Finansinių nusikaltimų tyrėjas, kuris kadaise gavo didelį įtartinos veiklos perspėjimų kiekį, reikalaujantį nuobodų tyrimo darbą rankiniu būdu rinkti duomenis per sistemas, kad būtų galima išnaikinti klaidingus teigiamus dalykus ir parengti įtartinos veiklos ataskaitas (SARS). Šiandien ji gauna prioritetų įspėjimus su automatiniais tyrimais ir pasiūlė turinį, kuris per kelias minutes gali generuoti SAR.
Mažmeninės kategorijos planuotojas, anksčiau atlikęs valandų trukmės praėjusių savaičių ataskaitų analizę, bandydamas išsiaiškinti įžvalgą, kuriems produktai yra nepakankamai veikiami, ir kodėl, dabar naudoja AI, kad pateiktų gilių nardymo įžvalgas, kurios pateiktų tokias paviršiaus problemines sritis ir siūlo taisomuosius veiksmus, kuriems teikiama pirmenybė Maksimalus verslo poveikis. Pramonės techninės priežiūros inžinierius naudoja kopilotą, kuris vykdo visą parą veikiančią turto sveikatos stebėjimą ir prognozuoja problemas ir sukuria įspėjimą ankstyvoje mechaninių ar veiklos problemų etapuose, mažindamas neplanuotą prastovą.
Šios transformacijos vyksta šiandien visose įmonėse, signalizuojant apie esminį poslinkį: vertikalios programos, derinančios nuspėjamą, generatyvinę ir kylančią agentų AI, padidina ir keičia darbo eigos automatizavimą, užtikrinant tikslines, sudėtingas galimybes, kuriose nagrinėjami kur kas sudėtingesni ir kontekstiniai iššūkiai nei ankstesni sprendimai.
Gartnerio 2024 m. „Hype“ ciklas kylančioms technologijoms išryškino autonominę AI kaip vieną iš keturių geriausių metų kylančių technologijų tendencijų – ir dėl rimtos priežasties. Naudodamiesi ne AAI agentais, vartotojai turėjo apibrėžti kas Jie turėjo automatizuoti ir kaip padaryti tai labai išsamiai. Tačiau programos, derinančios nuspėjamą, generatyvinę ir netrukus agentinę AI su specializuotais vertikaliais žinių šaltiniais ir darbo eigomis, gali pritraukti informaciją iš skirtingų šaltinių visos įmonės, greičio ir automatizuotos pasikartojančios užduotys ir pateikti rekomendacijas dėl didelio poveikio veiksmų. Šios programos naudojančios įmonės realizuoja greitesnius ir tikslesnius sprendimus, greitą problemų identifikavimą ir ištaisymą bei netgi prevencines priemones, kad pirmiausia sustabdytų problemas.
PG agentai atspindi kitą „Enterprise AI“ bangą. Jie remiasi prognozuojamojo ir generatyvaus AI pagrindais, tačiau labai žengia į priekį savarankiškumo ir pritaikomumo prasme. PG agentai nėra tik analizės ar turinio generavimo įrankiai-jie yra intelektualios sistemos, galinčios priimti nepriklausomą sprendimų priėmimą, problemų sprendimą ir nuolatinį mokymąsi. Šis progresas žymi perėjimą nuo AI kaip palaikymo įrankio prie AI kaip aktyvaus verslo procesų dalyvio, galinčio inicijuoti veiksmus ir pritaikyti strategijas realiuoju laiku.
Evoliucija nuo RPA iki autonominių veiksnių
Tradiciškai RPA buvo naudojamas pasikartojantiems, euristikai pagrįstiems procesams ir mažo kompensacijos užduotims su struktūrizuotomis duomenų įvestimis. RPA naudoja struktūrizuotus įėjimus ir apibrėžtą logiką, kad automatizuotų labai pasikartojančius procesus, tokius kaip duomenų įvedimas, failų perdavimas ir formų užpildymas. Platus prieinamų, labai veiksmingų prognozuojamų ir generatyvinių AI prieinamumas atkreipė dėmesį į kitą sudėtingesnių verslo problemų lygį, reikalaujantį specializuotos domenų kompetencijos, įmonės klasės saugumo ir galimybės integruoti įvairius duomenų šaltinius.
