لماذا معظم الوكلاء مجرد مخططات انسيابية متنكرة، وما الذي يجب بناؤه بدلاً منها. كتبت معظم هذا في مطار قبل عدة أشهر، ثم تركته في المسودات. الضجيج فقط ازداد منذ ذلك الحين، لذا إليك النص. قبل بضعة أشهر، في طريق عودتنا من ورشة عمل مع عميل، كنا نناقش نطاق ما يشكل الذكاء الاصطناعي الوكيل، واقتبس كل منا أمثلة من تجربتنا. كان هناك نقاش حول سبب عدم قدرة الأتمتة على حل ذلك وكيف أن معظم حالات استخدام الذكاء الاصطناعي الوكيل ليست سوى أتمتة ممجدة. كان السؤال: “أعطني حالة استخدام حقيقية لوكيل. ليس عرضًا توضيحيًا. ليس أتمتة. حالة حقيقية. لأن كل ما رأيته حتى الآن، كان بإمكاني بناؤه باستخدام محرك سير عمل واستدعاء نموذج.” كنا جميعًا قد شاركنا في محادثات حول الذكاء الاصطناعي الوكيل لأشهر في تلك المرحلة. صممنا هذه الأنظمة. قدمنا عروضًا لها. ومع ذلك، جالسًا هناك مع شاي وعشرين دقيقة في أيدينا لقضائهما، اضطررنا إلى التفكير طويلًا بما يكفي لتقديم مثال يصمد أمام ثلاثين ثانية من التدقيق. هذا أزعجني بما يكفي لكتابته. الاختبار الذي توصلت إليه أولاً كان غريزي هو تعريف الذكاء الاصطناعي الوكيل بشكله الوظيفي. هل تتطلب المهمة أن يتخذ النظام قرارات أثناء التنفيذ لا يمكن توقعها في البداية؟ إذا كان الجواب نعم، فهو وكيل. إذا لا، فهو أتمتة. فكرت في مثال من صيانة الطيران، لأنني قضيت الستة أشهر السابقة هناك. تهبط طائرة A320 مع تحذير ECAM، عطل في حزمة الهواء 1. ما تفعله الأتمتة: تُشغل قائمة مراجعة، تُخطر مهندس الخدمة، وربما تستخرج مرجع MEL. انتهى. ما تفعله التعلم الآلي التقليدي: تتنبأ باحتمال فشل المكون من أنماط faults التاريخية، وتنتج درجة ثقة. لا يزال المهندس يقرر. ما أعتقد أن الوكيل سيفعله: يبدأ برسالة ECAM (رسالة في أنظمة قمرة القيادة للطائرة)، يستعلم عن CFDS (نظام عرض faults المركزي) للحصول على تاريخ faults ويجد أن الحزمة 1 أطلقت نفس العطل ثلاث مرات في ستة أسابيع. هذا يغير الصورة، لذا يسحب دليل استكشاف الأخطاء وإصلاحها (TSM) ويحدد أربع أسباب جذرية محتملة. ثم يتحقق من AMOS (قاعدة بيانات تُستخدم في الطيران في جميع أنحاء العالم) لمعرفة ما إذا كانت هناك قطع غيار متاحة ويجد أن اثنين من هؤلاء الأربعة يحتاجان إلى صمام تحكم في التدفق، والذي غير متوفر في تلك المحطة. ثم يتحقق من أي أسباب يمكن تأجيلها تحت قائمة المعدات الدنيا (MEL، الحد الأدنى من المعدات التي تحتاجها الطائرة لتكون صالحة للطيران)، ويجد أن أحدها يمكن تأجيله تحت الفئة C (واحدة من العديد من الفئات) لعشرة أيام، ينظر إلى العشر دورات القادمة للطائرة لفهم تكلفة التشغيل للتأجيل، ويصيغ توصية: التأجيل تحت الفئة C، طلب صمام تحكم في التدفق (FCV) للوصول قبل اليوم الثامن، ووضع علامة للفحص العميق في الفجوة التالية لصيانة القاعدة. لم يبرمج أحد هذه الشجرة القرار مسبقًا. ظهرت الخطة من العملية بدلاً من أن تسبقها. لم أكن مقتنعًا بعد بنظريتي. وعند التأمل، أعتقد أنني كنت على حق. لماذا يفشل هذا المثال لأنك تستطيع رسم ذلك المخطط الانسيابي. CFDS، ثم TSM، ثم AMOS، ثم MEL، ثم الدورات. إنه مخطط انسيابي معقد يحتوي على فروع، لكن مهندسًا كفؤًا كان بإمكانه تحديده مسبقًا. التعقيد ليس هو نفسه الانفتاح. شجرة ذات مئتي فرع لا تزال شجرة. هذا هو الخطأ الذي يرتكبه تقريبًا كل عرض تقديمي لاستثمار الذكاء الاصطناعي الوكيل، بما في ذلك عرضي. نعرض شيئًا معقدًا ونتوقع أن يكون التعقيد بشكل évident وكيلًا. ليس كذلك. التعقيد مجرد مخطط انسيابي أكبر، والمخططات الانسيابية لديها تكنولوجيا بالفعل، وهي أرخص وأسرع وأكثر موثوقية بكثير من أي LLM ستضعه في هذا الفتحة. فأين الخط الفعلي؟ المجهولات المعروفة مقابل المجهولات غير المعروفة هنا هو التمييز الذي توصلت إليه، وهو أضيق مما يرغب معظم الناس في هذا السوق في الاعتراف به. الأتمتة تتعامل مع المجهولات المعروفة. أنت لا تعرف ما إذا كان الجزء موجودًا في المخزون، لكنك تعرف أن المخزون هو شيء تحتاج إلى التحقق منه. الوكلاء يتعاملون مع المجهولات غير المعروفة. أنت لا تعرف ما الذي تحتاج إلى التحقق منه، وستعرف ذلك فقط من خلال النظر. خذ u...
المصدر: Towards Data Science · لخّصه HeadlinesBriefing