فراتر از هیاهوی هوش مصنوعی مولد؛ راجیو راستوگی از آمازون بر هوش مصنوعی عامل‌محور برای بهبود عملیات سازمانی تمرکز می‌کند
راجیو راستوگی، معاون یادگیری ماشین آمازون، در رویداد تک‌اسپارکس ۲۰۲۶ از گسترش هوش مصنوعی عامل‌محور در لایه‌های عملیاتی سازمان‌ها سخن گفت؛ تحولی که گذار از نرم‌افزارهای ایستا به سامانه‌های خودمختار و قادر به درک دستورهای زبان طبیعی را رقم می‌زند.
دوشنبه، ۱۹ اکتبر ۲۰۲۶ | زمان مطالعه: ۴ دقیقه
راجیو راستوگی، معاون یادگیری ماشین آمازون، با اشاره به تحولی تعیین‌کننده در فناوری کسب‌وکارها گفت: «روشن است که کل لایه عملیاتی در حال حرکت به‌سوی عامل‌محور شدن است.»
این تحول به معنای گذار از نرم‌افزارهای ایستا به سامانه‌های خودمختاری است که می‌توانند دستورهای زبان طبیعی را درک کنند. برخلاف نرم‌افزارهای سنتی که از دستورالعمل‌های ثابت و از پیش برنامه‌ریزی‌شده پیروی می‌کنند، سامانه‌های عامل‌محور می‌توانند مسیر اجرای کار را متناسب با شرایط تغییر دهند.
راستوگی در گفت‌وگویی صمیمانه در هفدهمین دوره رویداد فناوری و استارتاپی شاخص یوراستوری، یعنی تک‌اسپارکس، توضیح داد: «عامل‌ها برای حل یک مسئله، برنامه‌های خود را به‌صورت پویا تدوین می‌کنند و ابزارهای مناسب را به کار می‌گیرند.»
این عامل‌های خودمختار به‌جای آنکه در هر مرحله به دخالت انسان نیاز داشته باشند، درخواست‌ها را ارزیابی می‌کنند، مجموعه‌ای از اقدامات را ترتیب می‌دهند و برای انجام وظایف پیچیده از ابتدا تا انتها، ابزارهای دیجیتال تخصصی را به کار می‌گیرند.
در آمازون، این لایه عملیاتی در سامانه‌هایی مانند روفوس (Rufus)، دستیار گفت‌وگومحور خرید، به کار گرفته شده است. روفوس درخواست‌های مشتریان را تفسیر می‌کند، فیلترهای قیمت را اعمال می‌کند، از موتورهای جست‌وجو کمک می‌گیرد و کاربران را در مقایسه محصولات و مراحل نهایی خرید راهنمایی می‌کند. به همین ترتیب، دستیارهای خودمختار ویژه فروشندگان، اطلاعات اولیه فهرست محصولات را تکمیل می‌کنند، سطح موجودی را زیر نظر می‌گیرند و به کسب‌وکارهای کوچک در رعایت الزامات قانونی و مقررات صادرات بین‌المللی کمک می‌کنند.
فراتر از هیاهوی هوش مصنوعی مولد
با وجود استقبال گسترده بازار از هوش مصنوعی مولد، راستوگی تأکید کرد که مدل‌های مولد راه‌حل همه مسائل محاسباتی نیستند. این فناوری در استدلال پیچیده، خلاصه‌سازی متون، تحلیل نظرات کاربران و کارهای خلاقانه‌ای مانند ویرایش پس‌زمینه تصاویر محصولات عملکرد خوبی دارد؛ اما در کاربردهایی که به پردازش حجم بسیار زیادی از درخواست‌ها با تأخیر اندک نیاز دارند، با محدودیت روبه‌رو می‌شود.
راستوگی خاطرنشان کرد: «در برخی کاربردها، مدل‌های هوش مصنوعی مولد هرگز به عملکردی که می‌توان با مدل‌های یادگیری ماشین سنتی به دست آورد، نخواهند رسید.»
یادگیری ماشین سنتی از الگوریتم‌های متداولی مانند درخت‌های تصمیم تقویت‌شده با گرادیان یا شبکه‌های عصبی استاندارد استفاده می‌کند. این الگوریتم‌ها می‌توانند داده‌های عددی ساختاریافته را با سرعت بسیار بالا پردازش کنند.
او گفت در کاربردهای عملیاتی گسترده، مانند جست‌وجوی محصولات در تجارت الکترونیک که باید ده‌ها یا صدها میلیارد قلم کالا را پوشش دهد، استفاده از مدل‌های مولد به هزینه‌های محاسباتی بسیار سنگین و زمان پاسخ‌گویی طولانی منجر می‌شود. ازاین‌رو، معماری‌های پربازده از هماهنگ‌کننده‌های عامل‌محور برای تفسیر منظور کاربران بهره می‌گیرند و در عین حال، بازیابی سریع اطلاعات را به موتورهای جست‌وجوی سنتی می‌سپارند.
حتی در مواردی که واقعاً به قابلیت‌های مولد نیاز است، مدیران سازمان‌ها مجبور نیستند تنها به مدل‌های پایه بسیار بزرگ متکی باشند. مدل‌های پیشرفته مرزی که از بزرگ‌ترین و پرهزینه‌ترین معماری‌های هوش مصنوعی از نظر محاسباتی به شمار می‌روند، بار عملیاتی سنگینی دارند.
