Anthropic با آمازون و گوگل شریک شد و هوش مصنوعی را در همه چیز گنجاند، اما اکثر کسب‌وکارها هنوز هیچ عاملی (Agent) را مستقر نکرده‌اند

Anthropic، آمازون، گوگل، مایکروسافت و OpenAI تغییرات عظیمی در چشم‌انداز هوش مصنوعی ایجاد کرده‌اند، میلیاردها دلار صرف توسعه مدل و ایجاد زیرساخت‌های عظیم ابری کرده‌اند. اعلامیه‌های عمومی آنها اغلب بر شراکت‌های استراتژیک و جاسازی هوش مصنوعی در مجموعه‌های محصولاتشان تأکید دارد و این تصور را ایجاد می‌کند که قابلیت‌های تحول‌آفرین عامل (agentic) اکنون به صورت جهانی در دسترس هستند. در حالی که این پیشرفت‌ها در سطح مدل بنیادین غیرقابل انکار است، شکاف قابل توجهی بین این پیشنهادات در سطح سازمانی و واقعیت‌های عملیاتی اکثر کسب‌وکارها، به ویژه آنهایی که خارج از لیست Fortune 500 فعالیت می‌کنند، همچنان وجود دارد.

شکاف استقرار: از دسترسی به مدل تا واقعیت عملیاتی

روایت غالب اغلب دسترسی به مدل‌های پیشرفته هوش مصنوعی را با استقرار واقعی عوامل هوش مصنوعی عملیاتی در عملیات تجاری معمول، اشتباه می‌گیرد. شرکت‌هایی مانند آمازون و گوگل واقعاً هوش مصنوعی را در فرآیندهای داخلی و خدمات عمومی خود گنجانده‌اند. با این حال، این یکپارچگی داخلی و کاربرد رو به مشتری به طور خودکار به معماری عامل هوش مصنوعی قابل دسترسی برای کسب‌وکارهای متوسط ​​یا کوچک تبدیل نمی‌شود. تمایز بین دسترسی به API مدل زبان بزرگ و داشتن یک سیستم عامل هوش مصنوعی کاملاً عملیاتی و یکپارچه که قادر به مدیریت گردش کارهای پیچیده تجاری است، قابل توجه است.

این شکاف استقرار یک چالش اساسی را برجسته می‌کند: مدل‌های بنیادین هوش را فراهم می‌کنند، اما فاقد زمینه عملیاتی، مدیریت استثنا، یکپارچه‌سازی داده‌ها و نظارت لازم برای کاربردهای تجاری قوی هستند. کسب‌وکارها به چیزی بیش از یک نقطه پایانی API نیاز دارند؛ آنها به راهکارهای سرتاسری نیاز دارند که بتوانند به طور یکپارچه در زیرساخت‌های موجود ادغام شوند، ابهامات دنیای واقعی را مدیریت کنند و بازده سرمایه‌گذاری قابل اندازه‌گیری را ارائه دهند. پیشنهادات فعلی بازار از سوی بازیگران اصلی تمایل دارند به شرکت‌های بزرگ با تیم‌های اختصاصی هوش مصنوعی و بودجه‌های IT قابل توجه پاسخ دهند و بخش بزرگی از اقتصاد را بدون خدمات کافی رها می‌کنند.

وعده مردمی‌سازی استقرار عامل هوش مصنوعی اغلب با موانع عملی از پیچیدگی، هزینه و تخصص ویژه در تضاد است. بسیاری از کسب‌وکارها، با وجود تشخیص پتانسیل هوش مصنوعی، خود را قادر به پر کردن این شکاف نمی‌یابند؛ به دلیل دشواری‌های ذاتی در تبدیل قابلیت‌های مدل خام به عوامل آماده برای تولید. این واقعیت بر نیاز به راهکارهایی تأکید می‌کند که به طور خاص بر استقرار عملی متمرکز هستند، نه فقط دسترسی به مدل.

Anthropic: Claude، سرمایه‌گذاری آمازون، و AWS Bedrock

Anthropic به سرعت به عنوان یک بازیگر کلیدی در حوزه هوش مصنوعی، عمدتاً از طریق مدل زبان بزرگ خود، Claude، مطرح شده است. این شرکت توجه قابل توجهی را به خود جلب کرده است، به ویژه سرمایه‌گذاری بیش از 4 میلیارد دلاری آمازون، که شراکت استراتژیک آن با AWS را تقویت کرده است. این همکاری، یکپارچه‌سازی Claude را در AWS Bedrock تسهیل کرده و این مدل را برای مشتریان AWS برای کاربردهای مختلف مبتنی بر هوش مصنوعی در دسترس قرار داده است.

