چرا هوش مصنوعی عاملگرا مهم است؟
۴ دلیل که چرا هوش مصنوعی عاملگرا پدیده بزرگ بعدی در تحقیقات هوش مصنوعی است!
در چند سال گذشته، هوش مصنوعی مولد یا Gen AI به موضوع داغ و تازهای در میان فعالان حوزه فناوری تبدیل شده است؛ اما اخیراً اصطلاح جدیدی وارد جوامع فعال در توسعه هوش مصنوعی (AI) شده است. «Agentic» جدیدترین واژه پرکاربرد در حوزه هوش مصنوعی است و در این مورد، واقعاً دلایل خوبی برای جدی گرفتن این هیاهو وجود دارد. هوش مصنوعی عاملگرا، انعطافپذیری و تنوع کاربرد مدلهای زبانی بزرگ (LLM) را با دقت برنامهنویسی سنتی ترکیب میکند.
هوش مصنوعی عاملگرا به یک سیستم یا برنامه اشاره دارد که میتواند بهصورت خودمختار، از طرف یک کاربر یا سیستم دیگر وظایفی را انجام دهد؛ به این صورت که گردشکار خود را طراحی کرده و از ابزارهای در دسترس استفاده میکند. این سیستم از نوعی «عاملیت» برخوردار است که به آن امکان میدهد تصمیم بگیرد، اقدام کند، مسائل پیچیده را حل کند و با محیطهای خارجی فراتر از دادههایی که مدلهای یادگیری ماشینی (ML) آن بر اساس آنها آموزش دیدهاند، تعامل داشته باشد.
هوش مصنوعی عاملگرا تنها از پایگاههای داده و شبکهها استفاده نمیکنند، بلکه میتوانند از رفتار کاربران نیز یاد بگیرند و بهمرور زمان عملکرد خود را بهبود دهند. سازگاری ایجنتها به آنها اجازه میدهد کاربردهای پیچیده و چندمرحلهای هوش مصنوعی را مدیریت کنند؛ کاربردهایی که هوش مصنوعی سنتی از عهده آنها برنمیآید. به همین دلیل، ایجنتها به بخش مهمی از استراتژی اتوماسیون فرایند در سازمانهای مدرن تبدیل شدهاند.
اگر از یک چتبات LLM همهمنظوره مانند ChatGPT بپرسید که چه دستگاه بستنیسازیای بخرید، قابلیتهای پردازش زبان طبیعی (NLP) این مدل به آن امکان میدهد بر اساس دادههای آموزشی خود پیشنهادهایی ارائه کند؛ دادههایی که احتمالاً شامل اطلاعات جمعآوریشده از اینترنت نیز هستند. اما شما به توصیهای کلی بر اساس اطلاعات گذشته نیاز ندارید؛ بلکه به توصیهای احتیاج دارید که اطلاعات لحظهای و بهروز را نیز در نظر بگیرد.
یک پلتفرم هوش مصنوعی عاملگرا از یک LLM که رفتار چندین ایجنت را هماهنگ میکند تشکیل شده است؛ ایجنتهایی که میتوانند در کاربردهای مختلف مستقر شوند. این ایجنتها ممکن است خود مدلهای هوش مصنوعی باشند یا ابزارهای جستوجوی سادهای که میتوانند اطلاعات را بهسرعت از یک پایگاه دانش یا اینترنت پیدا کنند. برای ادامه مثال قبل، تصور کنید یک LLM مانند GPT علاوه بر قابلیتهای معمول خود، به دادههای لحظهای تجارت الکترونیک و اطلاعات پرداخت شما نیز دسترسی داشته باشد.
چنین پلتفرم هوش مصنوعی عاملگرایی نهتنها میتواند به شما بگوید که کاربران یک دستگاه بستنیسازی خاص را که در یک فروشگاه مشخص با تخفیف عرضه شده، بسیار میپسندند، بلکه از نظر تئوری میتواند خرید آن را نیز از طرف شما انجام دهد. هوش مصنوعی عاملگرا ما را به کاربردهایی نزدیکتر میکند که تا همین اواخر آنها را متعلق به دنیای علمی-تخیلی میدانستیم؛ جایی که ماشینها میتوانند وظایف پیچیدهای را که شامل گردشکارهای پیچیده، تصمیمگیری مبتنی بر داده و اقدام عملی هستند، با حداقل مداخله انسان انجام دهند.
