Kako ne ići sa šina sa agenom AI

Usvajanje ranih dana

Do sada se nekoliko primjera radi u proizvodnji. Za mnoge organizacije agentic AI još nije prešao razgovor.

Razmislite da AI agenti mogu uložiti izlaže AI modela u drugi i raditi na cilju bez punog nadzora. Prema IBM-ovim video serijama na AI agentima, zaštitnici se moraju uzeti u obzir na modelu, alatnim i orkestriranju.

Peter Van der Putten, laboratorijska glava na stručnjacima za automatizaciju rada Pegasystems, kaže da mnoge organizacije ne osjećaju da će ublažiti agencije za upravljanje kao i uvid u odnosu na upravljanje i rizik ove godine. “Neki otići”, ne mogu čak ni prenijeti captcha. ” Tada imate vjernike govoreći: “Stvorite onoliko agenata koliko želite i pustite ih da trče amok.” Oba pogleda su pogrešna “, kaže on.

Započnite s odabranim slučajevima upotrebe pojedinačnih agenta, pogledajte koliko dobro izvode i zemlje u zemlji u artefaktima za arhitekturu poduzeća, radnojkoni, poslovna pravila, odgovarajući kontekst i pristup korisniku i pristupu korisnicima i tako dalje.

Zatim kontrast sa stvarnošću – da li su agenti rade ispravnu stvar i da li oni postižu svoje ciljeve? To su vrste strategija koje bi se posao moglo primijeniti na Enible AgeC AI.

“Bacite u gomilu zahtjeva, iskoristite proces koji bi vidio stvarni proces (nasuprot onome što vam ljudi kažu da bi proces trebao biti). Očistite to, stavite u druge zahtjeve, a zatim dajte kao ulaz u više nalik dizajnu koji vam može pomoći”, kaže Van der Putten.

Tada je čovjek u petlji jer možete vidjeti šta se slažete ili ne. Tek tada izgradite aplikaciju koja može raditi vrlo predvidljivo u vrijeme izvođenja. Naravno, ako ne možete “automatizirati stvari” i trebati ljudski nadzor svega, agenti možda nisu pravi odgovor, dodaje van der.

Odaberite prave agente ili LLMS za svaki aspekt i izgradite na tome. U osiguranju, jedan agent može procijeniti rizike, još jedan potraživanja, dok još jedan djeluje s drugim zaposlenima ili čak krajnjim kupcem. A onda je agent fokusiran na prodaju pravi odgovor u toj okolnosti? To takođe zavisi – potreban vam je tačan agent za kontekst.

Nakon toga, agent slojeviti na vrhu može raditi “razumijevanjem” pojedinačnih koraka ili specifičnih tokova za poziv – ili ne – u određenoj situaciji; Jedan odmah na kraju može provjeriti prethodni rad. A kad udarite u blokadu puta, “eskalirate na povratak čovjeku”.

Samo niz stazu može li razmotriti slojeve više agentnih sustava na vrhu gdje su specijalizirani agenti za određene zadatke međusobno razgovaraju.

Van der Putten kaže: “Alati trebaju jasne procese, pravila, politike i možda neredne prediktivne modele koji procjenjuju vjerojatnost prevare ili slične. Povucite kontekst, dobijete potpunu sliku situacije i zahtjeva.”

Mjerenje prednosti

Razmislite o tome kao malo pametniji robotski automatizacija procesa (RPA), kaže Simon James, Data Strategija i direktor AI-a u Publicisu Sapient. Započnite sa procesima mapiranja i određivanjem koji bi mogli imati koristi od AI agenata nasuprot ljudskoj presudi ili tradicionalnoj automatizaciji. Osmišljavanje jasnog, usklađenog okvira može pomoći.

Što više izbora sadrži, više opsepe AI ima za stvari da jednostavno pođe po zlu i što je teže postati da upravlja. “Postoji točak smrti koja se događa negde, dok nekoliko agenata razgovaraju jedni s drugima, čak i u visoko optimizovanom mašini čitljivom kodu, a ne na engleskom, dodajući latenciju na 20 sistema”, dodaje James.

Budući da je agencija AI tako nova, a ljudi često nemaju vještine, industrija još uvijek shvaća stvari. Možda može pokrenuti tri različite rutine ili funkcije i ima izbora između njih, ali tamo nema mnogo izbora, James upozorava. “I radi se o tome kako se verzija sa prodajom, na primjer, povezuje se sa ERP-om ili CRM-om ili bilo što drugo, tako da mogu prenijeti logiku međusobno i rukovati nije bolna.”

Direktor marketinga Dominika Wellington, AI i podaci na platformi SnapLogic, i dalje stvari smišljaju “na teškim načinom” u agenticu i mogu se postaviti na ulazak u proizvodnju. Ali vidimo grozne stope pada. Pola do 80% projekata nikada ne čini da se proizvode. “

Često podskup informacija koje pokreću pilot u uspjehu neće raditi velike. Kada se želite povezati s “krunskim draguljima” – kao što su korporativna baza podataka ili CRM – možda ćete trebati preispitati pristup tim podacima i potpunijem provođenju politike i prakse.

“Ako ste AstraZeneca, na primer, ne želite da vaš farmanac namotava u nekim podacima o treningu modela”, kaže on. “I da ima” tlo istinu “je kritična. Nikad se ne moram vratiti više od nekoliko dana u svojoj vijesti da vidim instancu advokata koji je naveo nepostojeći presedan, a oni su zatražili samo odvjetnike – i nisu samo advokati.”

Naravno, s prevladavanjem povećane generacije (krpe) možete vektorizirati odgovarajuće informacije u trgovinu podataka, a LLM reagira na osnovu onoga što je u određenoj trgovini podataka, nudeći kontrolu ili može odgovoriti ili može odgovoriti. Uz maskiranje podataka, kvalitetom usluge (QoS) i kontrola pristupa uloga možete ići daleko, Wellington se slaže.

To je rečeno, razmatranja pokreću gamu iz etičkih izazova na složenju grešaka, sigurnosnog rizika, skalabilnosti, objašnjenja i odgovornosti i pristranosti u privatnosti, sasvim jednostavno, potencijal za nenamjerne posljedice. Agentic AI treba transparentnost, ali nije lako znati kako.

Ovo sve zvuči poznato za usvajanje u oblaku rane dane – ali s AI-om, ciklus od Hypea na razočaranje ubrzao se. Međutim, postoje rani usvojitelji koje se mogu naučiti. “To može biti tiši drugi val koji zapravo pokazuje put”, dodaje Wellington.

Sunil Agrawal, glavni službenik za sigurnost informacija (CISO) na AI platformi Glean, kaže da vrijedi borbe. AI Agenti mogu preoblikovati kako se radi o radu, pomažući na površini i smisao potrebne podatke. Ali sigurno skaliranje ovih sistema i odgovorno je kritično.

Agenti moraju poštivati politike upravljanja korisnicima i politike podataka iz dana, posebno u visoko reguliranom okruženju i promatranje onoga što se događa je presudno. To pokriva koji podaci koji pristupaju, kako su oni razumni i koji se modeli oslanjaju.

“AI agenti su samo pouzdani kao i podaci na kojima su izgrađeni”, kaže Agrawal. “Prizemljen je u tačnoj, objedinjenoj internom znanju. I prijetnje poput brzog ubrizgavanja, jailbaring i model manipulacije zahtijevaju namjensku obranu. Snažan okvir upravljanja pomaže da agenti sigurno rade, etički i usklađeni s organizacionom politikom.”