Kitame lygyje AI agentai peržengia prognozuojančius AI algoritmus ir programinę įrangą, turėdami galimybę savarankiškai veikti, prisitaikyti prie besikeičiančios aplinkos ir priimti sprendimus, pagrįstus tiek iš anksto užprogramuotomis taisyklėmis, tiek su išmoktu elgesiu. Nors tradiciniai AI įrankiai gali būti puikūs atliekant konkrečias užduotis ar duomenų analizę, AI agentai gali integruoti kelias galimybes naršyti sudėtingą, dinaminę aplinką ir išspręsti daugialypės problemas. PG agentai gali padėti organizacijoms būti veiksmingesnėms, produktyvesnėms ir pagerinti klientų ir darbuotojų patirtį, tuo pačiu sumažinant išlaidas.
Kai kuriami su tinkamais AI modeliais kaip įrankius, su vertikaliais duomenų šaltiniais ir mašininiu mokymuis Laikas dėl nurodytų užduočių.
Naršymas diegimas: pagrindiniai aspektai, į kuriuos įmonės reikia atsižvelgti
Prognozuojamos, generatyvinės ir galiausiai agentinės AI įgyvendinimas įmonės aplinkoje gali būti labai naudingas, tačiau prieš pradedant diegimą siekiant užtikrinti, kad sėkmė yra kritinė, prieš pradedant diegimą. Čia yra keletas pagrindinių aspektų įmonėms, atsižvelgiant į tai, kaip jos svarsto ir pradeda rinkti AI agentus.
- Derinimas su verslo tikslais: Kad įmonės AI priėmimas būtų sėkmingas, jame turėtų būti atsižvelgiama į konkrečius naudojimo atvejus konkrečiose pramonės šakose ir padidinti produktyvumą bei tikslumą. Į AI vertinimo/atrankos procesą reguliariai įtraukiami verslo suinteresuotosios šalys, kad būtų užtikrintas suderinimas ir aiški IG. Produktai turėtų būti pritaikyti prie procesų ir darbo eigos, kurios išmatuojamai pagerina apibrėžtų naudojimo atvejų ir vertikalių sričių rezultatus.
- Duomenų kokybė, kiekis ir integracija: Kadangi AI modeliams reikia daug aukštos kokybės duomenų, kad būtų galima efektyviai atlikti, įmonės turi įdiegti patikimus duomenų rinkimo ir apdorojimo vamzdynus, kad užtikrintų, jog AI gauna dabartinius, tikslius, svarbius duomenis. Duomenų šaltiniai žymiai sumažina haliucinacijų riziką ir suteikia AI galimybę atlikti optimalią analizę, rekomendacijas ir sprendimus.
- Saugumas ir privatumas: Nenuosiųjų duomenų tvarkymas AI modeliuose kelia privatumo riziką ir galimą saugumo pažeidžiamumą. Atidžiai apsvarstykite, kokie duomenys yra reikalingi AI atlikti savo darbą, ir nepateikti duomenų, kurie nebūtų tiesiogiai svarbūs, gali padėti sumažinti ekspoziciją. Programos taip pat turėtų pateikti vaidmenims ir vartotojui pagrįstą prieigos kontrolę su autentifikavimo apsauga, sukurta duomenų ir API sluoksniuose, ir patvirtinti, kad duomenys nepasiekia SLM ar LLM be patikrinimo ir apsaugos.
- Infrastruktūra ir mastelio keitimas: Vykdant didelius AI modelius, reikia reikšmingų skaičiavimo išteklių, o mastelio keitimas taip pat gali būti problema. Geras dizainas užkirs kelią išteklių pertekliui – pavyzdžiui, specializuotas SLM gali būti toks pat efektyvus kaip labiau apibendrintas LLM ir žymiai sumažinti skaičiavimo reikalavimus ir latencijas.
- Modelio aiškinimas ir paaiškinimas: Daugelis AI modelių, ypač giluminio mokymosi modelių, dažnai laikomi „juodosiomis dėžutėmis“. Geros įmonės AI produktai pasirodė visiškas skaidrumas, įskaitant tai, kokie šaltiniai yra prieinami modeliams ir kada ir kodėl buvo pateikta kiekviena rekomendacija. Turėti šį kontekstą yra labai svarbu norint sukurti vartotojo pasitikėjimą ir skatinti priėmimą.