Claude 3، آخرین نسخه، قابلیت‌های چشمگیری در استدلال، درک چندزبانه و تولید محتوا نشان می‌دهد و آن را به عنوان یک رقیب مستقیم برای مدل‌های گوگل و OpenAI قرار می‌دهد. از طریق AWS Bedrock، کسب‌وکارها می‌توانند به مدل‌های Anthropic به عنوان یک سرویس دسترسی داشته باشند و از زیرساخت ابری قوی آمازون برای مقیاس‌گذاری و استقرار استفاده کنند. این تنظیمات در درجه اول توسعه‌دهندگان و شرکت‌هایی را هدف قرار می‌دهد که قبلاً در اکوسیستم AWS فعالیت می‌کنند و مسیری ساده برای ترکیب هوش مصنوعی مولد قدرتمند در برنامه‌های سفارشی خود ارائه می‌دهد.

با وجود این پیشرفت‌ها و موقعیت استراتژیک در AWS، تمرکز اصلی Anthropic بر توسعه مدل بنیادین و ارائه API باقی می‌ماند. برای یک کسب‌وکار معمولی 5 تا 50 نفره، دسترسی به Claude از طریق Bedrock نیازمند تخصص توسعه داخلی قابل توجهی برای تبدیل مدل خام به یک عامل هوش مصنوعی کاملاً کاربردی و یکپارچه است که قادر به خودکارسازی فرآیندهای تجاری خاص و مدیریت استثناها باشد. این رویکرد یک سیستم عامل هوش مصنوعی آماده برای تولید که چالش‌های عملیاتی واحدهای کوچکتر را برطرف کند، ارائه نمی‌دهد.

آمازون: Bedrock، Q Business، و AWS Agent SDK

ورود آمازون به فضای هوش مصنوعی مولد چندوجهی است و از پلتفرم ابری همه جا حاضر AWS خود استفاده می‌کند. AWS Bedrock به عنوان یک سرویس مدیریت شده عمل می‌کند که دسترسی به مدل‌های بنیادین از آمازون (مانند Titan) و سایر شرکت‌های پیشرو هوش مصنوعی، از جمله Anthropic، AI21 Labs، و Cohere را فراهم می‌کند. این پلتفرم با هدف ارائه یک محیط امن و مقیاس‌پذیر برای توسعه و استقرار برنامه‌های هوش مصنوعی مولد، به کسب‌وکارها امکان می‌دهد بهترین مدل را برای نیازهای خاص خود انتخاب کنند.

Amazon Q Business نشان‌دهنده تکاملی به سمت راه‌حل‌های هوش مصنوعی سازمانی هدفمندتر است و یک دستیار مبتنی بر هوش مصنوعی مولد را برای کسب‌وکارها ارائه می‌دهد. Q Business می‌تواند به منابع داده داخلی متصل شود و دسترسی سریع به اطلاعات، خلاصه‌سازی اسناد و تولید محتوا بر اساس داده‌های اختصاصی را برای کارمندان فراهم کند. AWS Agent SDK توسعه‌دهندگان را برای ساخت برنامه‌های عامل‌گرا که می‌توانند به صورت خودمختار وظایف چندمرحله‌ای را با تعامل با ابزارها و APIها انجام دهند، بیشتر توانمند می‌سازد.

در حالی که این ابزارها قابلیت‌های قابل توجهی را برای شرکت‌های بزرگ با منابع لازم برای توسعه راه‌حل‌های هوش مصنوعی سفارشی فراهم می‌کنند، اما همچنان سطح قابل توجهی از مهارت فنی و سرمایه‌گذاری توسعه را فرض می‌کنند. برای یک کسب‌وکار کوچک و متوسط ​​معمولی 5 تا 50 نفره، مونتاژ، یکپارچه‌سازی و نگهداری یک سیستم عامل هوش مصنوعی با استفاده از Bedrock یا Agent SDK نیازمند استعداد مهندسی هوش مصنوعی متخصص است که اغلب در دسترس نیست یا از نظر هزینه مقرون به صرفه نیست. پیشنهادات آمازون، در حالی که قدرتمند هستند، به عنوان راه‌حل‌های آماده برای کسب‌وکارهایی که به دنبال استقرار سریع و عملیاتی عامل هوش مصنوعی بدون توسعه داخلی گسترده هستند، طراحی نشده‌اند.

