LLM-ների՝ որպես գիտելիքի ստատիկ պահեստարանների դերից անցումը դեպի իրական աշխատանքներ կատարելու ընդունակ AI գործակալների (AI Agents) այս տասնամյակի ամենակարևոր տեխնոլոգիական տեղաշարժն է: Մենք անցել ենք մեքենայի հետ «զրուցելու» և նրանից ամփոփում կամ նամակի սևագիր խնդրելու դարաշրջանը։ Այժմ մենք մուտք ենք գործում գործակալության դարաշրջան՝ երբ լեզվական մեծ մոդելները (Large Language Models) կարող են փոխազդել բարդ ֆիզիկական և թվային միջավայրերի հետ՝ շոշափելի արդյունքներ գրանցելու համար։
Վերջերս երեք ինժեներների կողմից անցկացված փորձը, որտեղ նրանք փորձում էին կառավարել սովորական ավտոմեքենա՝ օգտագործելով միայն GPT-4o-ի, Claude 3.5 Sonnet-ի և Grok-2-ի տրամաբանական կարողությունները, հիանալի օրինակ է այս տեղաշարժի ներկայիս սահմանափակումների և հսկայական ներուժի մասին։ Թեև կոնկրետ նպատակը՝ մեքենան վարել մինչև արագ սննդի «drive-thru» կետ, կարող է հնարք թվալ, այն ցույց է տալիս հենց այն դժվարությունները, որոնց բախվում են բիզնեսներն այսօր՝ իրենց աշխատանքային գործընթացներում ավտոմատացում ներդնելիս:
Տրամաբանության և կատարողականության միջև առկա բացը
Փորձը բացահայտեց մի կարևոր ճշմարտություն Արհեստական ընդհանուր բանականության (AGI) նախադրյալների ներկա վիճակի մասին. տրամաբանական կարողությունը ավտոմատ կերպով չի նշանակում միջավայրում ազատ կողմնորոշվելու ունակություն: Թեև այս մոդելները փայլուն են տեղեկատվության համադրման հարցում, նրանց պակասում է «զգայա-շարժողական» այն ինտուիցիան, որը մարդիկ ձեռք են բերում ֆիզիկական փորձի տարիների ընթացքում:
Թեստի ընթացքում մոդելներին հանձնարարված էր մեկնաբանել տեսախցիկների տվյալները, ղեկը կառավարել, արագացնել և արգելակել: Արդյունքները խիստ տարբեր էին՝ ընդգծելով «սև արկղ» (black box) մոդելների անկանխատեսելիությունը բարձր ռիսկայնություն ունեցող միջավայրերում.
- Ոչ հետևողական տրամաբանություն. Որոշ մոդելներ դժվարանում էին տեսողական տվյալները (կանգառի նշան կամ գծանշում) վերածել անհապաղ գործողությունների:
- Լատենտության (ուշացման) մարտահրավերներ. Իրական ժամանակում որոշումների կայացումը պահանջում է միլիվայրկյանային արձագանք: Երբ AI մոդելը ստիպված է լինում սերվերին ուղարկել թոքենավորված հարցում, սպասել պատասխանին, ապա նոր կատարել ֆիզիկական հրաման, առաջացող ուշացումը վտանգավոր խոչընդոտ է ստեղծում իրական աշխարհում:
- Համատեքստային կուրություն. Ի տարբերություն մարդ վարորդի, որը մարմնի լեզվով կանխատեսում է հետիոտնի՝ ճանապարհ դուրս գալը, LLM-ները հաճախ հենվում են միայն օբյեկտների ճանաչման վրա՝ անտեսելով ֆիզիկական միջավայրի փոփոխական բնույթը:
Բիզնես ղեկավարների համար այս բացը թվային փոխակերպման հիմնական խոչընդոտն է: Դուք չեք կարող պարզապես «միացնել» AI մոդելը բիզնեսի հնացած գործընթացին և ակնկալել, որ այն կկողմնորոշվի ձեր CRM-ի կամ մատակարարման շղթայի բարդությունների մեջ առանց կառավարման հստակ համակարգի: Այս սցենարում «մեքենան» ձեր բիզնես ենթակառուցվածքն է. եթե մոդելները հստակ, իրական ժամանակի պատկերացում չունենան առջևում գտնվող ճանապարհի մասին, ճամփորդությունը կարճատև կլինի:
Ազդեցությունը կորպորատիվ ROI-ի և ավտոմատացման վրա
Վարելու փորձի ժամանակ որոշ մոդելների ձախողումը կարևոր դաս է տալիս ավտոմատացման ռազմավարության վերաբերյալ. AI գործակալներն այնքանով են արդյունավետ, որքանով արդյունավետ են այն հետադարձ կապի օղակները, որոնցում նրանք գործում են: Շատ ընկերություններ այժմ շտապում են ինքնավար գործակալներ ներդնել հաճախորդների սպասարկման կամ տվյալների մուտքագրման մեջ՝ առանց բավարար անվտանգության մեխանիզմների կամ իրական ժամանակում «ինքնաշտկման» հնարավորության:
AI նախաձեռնությունների ROI-ն գնահատելիս կազմակերպությունները պետք է տարբերակեն գեներատիվ AI-ն (որը ստեղծում է բովանդակություն) և գործակալային AI-ն (որը կատարում է առաջադրանքներ): Վերջինս պահանջում է ճշգրտության և համակարգային ինտեգրման շատ ավելի բարձր աստիճան: Նախքան գործակալների վրա հիմնված նախագծին հավանություն տալը, հաշվի առեք հետևյալ չափանիշները.
- Առաջադրանքների շրջելիություն. Վարելու օրինակում սխալը կարող է աղետալի լինել: CRM-ում սխալը կարող է նշանակել հաճախորդների տվյալների զանգվածային ջնջում: Միշտ համոզվեք, որ անշրջելի գործողությունների համար առկա է «մարդու մասնակցության» (human-in-the-loop) հնարավորություն:
- Տվյալների լատենտություն. Ձեր AI-ն աշխատում է ստատիկ տվյալների բազայի՞ վրա, թե՞ ունի կենդանի, ցածր լատենտությամբ կապ ձեր ընթացիկ գործառնական վիճակի հետ:
- Ռազմավարական շրջանակ. Այսօր ամենահաջողված AI ներդրումները կենտրոնանում են նեղ, հստակ սահմանված աշխատանքային հոսքերի վրա, ինչպիսիք են հաշիվ-ապրանքագրերի մշակման ավտոմատացումը կամ առաջատարների (leads) բազմաալիք որակավորումը, այլ ոչ թե մարդկային լայն դերերի ամբողջական փոխարինումը:
Ինքնավար գործակալների ուղղությամբ տեղաշարժը, ի վերջո, կնվազեցնի գործառնական ծախսերը, բայց միայն այն դեպքում, եթե այդ գործակալները կառուցված լինեն մոդուլային, վերիֆիկացվող շրջանակներով: Մենք հեռանում ենք մոնոլիտ, «ամեն ինչ անող» մոդելներից դեպի մասնագիտացված, բարձր հուսալիություն ունեցող ճարտարապետություններ, որոնք գերազանցում են կոնկրետ, բարձր արժեք ունեցող առաջադրանքների մեջ:
Ձեռնարկությունների ինտեգրման ապագան
AI տրամաբանության և ֆիզիկական կամ թվային կատարողականության միջև բացը կամրջելու մրցավազքն արագանում է: Թեև մենք դեռ այն կետում չենք
