على مدى السنوات القليلة الماضية، كان الذكاء الاصطناعي التوليدي (Gen AI) هو الاتجاه الجديد الأكثر رواجًا بين التقنيين، لكن مصطلحًا جديدًا بدأ يظهر مؤخرًا في مجتمعات تطوير الذكاء الاصطناعي (AI). كلمة "وكيل" أصبحت أحدث صيحات الذكاء الاصطناعي، وفي هذه الحالة، من المناسب أن نصدق هذه الصيحة. يجمع الذكاء الاصطناعي الوكيل بين مرونة وتعدُّد استخدامات النماذج اللغوية الكبيرة (LLMs) ودقة البرمجة التقليدية.
يشير الذكاء الاصطناعي الوكيل إلى نظام أو برنامج قادر على تنفيذ المهام بشكل مستقل نيابةً عن المستخدم أو نظام آخر، من خلال تصميم مهام سير العمل واستخدام الأدوات المتاحة. يمتلك النظام "القدرة الوكيلية" لاتخاذ القرارات وتنفيذ الإجراءات وحل المشكلات المعقدة والتفاعل مع البيئات الخارجية بما يتجاوز البيانات التي تم تدريب نماذج التعلم الآلي (ML) الخاصة به عليها.
لا يستفيد وكلاء الذكاء الاصطناعي من قواعد البيانات والشبكات فحسب، بل يمكنهم أيضًا التعلم من سلوك المستخدم، والتحسّن مع مرور الوقت. إن قدرة الوكلاء على التكيف تمكِّنهم من التعامل مع التطبيقات المعقدة ومتعددة الخطوات من الذكاء الاصطناعي والتي لا يستطيع الذكاء الاصطناعي التقليدي التعامل معها، ما يجعلهم جزءًا أساسيًا من استراتيجية الأتمتة في المؤسسات الحديثة.
إذا طلبت من روبوت محادثة عام قائم على نموذج لغوي كبير مثل ChatGPT أن يخبرك أي صانع آيس كريم تشتري، فإن قدراته في معالجة اللغة الطبيعية (NLP) ستمكِّنه من تقديم توصيات استنادًا إلى بيانات تدريبه، والتي من المحتمل أن تتضمن معلومات مستخلصة من الإنترنت. لكنك لا تريد نصائح عامة من الماضي، بل تحتاج إلى نصائح تأخذ في الاعتبار المعلومات في الوقت الفعلي.
تتكون منصة الذكاء الاصطناعي الوكيل من نموذج لغوي كبير (LLM) ينسِّق سلوك عدة وكلاء يمكن نشرهم عبر تطبيقات مختلفة. قد يكون هؤلاء الوكلاء نماذج ذكاء اصطناعي، أو قد يكونون أدوات بحث بسيطة تستطيع بسرعة استرجاع المعلومات من قاعدة معرفية أو عبر الإنترنت. لاستكمال المثال السابق، تخيَّل لو أن نموذجًا لغويًا كبيرًا مثل GPT كانت لديه أيضًا إمكانية الوصول إلى بيانات التجارة الإلكترونية في الوقت الفعلي وتفاصيل الدفع الخاصة بك.
يمكن لمنصة الذكاء الاصطناعي الوكيل مثل هذه أن تخبرك ليس فقط بأن الناس يحبون صانع آيس كريم معين معروض للبيع لدى بائع محدد، بل يمكنها نظريًا القيام بعملية الشراء نيابةً عنك. يقرّبنا الذكاء الاصطناعي الوكيل من حالات الاستخدام التي كنا نعتبرها حتى وقت قريب من قبيل الخيال العلمي، حيث يمكن للآلات إتمام مهام معقدة تشمل مهام سير عمل معقدة، واتخاذ قرارات قائمة على البيانات، وتنفيذ الإجراءات بأقل تدخل بشري.
