ما از RPA فاصله زیادی گرفته ایم: چگونه عوامل هوش مصنوعی انقلابی در اتوماسیون ایجاد می کنند

در سال گذشته، رقابت برای خودکارسازی تشدید شده است و عوامل هوش مصنوعی به ،وان بهترین تغییر دهنده بازی برای بهره وری سازم، ظاهر شده اند. در حالی که ابزارهای هوش مصنوعی مولد در سه سال گذشته پیشرفت های چشمگیری داشته اند - به ،وان دستیاران ارزشمند در جریان های کاری سازم، عمل می کنند - اکنون کانون توجه به سمت عوامل هوش مصنوعی تغییر کرده است که قادر به تفکر، عمل و همکاری مستقل هستند. برای شرکت هایی که آماده استقبال از موج بعدی اتوماسیون هوشمند هستند، درک جهش از چت بات ها به برنامه های کاربردی نسل افزوده بازیابی (RAG) به هوش مصنوعی چند عاملی مستقل بسیار مهم است. همانطور که گارتنر در یک نظرسنجی اخیر اشاره کرد33 درصد از برنامه های نرم افزاری سازم، تا سال 2028 شامل هوش مصنوعی عاملی خواهند شد که این رقم در سال 2024 کمتر از 1 درصد بود.

همانطور که اندرو نگ، بنیانگذار Google Brain به درستی بیان کرد: "مجموعه وظایفی که هوش مصنوعی می تواند انجام دهد به دلیل گردش کار عاملی به طور چشمگیری گسترش می یابد." این یک تغییر پارادایم در نحوه نگرش سازمان ها به پتانسیل اتوماسیون است، که فراتر از فرآیندهای از پیش تعریف شده به جریان های کاری پویا و هوشمند حرکت می کند.

محدودیت های اتوماسیون سنتی

علیرغم وعده آنها، ابزارهای اتوماسیون سنتی به دلیل استحکام و هزینه های پیاده سازی بالا محدود می شوند. در طول دهه گذشته، پلتفرم های اتوماسیون فرآیند رباتیک (RPA) مانند UiPath و اتوماسیون در هر کجا با جریان های کاری فاقد فرآیندهای واضح یا تکیه بر داده های بدون ساختار دست و پنجه نرم کرده اند. این ابزارها اقدامات انسان را تقلید می کنند، اما اغلب منجر به سیستم های شکننده می شوند که به مداخله پرهزینه فروشنده در هنگام تغییر فرآیندها نیاز دارند.

ابزارهای نسل فعلی هوش مصنوعی، مانند ChatGPT و Claude، دارای قابلیت های استدلال و تولید محتوا پیشرفته هستند، اما از اجرای مستقل کوتاهی می کنند. وابستگی آن ها به ورودی های انس، برای جریان های کاری پیچیده باعث ایجاد تنگناها، محدود ، افزایش بهره وری و مقیاس پذیری می شود.

ظهور عوامل هوش مصنوعی عمودی

با تکامل ا،یستم هوش مصنوعی، تغییر قابل توجهی به سمت عوامل هوش مصنوعی عمودی رخ می دهد - سیستم های هوش مصنوعی بسیار تخصصی که برای صنایع خاص یا موارد استفاده طراحی شده اند. همانطور که بیل گیتس بنیانگذار مایکروسافت در یک پست اخیر وبلاگ: «نمایندگان باهوش تر هستند. آنها فعال هستند - قادر به ارائه پیشنهادات قبل از درخواست شما هستند. آنها وظایف را در سراسر برنامه ها انجام می دهند. آنها با گذشت زمان بهبود می یابند زیرا فعالیت های شما را به یاد می آورند و قصد و ال،ای رفتار شما را تشخیص می دهند. "

برخلاف مدل های سنتی نرم افزار به ،وان سرویس (SaaS)، عوامل هوش مصنوعی عمودی بیش از بهینه سازی گردش های کاری موجود انجام می دهند. آنها به طور کامل آنها را دوباره تصور می کنند و امکانات جدیدی را به زندگی می بخشند. در اینجا چیزی است که عامل های هوش مصنوعی عمودی را به چیز بزرگ بعدی در اتوماسیون سازم، تبدیل می کند:

• حذف سربار عملیاتی: عوامل هوش مصنوعی عمودی جریان های کاری را به صورت مستقل اجرا می کنند و نیاز به تیم های عملیاتی را از بین می برند. این فقط اتوماسیون نیست. این یک جایگزین کامل برای دخالت انسان در این حوزه ها است.
• باز ، امکانات جدید: برخلاف SaaS که فرآیندهای موجود را بهینه می کند، هوش مصنوعی عمودی اساساً جریان های کاری را دوباره تصور می کند. این رویکرد قابلیت های کاملاً جدیدی را به ارمغان می آورد که قبلاً وجود نداشتند، و فرصت هایی را برای موارد استفاده نوآورانه ایجاد می کند که نحوه عملکرد ،ب وکارها را دوباره تعریف می کند.
• ایجاد مزیت های رقابتی قوی: توانایی عوامل هوش مصنوعی برای انطباق در زمان واقعی، آنها را در محیط های با تغییر سریع امروزی بسیار مرتبط می کند. انطباق با مقررات، مانند HIPAA، SOX، GDPR، CCPA و مقررات جدید و آتی هوش مصنوعی می تواند به این عوامل کمک کند تا در بازارهای پرمخاطب اعتماد ایجاد کنند. علاوه بر این، داده های اختصاصی متن، با صنایع خاص می تواند خندق های قوی و قابل دفاع و مزیت های رقابتی ایجاد کند.

تکامل از RPA به هوش مصنوعی چند عاملی

عمیق ترین تغییر در چشم انداز اتوماسیون، گذار از RPA به سیستم های هوش مصنوعی چند عاملی است که قادر به تصمیم گیری و همکاری مستقل هستند. طبق نظرسنجی اخیر گارتنر، این تغییر باعث می شود تا 2028 15٪ از تصمیمات کاری روزانه به طور مستقل گرفته شود. این عوامل از ابزارهای ساده به همکاران واقعی تبدیل می شوند و جریان کار و سیستم های سازم، را تغییر می دهند. این تخیل مجدد در سطوح مختلف اتفاق می افتد:

• سیستم های ثبت: عوامل هوش مصنوعی مانند Otter AI و ارتباط هوش مصنوعی ادغام منابع داده های متنوع برای ایجاد سیستم های ثبت چندوجهی. این عوامل با استفاده از پایگاه های داده برداری مانند Pinecone، داده های ساختار نیافته مانند متن، تصاویر و صدا را تجزیه و تحلیل می کنند و سازمان ها را قادر می سازند تا بینش های عملی را از داده های سیلو شده به طور یکپارچه است،اج کنند.
• گردش کار: سیستم های چند عاملی با ت،یم وظایف پیچیده به اجزای قابل مدیریت، گردش های کاری سرتاسر را خودکار می کنند. به ،وان مثال: استارتاپ ها دوست دارند شناخت گردش کار توسعه نرم افزار را خودکار کنید، کدنویسی، آزمایش و استقرار را ساده کنید، در حالی که Observe.AI با تفویض وظایف به من، ترین نماینده و تشدید در صورت ،وم، به سؤالات مشتری رسیدگی می کند.
  • مطالعه موردی در دنیای واقعی: در الف مصاحبه اخیرلیندا یائو از Lenovo گفت: «با کمک عوامل هوش مصنوعی ما به پشتیب، از خدمات مشتری، ما شاهد افزایش بهره وری دو رقمی در زمان رسیدگی به تماس هستیم. و ما شاهد دستاوردهای باورن،ی در جاهای دیگر نیز هستیم. ما متوجه شدیم که تیم های بازاریابی، برای مثال، زمان لازم برای ایجاد یک کتاب عالی را تا 90 درصد کاهش می دهند و همچنین در هزینه های آژانس صرفه جویی می کنند.
• معماری ها و ابزارهای توسعه دهنده دوباره تصور شده است: مدیریت عوامل هوش مصنوعی نیازمند تغییر الگو در ابزارسازی است. پلتفرم هایی مانند AI Agent Studio از Automation Anywhere توسعه دهندگان را قادر می سازد تا عواملی را با ویژگی های انطباق داخلی و قابلیت مشاهده طراحی و نظارت کنند. این ابزارها نرده های محافظ، مدیریت حافظه و قابلیت های اشکال زدایی را فراهم می کنند و از عملکرد ایمن عوامل در محیط های سازم، اطمینان می دهند.
• همکار، که دوباره به تصویر کشیده شده اند: عوامل هوش مصنوعی فراتر از ابزار هستند - آنها در حال تبدیل شدن به همکاران مش، هستند. برای مثال، Sierra از هوش مصنوعی برای خودکارسازی سناریوهای پیچیده پشتیب، مشتری استفاده می کند و کارمندان را آزاد می کند تا روی ابتکارات استراتژیک تمرکز کنند. استارت آپ هایی مانند هوش مصنوعی Yurts فرآیندهای تصمیم گیری را در بین تیم ها بهینه می کنند و همکاری انسان و عامل را تقویت می کنند. به گفته مک کینزی60 تا 70 درصد از ساعات کار در اقتصاد جه، امروز از نظر تئوری می تواند با استفاده از طیف گسترده ای از قابلیت های فناوری موجود، از جمله هوش مصنوعی ژنراتور، خودکار شود.

چشم انداز آینده: از آنجایی که عوامل حافظه بهتر، قابلیت های ار،تراسیون پیشرفته و استدلال پیشرفته به دست می آورند، آنها به طور یکپارچه جریان های کاری پیچیده را با کمترین مداخله انس، مدیریت می کنند و اتوماسیون سازم، را دوباره تعریف می کنند.

دقت و ملاحظات اقتصادی ضروری است

همانطور که عوامل هوش مصنوعی از انجام وظایف به مدیریت گردش کار و کل مشاغل پیشرفت می کنند، با چالش دقت مرکب روبرو می شوند. هر مرحله اضافی خطاهای بالقوه را معرفی می کند و عملکرد کلی را چند برابر و کاهش می دهد. جفری هینتون، یکی از چهره های برجسته در یادگیری عمیق، هشدار می دهد: «ما نباید از تفکر ماشینی هراس داشته باشیم. ما باید از ماشین هایی که بدون فکر عمل می کنند بترسیم.» این نیاز حیاتی به چارچوب های ارزیابی قوی برای اطمینان از دقت بالا در فرآیندهای خودکار را برجسته می کند.

نمونه موردی: یک عامل هوش مصنوعی با دقت 85 درصد در اجرای یک کار تنها به 72 درصد دقت کلی هنگام انجام دو کار (85/0×85/0) دست می یابد. همانطور که وظایف در جریان کار و مشاغل ،یب می شوند، دقت بیشتر کاهش می یابد. این منجر به یک سوال مهم می شود: آیا استقرار یک راه حل AI که تنها 72٪ در تولید درست است قابل قبول است؟ چه اتفاقی می افتد وقتی با اضافه شدن وظایف بیشتر، دقت کاهش می یابد؟

پرداختن به چالش دقت

بهینه سازی برنامه های کاربردی هوش مصنوعی برای رسیدن به دقت 90 تا 100 درصد ضروری است. شرکت ها نمی توانند راه حل های زیربنایی را بپردازند. برای دستیابی به دقت بالا، سازمان ها باید در موارد زیر سرمایه گذاری کنند:

• چارچوب های ارزیابی قوی: معیارهای موفقیت واضح را تعریف کنید و آزمایشات کامل را با داده های واقعی و مصنوعی انجام دهید.
• نظارت مستمر و حلقه های بازخورد: عملکرد هوش مصنوعی را در تولید نظارت کنید و از بازخورد کاربر برای بهبود استفاده کنید.
• ابزارهای بهینه سازی خودکار: از ابزارهایی استفاده کنید که عوامل هوش مصنوعی را بدون اتکا به تنظیمات دستی به طور خودکار بهینه می کنند.

بدون ارزیابی قوی، قابلیت مشاهده و بازخورد، عوامل هوش مصنوعی در معرض خطر عملکرد ضعیف و عقب افتادن از رقبای، هستند که این جنبه ها را در اولویت قرار می دهند.

درس هایی که تا الان آموخته ایم

همانطور که سازمان ها نقشه راه هوش مصنوعی خود را به روز می کنند، چندین درس ظاهر شده است:

• چابک باشید: تکامل سریع هوش مصنوعی نقشه های راه بلند مدت را چالش برانگیز می کند. استراتژی ها و سیستم ها باید برای کاهش اتکای بیش از حد به هر مدلی سازگار باشند.
• روی مشاهده پذیری و ارزیابی تمرکز کنید: معیارهای موفقیت را مشخص کنید. منظور از دقت مورد استفاده خود را تعیین کنید و آستانه های قابل قبول برای استقرار را شناسایی کنید.
• کاهش هزینه ها را پیش بینی کنید: پیش بینی می شود هزینه های استقرار هوش مصنوعی به میزان قابل توجهی کاهش یابد. مطالعه اخیر توسط a16Z دریافتند که هزینه استنتاج LLM طی سه سال به میزان 1000 کاهش یافته است. هزینه هر سال 10 برابر کاهش می یابد. برنامه ریزی برای این کاهش درها را به روی پروژه های بلندپروازانه ای باز می کند که قبلاً هزینه زیادی نداشتند.
• سریع آزمایش و تکرار کنید: یک ذهنیت مبتنی بر هوش مصنوعی را اتخاذ کنید. اجرای فرآیندهایی برای آزمایش سریع، بازخورد و تکرار، با هدف چرخه های انتشار مکرر.

نتیجه گیری

عوامل هوش مصنوعی به ،وان همکاران ما اینجا هستند. از RAG عامل تا سیستم های کاملاً مستقل، این عوامل آماده هستند تا عملیات سازم، را دوباره تعریف کنند. سازمان هایی که این تغییر پارادایم را پذیرفته اند، کارایی و نوآوری بی نظیر را باز می کنند. اکنون زمان اقدام است. آیا آماده هستید که این اتهام را به آینده هدایت کنید؟

روهان شارما یکی از بنیانگذاران و مدیر عامل شرکت است Zenolabs.AI.