دلایل خوبی وجود دارد که نشان میدهد هیاهوی پیرامون هوش مصنوعی عاملگرا تا حد زیادی موجه است. در ادامه، ۴ مورد از این دلایل را بررسی میکنیم:
۱. هم انعطافپذیر و هم دقیق
LLMها در پردازش و تولید متون شبیه به زبان انسانی عملکرد بسیار خوبی دارند و همین موضوع تعامل کاربران با هوش مصنوعی از طریق دستورات زبان طبیعی را آسانتر میکند. این قابلیت، نیاز به دانش صریح برنامهنویسی را کاهش میدهد. LLMها میتوانند بر اساس درک ظریف و وابسته به زمینه، پاسخ یا اقدام مناسب را تولید کنند؛ قابلیتی که در موقعیتهایی که برنامهنویسی سنتی نمیتواند تمام حالتهای استثنایی را پوشش دهد، بسیار ارزشمند است. علاوه بر این، LLMها در وظایفی مانند تولید محتوا، تکمیل کد، خلاصهسازی و موارد دیگر خلاقیت بالایی دارند. بازتولید این قابلیت مولد با برنامهنویسی سنتی مبتنی بر قواعد دشوار است.
در مقابل، برنامهنویسی سنتی ساختاریافته، قطعی و قابلاعتماد است و همین ویژگیها آن را برای وظایفی که به دقت، تکرارپذیری و قابلیت راستیآزمایی نیاز دارند، ایدهآل میکند. زبانهای برنامهنویسی سنتی کنترل جزئی و دقیقی بر نحوه اجرای وظایف فراهم میکنند و به این ترتیب اطمینان میدهند که گردشکارهای پیچیده، الگوریتمها یا الزامات خاص سیستم را میتوان بهطور صریح تعریف و بهینه کرد. برنامهنویسی سنتی معمولاً برای وظایفی که به عملکرد بالا یا قابلیتهای منحصربهفرد نیاز دارند، کارآمدتر است.
سیستمهای هوش مصنوعی عاملگرا بهترین ویژگیهای هر دو رویکرد را در اختیار میگذارند: استفاده از LLMها برای انجام وظایفی که از انعطافپذیری و پاسخهای پویا بهره میبرند، در کنار ترکیب این قابلیتهای هوش مصنوعی با برنامهنویسی سنتی برای اعمال قواعد سختگیرانه، منطق مشخص و عملکرد قابلکنترل. این رویکرد ترکیبی باعث میشود هوش مصنوعی هم شهودی و هم دقیق باشد. ایجنتها میتوانند وظایف را بهصورت خودمختار انجام دهند و در عین حال خود را با دادههای جدید یا محیطهای پویا سازگار کنند؛ قابلیتی که برای کدهای ایستا دشوار است. در عین حال، فرایندهای حیاتی مانند امنیت یا محاسبات میتوانند همچنان بر الگوریتمهای سنتی و قطعی متکی باشند.
یک سیستم مجهز به هوش مصنوعی عاملگرا ممکن است شامل ایجنتهای واکنشی سادهای باشد که یک وظیفه مشخص را بهخوبی و بهصورت پایدار انجام میدهند. ایجنتهای پیچیدهتر مبتنی بر قواعد میتوانند از ادراک فعلی خود استفاده کرده و به حافظه متکی باشند؛ در نتیجه میتوانند اطلاعات جدید را دریافت و ذخیره کنند و دامنه وسیعتری از وظایف را انجام دهند. ایجنتهای یادگیرنده نیز میتوانند دادههای جدید را دریافت کنند و از آنها برای تصمیمهای بعدی بهره بگیرند و بهمرور زمان دقت خود را افزایش دهند. یک پلتفرم قدرتمند هوش مصنوعی ایجنتیک ممکن است شامل دهها یا حتی صدها ایجنت با قابلیتهای متفاوت باشد که در کنار یکدیگر فعالیت میکنند.