هناك أسباب وجيهة للاعتقاد بأن الضجة حول الذكاء الاصطناعي الوكيل مبررة. إليك 4 منها:
تتفوق النماذج اللغوية الكبيرة (LLMs) في معالجة النصوص وإنتاجها بأسلوب يشبه الأسلوب البشري، ما يسهِّل على المستخدمين التفاعل مع الذكاء الاصطناعي باستخدام أوامر اللغة الطبيعية. وهذا يقلل من الحاجة إلى معرفة البرمجة الصريحة. يمكن أن تولِّد النماذج اللغوية الكبيرة استجابات أو إجراءات تستند إلى فهم دقيق يعتمد على السياق، وهو أمر مفيد في السيناريوهات التي قد تواجه فيها البرمجة التقليدية صعوبةً في تغطية جميع الحالات على الحافة. علاوةً على ذلك، فإن النماذج اللغوية الكبيرة مبدعة أيضًا في مهام مثل إنشاء المحتوى وتلخيص إكمال التعليمات البرمجية والمزيد. ومن الصعب تكرار هذه القدرات التوليدية باستخدام البرمجة التقليدية القائمة على القواعد.
في المقابل، تتميز البرمجة التقليدية بأنها ذات هيكلية عالية وحتمية وموثوق بها، ما يجعلها مثالية للمهام التي تتطلب الدقة وقابلية التكرار والتحقق. توفِّر لغات البرمجة التقليدية تحكمًا دقيقًا في كيفية تنفيذ المهام، ما يساعد على ضمان إمكانية تحديد سير العمل المعقد أو الخوارزميات أو متطلبات النظام المحددة بشكل واضح وتحسينها. غالبًا ما تكون البرمجة التقليدية أكثر كفاءة للمهام التي تتطلب أداءً عاليًا أو وظائف فريدة.
توفر أنظمة الذكاء الاصطناعي الوكيل أفضل ما في العالمين: استخدام النماذج اللغوية الكبيرة (LLMs) للتعامل مع المهام التي تستفيد من المرونة والاستجابات الديناميكية، مع دمج قدرات الذكاء الاصطناعي هذه مع البرمجة التقليدية للقواعد الصارمة والمنطق والأداء العالي. يُتيح هذا النهج الهجين للذكاء الاصطناعي أن يكون بديهيًا ودقيقًا. يمكن للوكلاء أداء المهام بشكل مستقل مع التكيف مع البيانات الجديدة أو البيئات الديناميكية، وهو أمر يشكِّل تحديًا للبرامج الثابتة. في الوقت نفسه، يمكن للعمليات الحيوية (مثل الأمن أو الحسابات) الاعتماد على الخوارزميات التقليدية الحتمية.
قد يحتوي النظام المدعوم بالذكاء الاصطناعي الوكيل على وكلاء انعكاسيين بسيطين ينفِّذون مهمة واحدة بشكل جيد وباستمرار. يمكن للوكلاء الأكثر تعقيدًا القائمين على القواعد استخدام الإدراك الحالي والاستفادة من الذاكرة، ما يُتيح لهم تلقي وتخزين المعلومات الجديدة، وبالتالي أداء مجموعة أوسع من المهام. يمكن لوكلاء التعلم أيضًا استيعاب البيانات الجديدة، لكنهم يستخدمونها لاتخاذ قرارات لاحقة، ما يحسِّن الدقة مع مرور الوقت. قد تتضمن منصة الذكاء الاصطناعي الوكيل القوية عشرات أو حتى مئات الوكلاء ذوي القدرات المختلفة الذين يعملون معًا.
الرسالة الإخبارية الخاصة بالمجال
احصل على رؤى منسقة حول أهم أخبار الذكاء الاصطناعي وأكثرها إثارةً للاهتمام. اشترِك في خدمة رسائل Think الإخبارية الأسبوعية. راجع بيان الخصوصية لشركة IBM.
سيتم تسليم اشتراكك باللغة الإنجليزية. ستجد رابط إلغاء الاشتراك في كل رسالة إخبارية. يمكنك إدارة اشتراكاتك أو إلغاء اشتراكك هنا. راجع بيان خصوصية IBM لمزيد من المعلومات.