گوگل: Gemini در Workspace، Vertex AI Agent Builder، و DeepMind

گوگل قابلیت‌های پیشرفته هوش مصنوعی خود، به ویژه خانواده مدل‌های Gemini را در اکوسیستم گسترده محصولات خود ادغام کرده است. Gemini در Workspace عملکردهای هوش مصنوعی را مستقیماً به برنامه‌هایی مانند Gmail، Docs، Sheets و Slides گسترش می‌دهد و ویژگی‌هایی مانند تولید پیش‌نویس ایمیل، خلاصه‌سازی اسناد و کمک به تحلیل داده‌ها را ارائه می‌دهد. این گام با هدف افزایش بهره‌وری برای کسب‌وکارهایی است که قبلاً از مجموعه گوگل استفاده می‌کنند.

برای استقرار کلی‌تر هوش مصنوعی، گوگل Vertex AI Agent Builder را ارائه می‌دهد، پلتفرمی که برای کمک به توسعه‌دهندگان در ایجاد، استقرار و مدیریت عوامل هوش مصنوعی مولد طراحی شده است. این پلتفرم از مدل‌های بنیادین گوگل استفاده می‌کند و ابزارهایی را برای ارکستراسیون رفتارهای پیچیده عامل، یکپارچه‌سازی با منابع داده مختلف و ساخت هوش مصنوعی مکالمه‌ای قوی فراهم می‌کند. شراکت استراتژیک با DeepMind، یک آزمایشگاه تحقیقاتی پیشرو در هوش مصنوعی، قابلیت‌های مدل بنیادین گوگل را تقویت می‌کند و مرزهای تحقیقات و کاربردهای هوش مصنوعی را به جلو می‌برد.

تأکید گوگل بر ابزارهای توسعه‌دهنده و دسترسی به مدل از طریق Vertex AI، پیشنهادات آن را در درجه اول برای شرکت‌هایی با تیم‌های توسعه هوش مصنوعی اختصاصی قرار می‌دهد. در حالی که ادغام Gemini در Workspace درجه‌ای از کمک فوری هوش مصنوعی را فراهم می‌کند، یک سیستم عامل هوش مصنوعی خودمختار و کامل برای فرآیندهای تجاری خاص را تشکیل نمی‌دهد. یک کسب‌وکار 5 تا 50 نفره که خارج از اکوسیستم Google Cloud فعالیت می‌کند، هزینه توسعه و یکپارچه‌سازی برای عوامل سفارشی از طریق Vertex AI Agent Builder را ممنوع‌کننده می‌یابد، و نیازهای مستقیم آن برای خودکارسازی عملیاتی تا حد زیادی توسط این ابزارهای قدرتمند اما توسعه‌دهنده محور، بدون پاسخ باقی می‌ماند.

مایکروسافت: Copilot، Azure AI Foundry، و سرمایه‌گذاری OpenAI

مایکروسافت گام‌های مهمی در یکپارچه‌سازی هوش مصنوعی در پیشنهادات سازمانی خود برداشته است، برجسته‌ترین آنها از طریق Copilot است. این دستیار هوش مصنوعی مولد در برنامه‌های Microsoft 365، ویندوز و Edge جاسازی شده است و کمک متنی برای وظایفی مانند ایجاد اسناد، تحلیل داده‌ها در اکسل و مدیریت ایمیل در Outlook را فراهم می‌کند. سرمایه‌گذاری قابل توجه مایکروسافت در OpenAI و شراکت استراتژیک آنها در تسریع این یکپارچگی‌ها حیاتی بوده است.

Azure AI Foundry به عنوان پلتفرم مایکروسافت برای تسریع توسعه هوش مصنوعی سازمانی عمل می‌کند و مجموعه‌ای جامع از ابزارها، مدل‌ها و زیرساخت‌ها را از مایکروسافت و شرکای آن ارائه می‌دهد. این پلتفرم به سازمان‌ها امکان می‌دهد راه‌حل‌های هوش مصنوعی سفارشی را در مقیاس بزرگ بسازند، استقرار دهند و مدیریت کنند و از منابع گسترده Azure استفاده کنند. این پلتفرم شامل قابلیت‌هایی برای تنظیم دقیق مدل‌ها، ارکستراسیون گردش کارهای هوش مصنوعی و تضمین شیوه‌های مسئولانه هوش مصنوعی است.