۲. دامنه دسترسی گستردهتر
LLMها معمولاً بر مجموعههای داده ایستا آموزش میبینند که تصویری از اطلاعات تا یک مقطع زمانی مشخص را ارائه میکنند. LLMها پس از پایان دوره آموزش خود نمیتوانند بهصورت فعال به سراغ وب بروند و اطلاعات جدید جمعآوری کنند. آنها تنها میتوانند بر اساس چیزهایی که از قبل «میدانند» پاسخ تولید کنند. همچنین نمیتوانند بهصورت مستقل به دادههای لحظهای منابع خارجی دسترسی پیدا کنند یا آنها را بهروزرسانی کنند.
LLMها نمیتوانند مستقیماً با ابزارهای خارجی یا سیستمهای پردازش داده مانند صفحات گسترده، پلتفرمهای ابری یا نرمافزارهای تحلیلی تعامل کنند و همچنین نمیتوانند بهصورت خودمختار سیستمهایی را برای پایش و جمعآوری مستمر دادهها، مانند حسگرهای IoT، فرایندهای کسبوکار یا گزارشهای ثبتشده در سیستمها، راهاندازی کنند؛ زیرا اساساً برای انجام وظایف مستمر طراحی نشدهاند.
هوش مصنوعی عاملگرا را میتوان بهگونهای طراحی کرد که وب را جستوجو کند، رابطهای برنامهنویسی کاربردی (API) را فراخوانی کند یا پایگاههای داده را مورد پرسوجو قرار دهد. ایجنتها میتوانند اطلاعات لحظهای را دریافت کنند، بهروزرسانیها را بازیابی کنند یا دادههای مشخصی را استخراج کنند که برای تصمیمگیری حیاتی هستند. ایجنتها میتوانند وظایفی مانند ثبت داده، پایش لحظهای و تحلیل روندها را آغاز و مدیریت کنند. آنها میتوانند بهصورت پیشدستانه جریانهای داده را از دستگاههای IoT، فیدهای شبکههای اجتماعی یا سایر سیستمها ردیابی و جمعآوری کنند و ورودیهای تازهای در اختیار LLMها قرار دهند تا تصمیمگیری و پاسخهای مبتنی بر زمینه دقیقتر شوند.
هوش مصنوعی عاملگرا میتواند از حلقههای بازخورد استفاده کند که در آنها سیستم بهصورت فعال به دنبال دادههای جدید میگردد تا مدلها یا فرایندهای تصمیمگیری خود را اصلاح کند. این فرایند میتواند شامل پرسوجوی دورهای منابع جدید، جمعآوری بازخورد کاربران یا تحلیل نتایج واقعی برای بهروزرسانی و بهبود درک یا راهبردهای سیستم باشد. به این ترتیب، LLM میتواند با تکیه بر دادههایی غنیتر و دائماً در حال تحول، بهینهسازی خود را در طول زمان ادامه دهد.
۳. خودمختار
با بهرهگیری از قدرت LLMها و قابلیتهای هدفمند ایجنتها، هوش مصنوعی عاملگرا میتواند بهصورت مستقل فعالیت کند و وظایف مشخصی را بدون نیاز به نظارت مستمر انسان انجام دهد. این قابلیت امکان فعالیت پیوسته در محیطهایی را فراهم میکند که نظارت انسانی در آنها محدود یا غیرضروری است. سیستمهای خودمختار میتوانند اهداف بلندمدت را حفظ کنند، وظایف چندمرحلهای را مدیریت کنند و پیشرفت خود را در طول زمان ردیابی کنند.
برای مثال، میتوان یک سیستم هوش مصنوعی عاملگرا را مأمور مدیریت یک کمپین بازاریابی کرد تا بهصورت مستمر عملکرد را پایش کند، راهبردها را تغییر دهد و بر اساس بازخورد، نتایج را بهینه کند؛ بدون آنکه لازم باشد انسان در هر مرحله وارد عمل شود.
در حوزه سلامت، ایجنتها میتوانند دادههای بیماران را پایش کنند، بر اساس نتایج آزمایشهای جدید پیشنهادهای درمانی را تغییر دهند و بازخورد لحظهای در اختیار پزشکان و متخصصان بالینی قرار دهند.
