلمات کلیدی استفاده کند تا صفحات وب مشتریان در رتبه‌های بالاتری در موتورهای جستجو قرار بگیرند.

بازاریابی و فروش (Marketing and Sales)
تیم‌های فروش انسانی اغلب درگیر کارهای اداری می‌شوند، در حالی که هدف اصلی آن‌ها یافتن و توسعهٔ سرنخ‌های فروش (leads) است.
تیم‌های فروش مدت‌هاست از موارد استفادهٔ هوش مصنوعی مولد بهره می‌برند، مانند چت‌بات‌ها و دستیارهای مجازی.
این فناوری می‌تواند وظایف مشخصی را انجام دهد و به بهینه‌سازی عملکرد تیم فروش کمک کند، از جمله در تولید سرنخ‌ها و ارتباط اولیه با مشتریان.

طراحی و توسعه محصول (Product Design and Development)
قابلیت‌های هوش مصنوعی مولد می‌توانند به سازمان‌ها در ایجاد مفاهیم یا طراحی‌های جدید محصول بر اساس تحقیقات بازار، روندها و ترجیحات کاربران کمک کنند.
این موضوع می‌تواند چرخهٔ توسعه محصول را سریع‌تر کند.
برای مثال، یک شرکت مد ممکن است از هوش مصنوعی مولد برای طراحی یک مجموعه لباس جدید استفاده کند و بر اساس ورودی‌های مصرف‌کنندگان و تحلیل داده‌های بازار، طرح‌های جدید تولید کند.

خودکارسازی پشتیبانی مشتری (Customer Support Automation)
هوش مصنوعی مولد می‌تواند به شرکت‌ها کمک کند تا پاسخ‌های خودکار برای درخواست‌های خدمات مشتری تولید کنند.
این ابزارها می‌توانند پاسخ سؤالات رایج را ایجاد کرده و مشکلات را در زمان واقعی (real-time) حل کنند.
برای مثال، یک کسب‌وکار تجارت الکترونیک می‌تواند از چت‌بات‌های مبتنی بر هوش مصنوعی مولد برای رسیدگی به مواردی مانند وضعیت سفارش، درخواست بازپرداخت و سؤالات مربوط به ارسال استفاده کند.

 

موارد استفادهٔ هوش مصنوعی عامل‌محور (Agentic AI use cases)

خدمات مشتری (Customer Service)
مدل‌های سنتی چت‌بات‌ها به دلیل ماهیت از پیش برنامه‌ریزی‌شده محدودیت داشتند و گاهی نیاز به دخالت انسان داشتند.
اما با عامل‌های خودمختار، سیستم می‌تواند سریع‌تر نیت و حتی احساس مشتری را درک کند و برای حل مشکل اقدام کند.
این سیستم‌های خودمختار می‌توانند یک موقعیت را به‌صورت پیش‌بینانه ارزیابی کرده و تجربهٔ روان‌تری برای مشتری ایجاد کنند.
تجربهٔ مشتری در دنیای امروز اهمیت زیادی دارد، زیرا شرکت‌ها به‌دنبال افزایش حفظ مشتری و وفاداری هستند.
به‌طور مشخص، هوش مصنوعی عامل‌محور می‌تواند وظایف تکراری و خسته‌کننده مانند جمع‌آوری، پاک‌سازی و قالب‌بندی داده‌های سازمانی را خودکار کند.
این سیستم‌ها می‌توانند فشار کاری را از روی کارکنان انسانی بردارند و آن‌ها را برای کارهای مهم‌تر آزاد کنند.

سلامت (Healthcare)
فناوری هوش مصنوعی پیش‌تر در حوزه سلامت برای تشخیص بیماری، مراقبت از بیمار و ساده‌سازی کارهای اداری استفاده شده است.
امنیت سایبری یکی از مهم‌ترین موضوعات در ابزارهای هوش مصنوعی در حوزه سلامت است، زیرا با داده‌های حساس بیماران سروکار دارد.
این نگرانی در مورد ابزارهای عامل‌محور نیز وجود دارد.
یک نمونهٔ کاربردی از شرکت Propeller Health است که در حال ادغام هوش مصنوعی عامل‌محور در فناوری اسپری هوشمند (smart inhaler) خود است.
این دستگاه داده‌های لحظه‌ای از بیمار، مانند میزان مصرف دارو و عوامل محیطی مانند کیفیت هوا را جمع‌آوری می‌کند.
همچنین در صورت نیاز به پزشکان هشدار می‌دهد و الگوهای بیمار را ردیابی می‌کند.

 

مدیریت خودکار جریان‌های کاری (Automated Workflow Management)
هوش مصنوعی عامل‌محور می‌تواند فرایندهای کسب‌وکار را به‌صورت خودمختار مدیریت کند و وظایف پیچیده‌ای مانند سفارش مجدد کالا یا بهینه‌سازی زنجیرهٔ تأمین را انجام دهد.
این سیستم‌ها می‌توانند جریان‌های کاری داخلی را خودکار کنند و بدون دخالت مستقیم انسان، کار را ساده‌تر کنند.
برای مثال، یک شرکت لجستیک ممکن است از یک سیستم عامل‌محور استفاده کند تا مسیرهای حمل‌ونقل و برنامه‌های تحویل را بر اساس شرایط لحظه‌ای ترافیک و اولویت محموله‌ها به‌طور خودکار تنظیم کند.
مقیاس‌پذیری و ظرفیت بالای این فناوری آن را به گزینه‌ای مناسب برای صنعت لجستیک تبدیل می‌کند.