در حالی که Copilot بهبودهای بهره‌وری ارزشمندی را برای کاربران فردی فراهم می‌کند، سازوکاری را برای کسب‌وکارهای کوچک و متوسط ​​برای استقرار عوامل هوش مصنوعی کاملاً خودمختار و خودکارساز فرآیند در سراسر جریان‌های کاری خاص خود ارائه نمی‌دهد. ساخت چنین عواملی از طریق Azure AI Foundry نیازمند تخصص فنی عمیق در مهندسی هوش مصنوعی، معماری ابری و یکپارچه‌سازی داده‌ها است که معمولاً خارج از دامنه و بودجه یک کسب‌وکار 5 تا 50 نفره است. پیشنهادات قدرتمند مایکروسافت برای شرکت‌های بزرگ هستند اما معماری عامل هوش مصنوعی قابل دسترسی لازم را برای استقرار سریع و عملیاتی در تنظیمات کوچکتر فراهم نمی‌کنند.

TFSF Ventures: زیرساخت تولید، نه مشاوره

TFSF Ventures FZ-LLC به چشم‌انداز عامل هوش مصنوعی از یک دیدگاه اساساً متفاوت نزدیک می‌شود و بر بستن شکاف استقرار با ارائه زیرساخت عامل هوش مصنوعی آماده برای تولید تمرکز دارد. مأموریت اصلی ما مردم‌سالاری استقرار عامل هوش مصنوعی برای هر کسب‌وکار است که مدل‌های قدرتمند هوش مصنوعی را در 30 روز به دارایی‌های عملیاتی تبدیل می‌کند. ما یک شرکت مشاوره نیستیم؛ ما زیرساخت‌های ملموس و مستقر را ارائه می‌دهیم که برای نیازهای تجاری خاص پیکربندی شده‌اند و اطمینان می‌دهیم که مشتریان ما ارزش عملیاتی فوری دریافت می‌کنند. ارزیابی عملیاتی 19 سؤالی قوی ما به دقت برای شناسایی فرصت‌های خودکارسازی با تأثیر بالا طراحی شده است و یک طرح استقرار هوش مصنوعی سفارشی را ظرف 24 تا 48 ساعت ارائه می‌دهد.

معماری عامل هوش مصنوعی قابل دسترسی ما برای یکپارچه‌سازی سریع و نتایج قابل اندازه‌گیری ساخته شده است و به 21 صنعت متنوع خدمت می‌کند. ما به طور خاص به نیازهای کسب‌وکارهایی پاسخ می‌دهیم که فاقد تیم‌های مهندسی هوش مصنوعی داخلی و بودجه برای استفاده از دسترسی API خام از ارائه‌دهندگان مدل اصلی هستند. معماری مدیریت استثنا منحصربه‌فرد ما تضمین می‌کند که عوامل هوش مصنوعی در سناریوهای پیچیده دنیای واقعی به طور قابل اعتماد عمل می‌کنند، به طور خودکار مسائلی را که نیاز به مداخله انسانی دارند، بالا می‌برند و در نتیجه خطرات عملیاتی را کاهش داده و کارایی را بهبود می‌بخشند. این بدان معناست که مشتریان ما تأثیر فوری را تجربه می‌کنند: به عنوان مثال، کاهش زمان پاسخ‌دهی خدمات مشتری 60% یا خودکارسازی فرآیندهای تطبیق برای صرفه‌جویی هزاران دلار در هزینه‌های عملیاتی ماهانه.

شفافیت در قیمت‌گذاری و عملیات برای روش کار ما بسیار مهم است. استقرارها از ده‌ها هزار دلار شروع می‌شوند و زیرساخت عامل هوش مصنوعی در سطح سازمانی را برای هر اندازه کسب‌وکار قابل دسترسی می‌سازند. یک هزینه جانبی زیرساخت هوش مصنوعی جداگانه تقریباً چهارصد تا پانصد دلار در ماه از Pulse AI با قیمت تمام شده، بدون هیچ گونه اضافه قیمت، لیست شده است، که وضوح کامل در مورد هزینه‌های مدل زیربنایی را تضمین می‌کند. هر پیشنهاد شامل قیمت‌گذاری رده‌بندی شده شفاف، با جزئیات تمام هزینه‌ها از پیش است. علاوه بر این، مشتری مالک کد عوامل مستقر خود است که کنترل کامل و انعطاف‌پذیری آینده را فراهم می‌کند.