Galimi AI agentų trūkumai
Kaip ir bet kurioje naujose technologijose, AI agentai turi keletą galimų trūkumų. Geriausios AI agentų programos priklauso nuo žmogaus, įskaitant visas „Symphonyai Agentic AI“ programas ir galimybes, procesus. Šis požiūris leidžia atlikti žmonių priežiūrą, intervenciją ir bendradarbiavimą, užtikrinant, kad agento veiksmai atitiktų verslo tikslus ir etinius aspektus. „Žmogaus-kilpos“ sistemos gali pateikti grįžtamąjį ryšį realiuoju laiku, patvirtinti kritinius sprendimus arba įsitraukti į tai, kai AI susiduria su nepažįstamomis situacijomis, sukurdama galingą dirbtinio ir žmogaus intelekto bendradarbiavimą.
Atsakinga AI taip pat pateikia stiprią vartotojo sąsają, atsekamumą ir galimybę patikrinti veiksmus, kodėl agentas pasirinko vykdymo kelią. Mes laikomės atsakingų AI atskaitomybės, skaidrumo, saugumo, patikimumo/saugos ir privatumo principų.
Kelias į visiškai autonominius agentus
Sunku nuspėti, koks realus yra visiškai autonominio agento scenarijus, nes mes nenustatėme visos pramonės autonomijos lygio priemonės. Pavyzdžiui, buvo nustatyta autonominė vairavimo zona, susijusi su 1-5 lygio savarankiško vairavimo galimybėmis, o „Zero“ nėra automatizavimo lygis, kai vairuotojas atlieka visas vairavimo užduotis, iki penktojo lygio, kad būtų pilna automatizavimo, kai transporto priemonė atlieka visas vairavimo užduotis.
Mums gerai sekasi tai, ką aš matau kaip trečiąjį kelio į įmonės vertę etapą su AI-kai kombinuotos generatyvinės ir prognozuojamos AI programos pateikia sudėtingas rekomendacijas ir palaiko sklandų, jei analizę. „Symphonyai“ matome kitą etapą, besikeičiantį autonominių AI agentų, dirbančių su prognozuojamu ir generatyviu AI, siekiant pagreitinti finansinių sukčiavimo tyrimus, turbokompresorių mažmeninės prekybos kategorijų valdymą ir paklausos prognozavimą, ir leidžia gamintojams numatyti ir išvengti mašinų nesėkmių. \
Šiuo metu mes tobuliname AI agentų sudėtingumą ir autonomiją savo programose, o klientų atsiliepimai yra labai teigiami. Prognozuojama ir generatyvinė AI tapo tokiu lygiu, kai jie gali automatizuoti darbo eigas, kurios kadaise buvo laikomos per sudėtingomis tradicinei programinei programinei įrangai. Autonominė arba agentinė AI puikiai atlieka šias užduotis be priežiūros, todėl padidėja transformacinis produktyvumo padidėjimas ir leidžiant žmogiškiesiems ištekliams sutelkti dėmesį į daugiau strateginės veiklos.
Pavyzdžiui, tarptautinis Europos bankas, naudojantis „Symphonyai Sensa“ tyrimo centrą su AI agentais ir kopilotu, padėjo finansų nusikaltimų tyrėjams sutaupyti laiko savo tyrimams, tuo pačiu gerinant tyrimo kokybę. Per kelias savaites bankas pastebėjo, kad 1 lygio ir 2 lygio tyrimų vidutinis pastangų sutaupymas buvo maždaug 20%. Bankas taip pat projektuoja sutaupytas išlaidas, naudodamas „Symphonyai“ „Microsoft Azure“ – 3,5 mln.
Atsižvelgiant į apgalvotą, įmonės klasės dizainą, naudojant atsakingus PG principus, AI agentai teikia transformacinį produktyvumą, tikslumą ir kompetenciją augančiai įrodytų naudojimo atvejų įvairovei. „Symphonyai“ mūsų misija yra suteikti įmonėms AI agentus, kurie teikia kompetenciją operatyviai. Maišant greitą reagavimą į ilgalaikį strateginį mąstymą, agentinė AI yra skirta pakeisti kritinius procesus įvairiose pramonės šakose.
Source link