راستوگی به جایگزینی بسیار مقرون‌به‌صرفه‌تر اشاره کرد و گفت: «با تنظیم دقیق برخی از مدل‌های پایه متن‌باز، می‌توان مدل‌هایی ساخت که عملکردشان بسیار بهتر از بعضی مدل‌های بزرگ موجود باشد؛ آن هم با یک‌پنجم یا یک‌دهم هزینه.»
تنظیم دقیق به معنای آموزش دوباره یک مدل متن‌باز کوچک‌تر، مانند کیوون (Qwen)، با استفاده از داده‌های اختصاصی یک کاربرد مشخص است. کسب‌وکارها با به‌کارگیری مدل‌های متن‌باز تنظیم‌شده می‌توانند در وظایف تخصصی طبقه‌بندی یا پیش‌بینی، در مقایسه با مدل‌های بزرگ و بسته‌ای مانند کلود (Claude) یا چت‌جی‌پی‌تی (ChatGPT)، به دقتی برابر یا حتی بیشتر دست یابند و در عین حال هزینه‌های محاسباتی خود را به‌شدت کاهش دهند.
فرصت‌های بکر در حوزه‌های تخصصی
از دیدگاه کارآفرینان فناوری و معماران سامانه‌های سازمانی، جذاب‌ترین فرصت‌ها در خودکارسازی گردش‌کارهای تخصصی نهفته است، نه در تلاش برای ساخت مدل‌های پایه جدید. توسعه مدل‌های مرزی تازه به سرمایه مالی و زیرساخت محاسباتی عظیمی نیاز دارد که تأمین آن برای بسیاری از شرکت‌ها پایدار نیست.
راستوگی در این باره توصیه کرد: «ساخت راهکار بر پایه مدل‌های مرزی و استفاده از هوش مصنوعی عامل‌محور برای خودکارسازی گردش‌کارها در حوزه‌های مختلف، قطعاً چشم‌انداز امیدوارکننده‌ای دارد.»
با الهام از ابزارهای برنامه‌نویسی مانند کرسر (Cursor)، فرصت‌های مهمی در حوزه‌های تخصصی گوناگون، از جمله حقوق، امور مالی، سلامت، کشاورزی و منابع انسانی وجود دارد. یکی از زمینه‌های کمتر بهره‌برداری‌شده و ارزشمند، خودکارسازی رویه‌های عملیاتی استاندارد است؛ اسنادی به زبان طبیعی که مراحل لازم را برای حل مسائل پیچیده عملیاتی به کارکنان توضیح می‌دهند.
یک پلتفرم خودکارسازی عامل‌محور می‌تواند با مراجعه به پایگاه‌های دانش داخلی، دستورالعمل‌های مبهم یا نامناسب را روشن‌تر کند، رویه‌های طولانی را به وظایف کوچک‌تر تقسیم کند و انجام آن‌ها را به شبکه‌ای از عامل‌های فرعی تخصصی بسپارد. این عامل‌ها می‌توانند به‌طور خودکار در ابزارهای داخلی جست‌وجو کنند، داده‌های اسناد را استخراج کنند، تصاویر را تحلیل کنند و مسائل را حل‌وفصل کنند.
در ادامه مسیر، برای آنکه هوش مصنوعی از نظر اقتصادی و عملیاتی پایدار بماند، ساختار بنیادی مدل‌های آن نیز باید تکامل پیدا کند. مدل‌های مرزی کنونی با محدودیت‌های جدی فیزیکی و مالی روبه‌رو هستند.
راستوگی گفت: «مدل‌های مرزی امروزی بسیار بزرگ‌اند، هزینه محاسباتی فوق‌العاده بالایی دارند و انرژی و منابع زیادی مصرف می‌کنند؛ به همین دلیل، فکر نمی‌کنم این وضعیت پایدار باشد.»
افزون بر این، مدل‌های یکپارچه امروزی عمدتاً مانند موتورهای آماری پیش‌بینی توکن بعدی عمل می‌کنند؛ یعنی محتمل‌ترین واژه بعدی در یک توالی را حدس می‌زنند، بی‌آنکه درکی واقعی از قوانین فیزیک، هندسه فضایی سه‌بعدی یا رابطه علت و معلول داشته باشند.
به گفته راستوگی، برای عبور از این محدودیت‌ها، آینده هوش مصنوعی به‌سوی شبکه‌هایی از مدل‌های کوچک‌تر و تخصصی در هر حوزه حرکت خواهد کرد که هماهنگ‌کننده‌های مرکزی، هدایت و مسیریابی میان آن‌ها را بر عهده دارند. در معماری‌های آینده، به‌جای ذخیره حجم عظیمی از دانش جهان در پارامترهای مدل‌های بزرگ، توانایی استدلال از ذخیره‌سازی اطلاعات جدا خواهد شد و بازیابی داده‌ها به موتورهای جست‌وجوی خارجی و پرسرعت متکی خواهد بود.
در نهایت، این صنعت به‌سمت توسعه مدل‌های واقعی جهان پیش خواهد رفت؛ مدل‌هایی که درکی درونی از فضاهای فیزیکی و رفتار محیط دارند و می‌توانند چارچوبی عملی و مقرون‌به‌صرفه برای خودکارسازی عملیات سازمانی فراهم کنند.