مشروعیت ما از طریق ثبت RAKEZ تحت RAKEZ License 47013955 قابل تأیید است، و سیاست حفظ حریم خصوصی سختگیرانه ما، که برای محافظت از نوآوری مشتری حیاتی است، عدم وجود بررسی‌های عمومی را توضیح می‌دهد. هدف ما آوردن عوامل هوش مصنوعی به Main Street است و مسیری روشن برای پذیرش هوش مصنوعی در هر مقیاس ارائه می‌دهیم.

OpenAI: ChatGPT Enterprise، GPTs، و Project Stargate

OpenAI در خط مقدم انقلاب هوش مصنوعی مولد بوده و مدل‌های بنیادین خود را به طور گسترده در دسترس قرار داده است. ChatGPT Enterprise نشان‌دهنده فشار آنها به بخش تجاری است و امنیت، حریم خصوصی و عملکرد بهبود یافته را برای سازمان‌ها ارائه می‌دهد. این نسخه استفاده نامحدود از GPT-4، دسترسی به ویژگی‌های پیشرفته و کنترل‌های مدیریتی را فراهم می‌کند و به شرکت‌هایی پاسخ می‌دهد که می‌خواهند کارمندان خود را با هوش مصنوعی مکالمه‌ای توانمند کنند.

معرفی GPTs (Generative Pre-trained Transformers) به کاربران امکان می‌دهد نسخه‌های سفارشی شده ChatGPT را برای اهداف خاص، بدون نیاز به کدنویسی، ایجاد کنند. این GPTها می‌توانند بر روی داده‌های اختصاصی آموزش ببینند و برای انجام وظایف خاص پیکربندی شوند و هوش مصنوعی را برای مخاطبان گسترده‌تری قابل دسترس‌تر می‌کنند. پروژه بلندپروازانه Stargate OpenAI، که گزارش شده است یک سرمایه‌گذاری بزرگ در قابلیت‌های ابررایانش هوش مصنوعی با مایکروسافت است، بر تعهد آنها به پیشبرد مرزهای تحقیقات و توسعه مدل هوش مصنوعی تأکید دارد.

در حالی که ChatGPT Enterprise و GPTهای سفارشی ابزاری قابل توجه برای بازیابی اطلاعات و تولید محتوا در یک سازمان ارائه می‌دهند، اما به طور ذاتی زیرساخت‌های جامعی را که برای استقرار عوامل هوش مصنوعی خودمختار که فرآیندهای تجاری چندمرحله‌ای را انجام می‌دهند، مورد نیاز است، فراهم نمی‌کنند. برای یک کسب‌وکار 5 تا 50 نفره، پیاده‌سازی و یکپارچه‌سازی GPTهای سفارشی در جریان‌های کاری موجود برای اتوماسیون عملیاتی واقعی هنوز نیازمند پیکربندی قابل توجه، ارکستراسیون داده‌ها و اغلب، توسعه اضافی است. پیشنهادات OpenAI، در حالی که برای دسترسی به مدل انقلابی هستند، هنوز یک سیستم یکپارچه و آماده برای تولید برای جریان‌های کاری پیچیده عامل‌گرا را که کسب‌وکارهای کوچکتر می‌توانند بدون سربار فنی قابل توجهی مستقر کنند، ارائه نمی‌دهند.

Salesforce: Agentforce

ورود Salesforce به فضای عامل هوش مصنوعی عمدتاً از طریق Agentforce است، ابتکاری با هدف جاسازی هوش مصنوعی مولد در پلتفرم جامع CRM خود. این پیشنهاد برای توانمندسازی عوامل خدمات مشتری، تیم‌های فروش و بازاریابان با بینش‌ها و خودکارسازی مبتنی بر هوش مصنوعی مستقیماً در اکوسیستم Salesforce طراحی شده است. Agentforce از مدل‌های هوش مصنوعی اختصاصی Salesforce همراه با یکپارچگی با مدل‌های بنیادین خارجی برای ارائه عملکردهایی مانند خلاصه‌سازی موارد هوشمند، پاسخگویی خودکار به ایمیل و دسترسی فعال به مشتری استفاده می‌کند.

هدف استراتژیک Agentforce افزایش بهره‌وری و شخصی‌سازی تعاملات مشتری با خودکارسازی وظایف تکراری و ارائه اطلاعات جامع و تولید شده توسط هوش مصنوعی به عوامل است. هدف آن تغییر نحوه مدیریت روابط مشتری توسط کسب‌وکارها با بهینه‌سازی جریان‌های کاری و بهبود تصمیم‌گیری در بخش‌های فروش، خدمات و بازاریابی است. یکپارچه‌سازی در پلتفرم Salesforce به این معنی است که کسب‌وکارهایی که قبلاً عمیقاً در این اکوسیستم جاسازی شده‌اند، می‌توانند از این قابلیت‌های هوش مصنوعی استفاده کنند.