در امنیت سایبری، ایجنتها میتوانند بهصورت مستمر ترافیک شبکه، گزارشهای سیستم و رفتار کاربران را برای شناسایی ناهنجاریهایی که ممکن است نشاندهنده تهدیدهای امنیتی بالقوه مانند بدافزار، حملات فیشینگ یا تلاشهای غیرمجاز برای دسترسی باشند، پایش کنند. در زنجیره تأمین نیز هوش مصنوعی میتواند بهصورت خودمختار سفارشها را برای تأمینکنندگان ثبت کند یا برنامههای تولید را تغییر دهد تا سطح موجودی در وضعیت بهینه باقی بماند.
در منابع انسانی، ایجنتها میتوانند نقش سازمانی و سوابق نیروی جدید را تحلیل کنند تا مسیر آموزشی شخصیسازیشدهای برای فرایند ورود و آشنایی او با سازمان ایجاد کنند. سپس سیستم میتواند محتوا و مواد آموزشی را بر اساس تجربه قبلی فرد، الزامات شغلی و سرعت یادگیری او تنظیم کند.
۴. شهودی
میتوان تصور کرد که بسیاری از کارکردهای کسبوکار که در حال حاضر توسط محصولات نرمافزار بهعنوان خدمت (SaaS) انجام میشوند، در آینده با سیستمهای ایجنتیک 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 خود را کارآمدتر انجام دهند.
برای مثال، یک سیستم مدیریت تیکت را تصور کنید که توسعهدهندگان نرمافزار از آن برای پیگیری پیشرفت پروژهها استفاده میکنند. چنین سیستمی به جدولها، زبانهها و گردشکارهای متعددی نیاز دارد که همیشه در نگاه اول بهسادگی قابل درک نیستند. برای پیدا کردن اطلاعات مفید، کاربران باید داده مناسب را پیدا کنند و در میان مجموعه پیچیدهای از منوها حرکت کنند تا به اطلاعات موردنیاز برسند. سپس ممکن است لازم باشد از این اطلاعات برای تهیه یک ارائه استفاده کنند.
اما اگر بهجای نمایش همه این دادهها در جدولها و زبانههای متعدد، کاربر فقط کافی بود اطلاعات موردنیاز خود را با زبان ساده و انسانی درخواست کند، چه میشد؟
برای مثال، تصور کنید بتوانید یک اسلاید ارائه تولید کنید که پنج نمودار میلهای را نمایش دهد و تعداد تمام تیکتهای تکمیلشده به ازای هر کارمند در ماه جاری را، با بازگشت به پنج سال گذشته، نشان دهد؛ آن هم بدون اینکه لازم باشد مجموعه دادههای پیچیده را بهصورت دستی مرتب کنید.
ممکن است استخراج دستی این دادهها نیم ساعت زمان ببرد و نیم ساعت دیگر نیز برای نمایش مرتب آنها در قالبی مناسب برای یک ارائه حرفهای لازم باشد؛ اما ایجنتها میتوانند تمام این فرایند را ظرف چند ثانیه انجام دهند.
برای سازمانهایی که هنوز در تشخیص مزایای Gen AI با مشکل مواجهاند، ایجنتها میتوانند کلید دستیابی به ارزش ملموس کسبوکار باشند. LLMهای یکپارچه و عظیم بسیار چشمگیر هستند، اما در حوزه هوش مصنوعی سازمانی، کاربردهای محدودی دارند. هنوز مشخص نیست که آیا مبالغ هنگفتی که در حال حاضر صرف تعداد محدودی از LLMهای بسیار بزرگ میشود، در کاربردهای واقعی بتواند بازگشت سرمایه داشته باشد یا خیر؛ اما هوش مصنوعی ایجنتیک چارچوبی امیدبخش ارائه میکند که LLMها را به دنیای واقعی میآورد و مسیر را به سوی آیندهای با نقشآفرینی گستردهتر هوش مصنوعی هموار میکند.
نوشته حسین نوریان
با اقتباس از مجموعه مقالات IBM
مطالب زیر را نیز مطالعه نمایید:
