عامل هوش مصنوعی (AI Agent) چیست؟

عامل‌های هوش مصنوعی ابزارهایی هستند که ما برای تعامل با هوش مصنوعی از آن‌ها استفاده می‌کنیم. این عامل‌ها می‌توانند وظایف پیچیده‌ای را خودکارسازی و اجرا کنند، مانند پردازش زبان طبیعی، که در حالت عادی نیازمند دخالت انسان هستند.

یک عامل هوش مصنوعی در واقع یک مؤلفه نرم‌افزاری است که اختیار عمل به‌جای یک کاربر یا یک سیستم را دارد تا وظایفی را انجام دهد. کاربران می‌توانند این عامل‌ها را در قالب سیستم‌هایی سازمان‌دهی کنند که قادر به اجرای گردش‌کارهای پیچیده، هماهنگی بین چندین عامل، به‌کارگیری منطق برای حل مسائل دشوار و ارزیابی پاسخ‌ها به درخواست‌های کاربران هستند.

اگر تا به حال با چت‌بات‌های خدمات مشتری تعامل داشته‌اید یا از یک مدل مولد هوش مصنوعی خواسته‌اید برایتان یک سونات بنویسد، احتمالاً با نسخه‌ی اولیه‌ای از عامل‌های هوش مصنوعی آشنا هستید. و اگر متوجه پیشرفت عملکرد مدل‌های مولد هوش مصنوعی از زمان محبوبیت ChatGPT شده‌اید، اشتباه نکرده‌اید. هرچند نسخه‌هایی از عامل‌های هوش مصنوعی سال‌هاست وجود دارند، اما توانایی‌های پردازش زبان طبیعی مدل‌های مولد کنونی دریچه‌ای به امکانات کاملاً جدید گشوده‌اند، که این امکان را می‌دهد عامل‌ها بتوانند برنامه‌ریزی کنند، با یکدیگر همکاری نمایند، وظایف را انجام دهند و حتی عملکرد خود را بهبود بخشند. با افزایش دقت این عامل‌ها، شرکت‌ها می‌توانند از آن‌ها برای خودکارسازی فرایندهای سازمانی و بهینه‌سازی کارهای روزمره‌ی کارکنان استفاده کنند.

«توسعه‌ی هوش مصنوعی مولد با سرعتی شگفت‌انگیز پیش رفته است»، لاری هما‌لینن، یکی از شرکای ارشد شرکت مک‌کنزی می‌گوید. «امروز خروجی مشترک انسان و ماشین می‌تواند کیفیت بالا و بهره‌وری فوق‌العاده‌ای به همراه داشته باشد.» پیشرفت‌های اخیر در ساختارهای حافظه‌ی کوتاه‌مدت و بلندمدت این امکان را فراهم کرده‌اند که عامل‌ها بتوانند تعاملات شخصی‌سازی‌شده‌تری با کاربران داخلی و خارجی داشته باشند؛ به این معنا که آن‌ها به‌سرعت در انجام وظایفی که به آن‌ها سپرده می‌شود بهتر و بهتر می‌شوند.

با نگاهی به آینده، عملکرد آن‌ها از «تفکر» به «اقدام» در حال تغییر است. در ۱۸ ماه گذشته، گوگل، مایکروسافت، OpenAI و دیگران در کتابخانه‌ها و چارچوب‌های نرم‌افزاری سرمایه‌گذاری کرده‌اند تا عملکرد عامل‌محور را تقویت کنند. با عرضه برنامه‌هایی مانند Microsoft Copilot، Amazon Q و پروژه‌ی آینده‌ی Astra از گوگل — که همگی بر پایه‌ی مدل‌های زبانی بزرگ (LLMs) اجرا می‌شوند — عامل‌ها در حال گذار از ابزارهای صرفاً دانشی به ابزارهایی هستند که مبتنی بر اقدام و عمل‌اند. در آینده‌ای نزدیک، این عامل‌ها ممکن است به اندازه‌ی اپلیکیشن‌های موبایلی امروزی رایج شوند.

انواع مختلف عامل‌های هوش مصنوعی کدام‌اند؟
عامل‌های هوش مصنوعی را می‌توان بر اساس توانایی، نقش، مهارت و نوع خروجی‌ای که برای ارائه‌ی آن آموزش دیده‌اند دسته‌بندی کرد. در اینجا فهرستی ناقص از برخی عامل‌های رایج امروزی آمده است:

• افزایش توانمندی فردی (عامل‌های «کمک‌یار» یا Copilot): این عامل‌ها به عنوان دستیارانی برای کاربران فردی عمل می‌کنند تا بهره‌وری و قابلیت‌های آن‌ها را افزایش دهند. مانند Microsoft 365 Copilot یا ChatGPT که می‌توانند در تهیه‌ی محتوا، نوشتن کد یا بازیابی اطلاعات کمک کنند. برخی از آن‌ها به گونه‌ای طراحی شده‌اند که با جریان کاری خاص هر کاربر سازگار باشند. البته اثربخشی این عامل‌ها بستگی به انگیزه و مشارکت فردی کاربر دارد.
• پلتفرم‌های خودکارسازی گردش‌کار: این نوع عامل‌ها بر خودکارسازی وظایف تک‌مرحله‌ای یا چندمرحله‌ای تمرکز دارند و مانند یک ارکستراتور و مجری فرایندهای موجود عمل می‌کنند. نمونه‌هایی از این نوع شامل Microsoft Copilot Studio و Salesforce Agentforce (در حال توسعه) هستند. موفقیت این عامل‌ها بستگی زیادی به پیاده‌سازی دقیق، مدیریت تغییرات و مدیریت عامل‌ها دارد.
• عامل‌های بومی مولد برای راه‌حل‌های خاص: این عامل‌ها برای حوزه‌های تجاری خاص یا کارکردهای معین طراحی شده‌اند؛ مانند سیستم‌های خدمات مشتری یا زنجیره‌های توسعه‌ی نرم‌افزار که به‌طور کامل بر پایه‌ی هوش مصنوعی مولد طراحی شده‌اند، نه اینکه هوش مصنوعی به فرآیندهای موجود اضافه شود.
• سازمان‌ها و مدل‌های عملیاتی بومی هوش مصنوعی: در این حالت، عامل‌ها در سراسر مدل عملیاتی سازمان تنیده شده‌اند. سازمانی که چنین معماری‌ای را پیاده‌سازی می‌کند، یک بازطراحی کامل مبتنی بر هوش مصنوعی را تجربه خواهد کرد—از لایه‌ی تعامل با کاربر گرفته تا فرایندها، ساختارهای سازمانی و حتی مدل کسب‌وکار.
• کارگران مجازی هوش مصنوعی: این عامل‌ها به‌عنوان اعضای تیم یا کارمندان مجازی عمل می‌کنند و یکی از پرمخاطره‌ترین و تحول‌آفرین‌ترین دسته‌ها هستند. این نوع عامل‌ها می‌توانند بدون نیاز به تحول کلی سازمان، ارزش‌آفرینی سریع‌تری فراهم آورند.

این دسته‌بندی‌ها لزوماً از هم جدا نیستند؛ بسیاری از سازمان‌ها ترکیبی از آن‌ها را به‌کار می‌گیرند—مثلاً استقرار عامل‌های کمک‌یار در کنار خودکارسازی برخی گردش‌کارها و آزمایش کارگران مجازی.

در این نوع معماری، رهبران فناوری به‌جای مدیریت مجموعه‌ای از برنامه‌های سنتی، بر هزاران عامل نظارت خواهند داشت که با یکدیگر، با انسان‌ها و با برنامه‌های خارجی برای دستیابی به یک هدف مشترک تعامل دارند.

در اینجا چند جنبه مهم از این معماری چندعاملی آمده است:

معماری ماژولار. برای اینکه سیستم‌های چندعاملی بتوانند به خوبی کار کنند، معماری باید به گونه‌ای طراحی شود که عوامل بتوانند به‌راحتی اضافه یا جایگزین شوند. این یعنی حرکت به‌سوی سیستم‌هایی با اجزای مستقل، به جای برنامه‌های یکپارچه بزرگ که تغییر در یکی از آن‌ها نیازمند تغییر در کل سیستم است.

پلتفرم‌های عامل‌محور. پلتفرم‌های نوظهور، مانند LangChain و AutoGen، به ایجاد چارچوب‌هایی برای ساخت، مدیریت و هماهنگی عوامل کمک می‌کنند. این پلتفرم‌ها معمولاً ابزارهایی را برای مدیریت حافظه، مدیریت وظایف، و تعامل میان عامل‌ها فراهم می‌کنند.

امنیت و کنترل سراسری. در حالی که عامل‌ها به صورت مستقل عمل می‌کنند، سازمان‌ها باید اطمینان حاصل کنند که هر عامل تحت مجموعه‌ای از سیاست‌ها و کنترل‌های امنیتی عمل می‌کند. این شامل مدیریت سطح دسترسی، ثبت لاگ فعالیت‌ها، و نظارت مداوم بر عملکرد عامل‌هاست.

سیستم‌های بازخورد و بهبود مداوم. عامل‌ها باید بتوانند از بازخوردها یاد بگیرند و عملکرد خود را بهبود دهند. سازمان‌ها می‌توانند ساختارهایی ایجاد کنند که در آن‌ها بازخورد انسانی، بازبینی خودکار و یادگیری تقویتی برای ارتقاء مستمر استفاده شود.

قابلیت همکاری و استانداردسازی. از آنجا که عامل‌ها ممکن است از منابع مختلف و با قابلیت‌های متفاوت باشند، ایجاد استانداردهایی برای تعامل میان آن‌ها و با سیستم‌های موجود ضروری است. این استانداردسازی می‌تواند به شکل APIهای مشترک، فرمت‌های داده‌ای قابل‌خواندن برای همه، و پروتکل‌های تعامل تعریف شود.

به طور کلی، معماری‌های آینده به سمت پویایی، انعطاف‌پذیری و تعامل بیشتر پیش خواهند رفت. در این معماری‌ها، عامل‌های هوش مصنوعی می‌توانند به‌عنوان بخش‌های قابل تعویض و توسعه‌پذیر عمل کنند، که این امر به سازمان‌ها اجازه می‌دهد سریع‌تر به نیازهای بازار پاسخ دهند و بهره‌وری بیشتری از منابع خود داشته باشند.

Credits: "What is an AI agent?", published in QuantumBlack, AI by McKinsey.

Read the full article here: https://www.mckinsey.com/featured-insights/mckinsey-explainers/what-is-an-ai-agent