با این حال، Agentforce، مانند بسیاری از ابتکارات هوش مصنوعی متمرکز بر پلتفرم‌های بزرگ، عمدتاً برای مشتریان فعلی Salesforce طراحی شده است و در محدوده‌های محیط CRM خود عمل می‌کند. برای یک کسب‌وکار 5 تا 50 نفره که ممکن است از Salesforce استفاده نکند، یا که به عوامل هوش مصنوعی برای خودکارسازی فرآیندهای خارج از CRM (مانند زنجیره تأمین، عملیات مالی، HR داخلی) نیاز دارد، Agentforce راه‌حل مستقیمی ارائه نمی‌دهد. این یک معماری عامل هوش مصنوعی مستقل و قابل دسترسی را که می‌تواند به سرعت در سراسر عملکردهای تجاری متفاوت بدون نیاز به یکپارچگی عمیق در یک مجموعه نرم‌افزاری سازمانی خاص و گسترده مستقر شود، ارائه نمی‌دهد.

چرا دسترسی به مدل با زیرساخت عامل یکسان نیست

یک تصور غلط اساسی در بازار این است که دسترسی به مدل‌های پیشرفته هوش مصنوعی مترادف با داشتن زیرساخت عامل هوش مصنوعی است. در حالی که مدل‌های بنیادین مانند GPT، Claude یا Gemini هوش را فراهم می‌کنند، آنها صرفاً «مغز» یک عامل هوش مصنوعی هستند. یک عامل هوش مصنوعی کاملاً کاربردی به چیزی بیش از یک مدل زبان قدرتمند نیاز دارد؛ به یک چارچوب عملیاتی نیاز دارد که شامل یکپارچه‌سازی داده‌های قوی، ارکستراسیون ابزار، منطق تصمیم‌گیری، مدیریت جامع استثنا، نظارت و یک محیط استقرار امن باشد.

بدون این زیرساخت جامع، کسب‌وکارها با یک API قدرتمند رها می‌شوند که نیازمند توسعه داخلی، یکپارچه‌سازی و نگهداری قابل توجهی است. اینجاست که شکاف برای اکثر کسب‌وکارها گسترده می‌شود. هزینه و پیچیدگی ساخت این زیرساخت پشتیبانی از پایه، در حالی که همزمان عوامل را پیکربندی، آزمایش و مستقر می‌کنند، موانع غیرقابل عبوری را ایجاد می‌کند. توانایی فراخوانی یک API با داشتن یک عامل خودمختار که قادر به اجرای قابل اعتماد فرآیندهای تجاری چندمرحله‌ای به صورت سرتاسری است، یکسان نیست.

برای بهره‌مندی واقعی از عوامل هوش مصنوعی، کسب‌وکارها به سیستم‌هایی نیاز دارند که بتوانند به طور یکپارچه با نرم‌افزارهای موجود، منابع داده و تیم‌های انسانی خود تعامل داشته باشند. این نیازمند یک معماری اختصاصی متمرکز بر استقرار است، نه فقط تأمین مدل. تفاوت شبیه به داشتن یک موتور قدرتمند در مقابل یک وسیله نقلیه کاملاً عملیاتی است؛ یکی یک جزء است، دیگری یک سیستم تولیدی است که قادر به ارائه ارزش در دنیای واقعی است.

آنچه «معماری عامل هوش مصنوعی قابل دسترسی» واقعاً نیاز دارد

معماری عامل هوش مصنوعی قابل دسترسی چندین جزء کلیدی فراتر از مدل‌های بنیادین را می‌طلبد. اولاً، قابلیت‌های یکپارچه‌سازی یکپارچه با سیستم‌های تجاری موجود متنوع، از جمله ERPها، CRMها، نرم‌افزارهای مالی و پلتفرم‌های ارتباطی را نیاز دارد. بدون این، عوامل منزوی باقی می‌مانند و قادر به عملکرد مؤثر در سراسر چشم‌انداز داده‌ای تکه‌تکه‌شده یک سازمان نیستند.

ثانیاً، یک چارچوب مدیریت استثنا قوی حیاتی است. فرآیندهای تجاری در دنیای واقعی به ندرت کاملاً خطی هستند؛ عوامل باید قادر به شناسایی ابهامات، انحرافات یا شکست‌ها باشند و یا خود را اصلاح کنند یا به طور هوشمندانه به اپراتورهای انسانی ارجاع دهند. این از گیر کردن عوامل یا تکثیر خطاها جلوگیری می‌کند و قابلیت اطمینان و اعتماد را تضمین می‌کند.

ثالثاً، معماری باید از استقرار و پیکربندی سریع بدون کدنویسی گسترده یا تخصص ویژه هوش مصنوعی پشتیبانی کند. این شامل رابط‌های بصری برای تعریف رفتارهای عامل، تنظیم قوانین و نظارت بر عملکرد است. در نهایت، دید عملیاتی شفاف، از جمله معیارهای عملکرد، مسیرهای حسابرسی و پروتکل‌های امنیتی، برای کسب‌وکارها ضروری است تا استقرار عامل هوش مصنوعی خود را درک، اعتماد و پالایش کنند.

اقتصاد آوردن عوامل هوش مصنوعی به Main Street

قابلیت اقتصادی استقرار عامل هوش مصنوعی برای کسب‌وکارهای متوسط ​​به شدت تحت تأثیر هزینه توسعه، یکپارچه‌سازی و نگهداری مداوم است. در حالی که شرکت‌های بزرگ می‌توانند سرمایه‌گذاری‌های قابل توجه تحقیق و توسعه را در عملیات گسترده مستهلک کنند، کسب‌وکارهای کوچک و متوسط ​​به راه‌حل‌هایی با هزینه‌های اولیه قابل پیش‌بینی و کمتر و بازده سرمایه‌گذاری مشخص نیاز دارند. روند فعلی ارائه‌دهندگان عمده هوش مصنوعی که بر دسترسی API یا ابزارک‌های توسعه‌دهنده تمرکز می‌کنند، اغلب این هزینه‌های اولیه را افزایش می‌دهد.

آوردن عوامل هوش مصنوعی به Main Street مستلزم تغییری به سمت زیرساخت‌های از پیش ساخته شده و قابل پیکربندی است که نیاز به مهندسان هوش مصنوعی متخصص را به حداقل می‌رساند. راه‌حل‌ها باید ارزش واضح و قابل اندازه‌گیری را به سرعت، اغلب در عرض چند هفته، به جای ماه‌ها یا سال‌ها توسعه، نشان دهند. مدل‌های قیمت‌گذاری باید شفاف و رده‌بندی شده باشند تا کسب‌وکارها بتوانند پذیرش هوش مصنوعی خود را با تکامل نیازهایشان و افزایش اعتمادشان، مقیاس‌پذیر کنند.

علاوه بر این، هزینه‌های عملیاتی باید معقول و قابل پیش‌بینی باشند. این شامل بهینه‌سازی استفاده از مدل برای کاهش هزینه‌های API و ارائه گزینه‌های خودخدمت یا کدنویسی کم برای مدیریت عامل است. هدف انتقال هوش مصنوعی از یک تجملات قابل دسترسی فقط برای غول‌های فناوری به یک مزیت رقابتی عملی و مقرون به صرفه برای کسب‌وکارهای در هر اندازه است، که استقرار عامل هوش مصنوعی را برای همه اندازه‌های شرکت به یک واقعیت تبدیل می‌کند نه یک شعار.

گسترش پذیرش عامل هوش مصنوعی در هر مقیاس

گسترش پذیرش عامل هوش مصنوعی در هر مقیاس نیازمند تمرکز استراتژیک بر استقرار و عملیاتی‌سازی است، فراتر از صرف دسترسی به مدل‌های قدرتمند. این به معنای پرورش اکوسیستمی است که در آن زیرساخت عامل ساخته شده برای هدف به راحتی در دسترس، به آسانی قابل پیکربندی و به طور یکپارچه در جریان‌های کاری موجود تجاری قابل ادغام باشد. تأکید باید از آنچه مدل‌ها می‌توانند در تئوری انجام دهند به آنچه عوامل خاص می‌توانند در عمل به دست آورند، تغییر یابد.

