تکامل از هوش مصنوعی واکنشی به هوش مصنوعی عاملدارقابلیتهای هوش مصنوعی از سه مرحله متمایز عبور کردهاند:
- سیستم های واکنشی که با استفاده از برنامه نویسی مبتنی بر قانون، به ورودی ها با خروجی های از پیش تعریف شده پاسخ میدهند، فاقد حافظه یا سازگاری هستند.
- هوش مصنوعی مولد، محتوا را بر اساس الگوهای آموخته شده از مجموعه داده های عظیم ایجاد کرد، اما همچنان منفعل باقی ماند و فقط در صورت درخواست پاسخ داد.
- هوش مصنوعی عامل دار، مرز فعلی سیستم هایی را نشان می دهد که به طور مستقل درک، استدلال، عمل و یادگیری می کنند. این فرآیند چهار مرحله ای، عملیات مستقل فزاینده ای را با کاهش نظارت انسانی امکان پذیر می کند.
سیستمهای عاملدار مدرن چندین مؤلفه کلیدی را ادغام میکنند:
- هسته مدل پایه: LLMها یا مدل های چند وجهی ، قابلیت های استدلال را ارائه می دهند و معمولاً از مدل هایی با ۱۰۰ پارامتر B+ استفاده می کنند.
- چارچوب ادغام ابزار: رابطه های استاندارد به عامل ها اجازه می دهند تا با سیستم های خارجی، APIها و منابع داده تعامل داشته باشند.
- سیستم های حافظه: حافظه کاری کوتاه مدت، حافظه اپیزودیک بلند مدت، حافظه معنایی و حافظه رویه ای، امکان حفظ زمینه را در طول تعاملات فراهم می کنند.
- موتور برنامه ریزی و اجرا: مکانیسم هایی مانند استدلال درخت اندیشه و جستجوی درخت مونت کارلو به تجزیه اهداف پیچیده به مراحل قابل دستیابی کمک می کنند.
- پروتکل زمینه مدل (MCP): این استاندارد نوظهور که توسط Anthropic، OpenAI، مایکروسافت، گوگل و آمازون پذیرفته شده است، به عنوان ستون فقرات برای اتصال عامل ها با ابزارها، پایگاه های داده و APIها عمل می کند و عملیات واقعاً مستقل را فراتر از زنجیره های ساده سریع امکان پذیر می سازد.
- سیستم های چند عاملی: عامل هایی با نقش های خاص که تیم های تخصصی را تقلید می کنند.
کی از امیدوار کننده ترین پیشرفت ها شامل سیستم هایی است که در آن ها چندین عامل برای دستیابی به نتایج برتر با یکدیگر همکاری می کنند – و – گاهی اوقات – رقابت می کنند:
- بهبود رقابتی: معماری های چند عاملی از رقابت سازنده برای افزایش عملکرد استفاده می کنند. به عنوان مثال، یک گردش کار تولید محتوا ممکن است از عوامل تحقیق، ایجاد، نقد و ویرایش استفاده کند. تحقیقات IDCA نشان می دهد که این رویکرد در معیارهای کیفی ۲۳ تا ۴۷ درصد بهتر از پیاده سازیهای تک عاملی عمل می کند.
- اکوسیستم های بین فروشنده ای: سازمان ها به طور فزاینده ای از عوامل تخصصی فروشندگان مختلف استفاده می کنند و راه حل های «بهترین نوع» را ایجاد می کنند که از نقاط قوت هر ارائه دهنده سود می برد و در عین حال از طریق رقابت، بهبود مستمر را به همراه دارد.
هوش مصنوعی عامل دار در حال ارائه ارزش تجاری قابل اندازه گیری در بخش های مختلف است. فراتر از استفاده سازمانی، هوش مصنوعی عامل دار تجربیات مصرف کننده را متحول می کند. به عنوان مثال، در حالی که 70 درصد از مصرف کنندگان آمریکایی انتظار تجربیات شخصی سازی شده را دارند، کمتر از 25 درصد از شرکت های CPG به طور مداوم این تجربه را ارائه می دهند – شکافی که هوش مصنوعی عامل دار به طور فزاینده ای آن را پر می کند. برند های پیشرو سیستم هایی را پیاده هسازی می کنند که سفرهای پویای مشتری را بر اساس سیگنال های بلادرنگ، از جمله قصد، ریسک ریزش و تازگی، تنظیم می کنند. این سیستم ها پیامرسانی را بدون دخالت انسان از طریق کانال و زمان بهینه میکنند و به عنوان موتورهای رشد مداوم در سراسر قیف بازاریابی عمل میکنند.
منبع: IDC