بازار هوش مصنوعی سازمانی در حال حاضر با یک شوک بزرگ روبرو است. در دو سال گذشته، تصمیمگیرندگان با دموی عوامل خودمختار که پرواز رزرو میکنند، کد مینویسند و دادهها را تجزیه و تحلیل میکنند، بمباران شدهاند. با این حال، واقعیت زمینی بسیار متفاوت است. در حالی که آزمایش در بالاترین حد خود قرار دارد، استقرار عوامل قابل اعتماد و خودمختار در محیط عملیاتی همچنان چالشبرانگیز است.
مطالعه اخیر پروژه ناندا MIT نشان داد که تقریباً 95 درصد از پروژههای هوش مصنوعی نتوانستهاند ارزش نهایی را ارائه دهند. آنها در هنگام انتقال از محیط آزمایشگاهی به دنیای واقعی با موانعی روبرو میشوند و اغلب تحت تأثیر موارد خاص، توهمات یا خرابیهای یکپارچهسازی قرار میگیرند.
آنتونیو گولی، مهندس ارشد در گوگل و مدیر دفتر مهندسی دفتر CTO، استدلال میکند که صنعت دچار یک سوءتفاهم اساسی در مورد ماهیت عوامل شده است. آنها عوامل را به عنوان جعبههای جادویی و نه سیستمهای نرمافزاری پیچیده در نظر گرفتهاند. گولی در مصاحبهای با VentureBeat گفت: "مهندسی هوش مصنوعی، به ویژه با مدلهای بزرگ و عوامل، واقعاً تفاوتی با هر شکل دیگری از مهندسی، مانند نرمافزار یا مهندسی عمران ندارد." برای ساختن چیزی ماندگار، نمیتوانید صرفاً آخرین مدل یا چارچوب را دنبال کنید.
گولی استدلال میکند که راه حل "دره ناامیدی" یک مدل هوشمندتر نیست، بلکه یک معماری بهتر است. کتاب اخیر او، "الگوهای طراحی عامل"، استانداردهای معماری تکرارپذیر و دقیق را ارائه میدهد که "عاملهای اسباببازی" را به ابزارهای سازمانی قابل اعتماد تبدیل میکنند. این کتاب ادای احترام به "الگوهای طراحی" اصلی (یکی از کتابهای مورد علاقه من در زمینه مهندسی نرمافزار) است که در دهه 1990 نظم را به برنامهنویسی شیءگرا آورد.
گولی 21 الگو اساسی را معرفی میکند که به عنوان بلوکهای ساختمانی سیستمهای عامل قابل اعتماد عمل میکنند. این ساختارهای مهندسی عملی هستند که نحوه تفکر، به خاطر سپردن و عمل کردن یک عامل را تعیین میکنند. گولی گفت: "البته، داشتن آخرین مدل مهم است، اما باید یک قدم به عقب برگردید و به اصول اساسی که سیستمهای هوش مصنوعی را هدایت میکنند، فکر کنید." این الگوها، پایه و اساس مهندسی هستند که کیفیت راه حل را بهبود میبخشند.
پنج الگوی "میوه رسیده" که بیشترین تأثیر فوری را دارند: بازتاب، مسیریابی، ارتباط، نردهها و حافظه. مهمترین تغییر در طراحی عامل، انتقال از رباتهای ساده "تحریک-پاسخ" به سیستمهایی است که قادر به بازتاب هستند. یک LLM استاندارد سعی میکند بلافاصله به یک پرس و جو پاسخ دهد که اغلب منجر به توهم میشود. یک عامل بازتابدهنده، با تقلید از استدلال انسانی، یک برنامه ایجاد میکند، آن را اجرا میکند و سپس قبل از ارائه آن به کاربر، خروجی خود را نقد میکند. این حلقه بازخورد داخلی اغلب تفاوت بین یک پاسخ نادرست و یک پاسخ صحیح است.
مشاهده مطلب اصلی