مدیریت ریسک مالی (Financial Risk Management)
هوش مصنوعی عامل‌محور می‌تواند با تحلیل روندهای بازار و داده‌های مالی، تصمیم‌های خودمختار دربارهٔ سرمایه‌گذاری و ریسک اعتباری اتخاذ کند و نتایج را در زمان واقعی بهینه‌سازی کند.
مؤسسات مالی به‌دنبال حفاظت از سرمایه مشتریان و در عین حال اتخاذ تصمیم‌های هوشمندانه برای کسب بازده بالاتر هستند.
هوش مصنوعی عامل‌محور می‌تواند این فرآیند را بهبود دهد، زیرا به‌صورت مستقل عمل می‌کند و استراتژی‌ها را بر اساس رویدادهای اقتصادی، اجتماعی و سیاسی لحظه‌ای تنظیم می‌کند.
برای مثال، یک شرکت فین‌تک ممکن است از عامل‌های هوش مصنوعی برای پایش نوسانات بازار و تنظیم خودکار تخصیص دارایی‌ها (portfolio allocation) استفاده کند.

 

روندهای هوش مصنوعی مولد و عامل‌محور

روندهای هوش مصنوعی مولد (Generative AI Trends)

• برنامه‌های تقویت‌شده با Gen AI:
گرایش به سمت ادغام هوش مصنوعی مولد در نرم‌افزارها و پلتفرم‌های مختلف در حال افزایش است و تجربهٔ کاربری را شخصی‌تر و هوشمندتر می‌کند.
• دادهٔ مصنوعی برای آموزش مدل‌ها:
دادهٔ مصنوعی تولیدشده توسط هوش مصنوعی برای آموزش مدل‌ها در شرایطی استفاده می‌شود که دادهٔ واقعی در دسترس نیست یا هزینهٔ بالایی دارد.
این موضوع در صنایعی مانند رباتیک، خودروهای خودران و مالی به بهبود آموزش مدل‌ها کمک می‌کند.
• فناوری دیپ‌فیک (Deepfake):
هوش مصنوعی مولد می‌تواند تصاویر یا ویدیوهای بسیار واقعی تولید کند که نگرانی‌های اخلاقی دربارهٔ اطلاعات نادرست ایجاد کرده است.
• شخصی‌سازی محتوا:
یکی از روندهای مهم، شخصی‌سازی در خرده‌فروشی است؛ تیم‌های بازاریابی از تحلیل داده‌های هوش مصنوعی برای تطبیق محتوا و کمپین‌ها با ترجیحات فردی استفاده می‌کنند.

 

روندهای هوش مصنوعی عامل‌محور (Agentic AI Trends)

• صنعت خدمات مالی:
هوش مصنوعی عامل‌محور می‌تواند استراتژی‌های معاملاتی را متحول کند، زیرا قادر است داده‌های بازار را تحلیل کرده و معاملات را سریع‌تر اجرا کند.
گسترش دامنهٔ دسترسی این سیستم‌ها مهم است، زیرا می‌توانند وب را جستجو کرده و اطلاعات لحظه‌ای دریافت کنند.
• رباتیک:
انبارهای شرکت‌هایی مانند Amazon از ربات‌ها برای خودکارسازی فرایندهای انبارداری و تولید استفاده می‌کنند.
هوش مصنوعی عامل‌محور می‌تواند وظایف پیچیده را به‌صورت مستقل انجام دهد.
• برنامه‌ریزی شهری:
در شهرسازی، این سیستم‌ها می‌توانند داده‌هایی مانند ترافیک لحظه‌ای و داده‌های حسگرها را تحلیل کنند تا تصمیم‌گیری‌ها بهتر شود.
همچنین می‌توانند تولید اسلایدها و جداول را خودکار کنند و زمان زیادی از تیم‌ها صرفه‌جویی کنند.
• منابع انسانی (HR):
هوش مصنوعی عامل‌محور در HR می‌تواند فراتر از قابلیت‌های Gen AI عمل کند و تصمیم‌گیری خودمختار و پشتیبانی پویا از کارکنان ارائه دهد.
این عامل‌ها می‌توانند کارهای تکراری را خودکار کنند و پاسخ‌های شخصی‌سازی‌شده به کارکنان ارائه دهند و به متخصصان HR اجازه دهند روی وظایف استراتژیک‌تر تمرکز کنند.

منبع IBM

حسین نوریان، مشاور مدیریت استراتژیک با رویکرد تحول دیجیتال

استفاده از این مطالب صرفا با ذکر منبع مجاز می باشد.

مطلب زیر را هم مطالعه فرمایید:

عامل های هوش مصنوعی