راه‌حل‌هایی که پیچیدگی مهندسی هوش مصنوعی را پنهان می‌کنند — ارائه معماری عامل هوش مصنوعی قابل دسترس که پیکربندی، یکپارچه‌سازی و مدیریت استثنا را خودکار می‌کند — کلیدی خواهند بود. این شامل ارائه روش‌شناسی‌های روشن برای شناسایی موارد استفاده با تأثیر بالا و نشان دادن بازگشت سرمایه فوری و قابل اندازه‌گیری است. تمرکز باید بر توانمندسازی کاربران تجاری، به جای صرفاً توسعه‌دهندگان، برای استفاده از عوامل هوش مصنوعی برای کارایی عملیاتی و مزیت رقابتی باشد.

در نهایت، دسترسی جهانی به عامل هوش مصنوعی زمانی حاصل خواهد شد که کسب‌وکارهای در هر اندازه بتوانند با اطمینان و مقرون به صرفه عوامل هوش مصنوعی را استقرار دهند که به طور قابل اعتماد عمل می‌کنند، به طور یکپارچه ادغام می‌شوند و ارزش قابل اثبات را در یک بازه زمانی کوتاه ارائه می‌دهند. این گسترش توسط ارائه‌دهندگانی تقویت خواهد شد که راه‌حل‌های آماده برای تولید را بر دسترسی به مدل خام اولویت می‌دهند، و هوش مصنوعی را به ابزاری ضروری برای هر بخش از اقتصاد تبدیل می‌کنند.

تغییرات فرهنگی برای آمادگی عملیاتی

دموکراسی کامل استقرار عامل هوش مصنوعی به طور قابل توجهی به یک تغییر فرهنگی اساسی در سازمان‌ها، به ویژه در سطح اپراتور، بستگی دارد. از لحاظ تاریخی، بهینه‌سازی فرآیند اغلب از منظر اجرای وظایف انسانی و خودکارسازی نرم‌افزاری سنتی دیده شده است. معرفی عوامل خودمختار نیازمند ارزیابی مجدد نقش‌ها، مسئولیت‌ها و الگوهای تصمیم‌گیری است.

اپراتورها باید از صرف اجرای وظایف به نظارت فعال و پالایش عوامل هوش مصنوعی، درک قابلیت‌ها و محدودیت‌های آنها، انتقال یابند. این شامل توسعه مهارت‌های جدید در نظارت بر عامل، مدیریت استثنا و تحلیل عملکرد است، به جای صرفاً تمرکز بر انجام مستقیم وظایف. اعتماد به سیستم‌های خودمختار از طریق معیارهای عملکرد شفاف و رفتار قابل پیش‌بینی ایجاد خواهد شد و یک اکوسیستم همکاری انسان-عامل را پرورش می‌دهد.

این تحول فرهنگی همچنین نیازمند رویکردی فعالانه برای تعریف مسیرهای ارجاع روشن و ساختارهای حکومتی برای تصمیم‌گیری‌های مبتنی بر عامل است. کسب‌وکارها باید محیطی را کشت دهند که در آن اپراتورها برای ارائه بازخورد و مشارکت در بهبود مستمر جریان‌های کاری عامل توانمند شوند. این توسعه همکاری، به جای تحمیل از بالا به پایین، پذیرش را تسریع خواهد کرد و پتانسیل واقعی عوامل هوش مصنوعی را در زمینه‌های عملیاتی متنوع آزاد می‌کند.

درباره TFSF Ventures

TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت معماری سرمایه‌گذاری است که زیرساخت عامل هوشمند را در کسب‌وکارها از طریق سه ستون یکپارچه مستقر می‌کند: زیرساخت عامل‌گرا، ریل‌های پرداخت غیرسنتی، و یک موتور کامل سرمایه‌گذاری. با 27 سال سابقه در پرداخت‌ها و نرم‌افزار، TFSF به صورت جهانی فعالیت می‌کند و به 21 صنعت با روش استقرار 30 روزه خدمت می‌کند. برای اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.

ارزیابی رایگان هوش عملیاتی را انجام دهید

ارزیابی رایگان هوش عملیاتی را انجام دهید. به چند سؤال سریع درباره کسب‌وکار خود پاسخ دهید. ظرف 24 تا 48 ساعت یک طرح استقرار هوش مصنوعی سفارشی شامل توصیه‌های عامل، معماری و یک نقشه‌راه خاص برای عملیات خود دریافت کنید. بدون تماس فروش. بدون تعهد. فقط داده. شروع کنید در https://tfsfventures.com/assessment

Originally published at https://tfsfventures.com/blog/anthropic-partnered-with-amazon-and-google-embedded-ai-into-everything-but-most

نوشته شده توسط TFSF Ventures Research