عادةً ما يتم تدريب النماذج اللغوية الكبيرة (LLMs) على مجموعات بيانات ثابتة تمثِّل لقطة للمعلومات حتى نقطة زمنية محددة. لا تستطيع النماذج اللغوية الكبيرة (LLMs) جمع معلومات جديدة من الإنترنت بعد انتهاء فترة تدريبها. يمكنها فقط توليد الردود بناءً على ما "تعرفه" بالفعل. ولا يمكنها الوصول إلى البيانات في الوقت الفعلي من مصادر خارجية أو تحديثها من تلقاء نفسها.
لا تستطيع النماذج اللغوية الكبيرة (LLMs) التفاعل مباشرةً مع الأدوات الخارجية أو أنظمة معالجة البيانات (مثل جداول البيانات أو المنصات السحابية أو برامج التحليلات) أو إعداد أنظمة لمراقبة وجمع البيانات بشكل مستمر (مثل أجهزة إنترنت الأشياء أو عمليات الأعمال أو سجلات الأنظمة) لأنها ليست مصممة لأداء المهام المستمرة.
يمكن تصميم الذكاء الاصطناعي الوكيل للبحث في الويب، والمعروف باسم واجهات برمجة التطبيقات (APIs) أو قواعد بيانات الاستعلام. يمكن للوكلاء إحضار المعلومات في الوقت الفعلي، أو استرجاع التحديثات أو سحب نقاط بيانات محددة مهمة لصناعة القرار. يمكن للوكلاء بدء وإدارة المهام مثل التسجيل في الوقت الفعلي والمراقبة في الوقت الفعلي وتحليل التوجهات. ويمكنهم تتبُّع وجمع تدفقات البيانات من أجهزة إنترنت الأشياء، أو خلاصات وسائل التواصل الاجتماعي، أو أنظمة أخرى بشكل استباقي، ما يوفر للنماذج اللغوية الكبيرة مدخلات حديثة لاتخاذ قرارات أكثر وعيًا واستجابات سياقية.
يمكن للذكاء الاصطناعي الوكيل استخدام حلقات التعليقات حيث يسعى بنشاط إلى الحصول على بيانات جديدة لتحسين نماذجه أو عمليات اتخاذ القرار. قد يتضمن ذلك الاستعلام عن مصادر جديدة بشكل دوري، أو جمع التعليقات أو تحليل النتائج الواقعية لتحديث وتحسين فهمها أو الاستراتيجيات. بهذه الطريقة، يمكن للنموذج اللغوي الكبير تحقيق التحسين مع مرور الوقت من خلال بيانات أغنى تتطور باستمرار.
مع القدرات الكبيرة للنماذج اللغوية الكبيرة والقدرات الموجَّهة للوكلاء، يمكن للذكاء الاصطناعي الوكيل العمل بشكل مستقل وأداء مهام محددة بشكل ذاتي دون الحاجة إلى إشراف بشري مستمر. ويُتيح هذا التشغيل المستمر في البيئات التي يكون فيها الإشراف البشري محدودًا أو غير ضروري. يمكن للأنظمة المستقلة الحفاظ على الأهداف طويلة المدى وإدارة المهام متعددة الخطوات وتتبُّع التقدم بمرور الوقت.
على سبيل المثال، يمكن تكليف الذكاء الاصطناعي الوكيل بإدارة حملة تسويقية، مع مراقبة الأداء بشكل مستمر، وتعديل الاستراتيجيات، وتحسين النتائج استنادًا إلى الملاحظات، دون الحاجة إلى تدخل بشري في كل خطوة.
في مجال الرعاية الصحية، يمكن للوكلاء مراقبة بيانات المرضى، وتعديل توصيات العلاج بناءً على نتائج الاختبارات الجديدة، وتقديم ملاحظات في الوقت الفعلي للأطباء.
في مجال الأمن الإلكتروني، يمكن للوكلاء مراقبة حركة مرور الشبكة، وسجلات الأنظمة، وسلوك المستخدمين بشكل مستمر لرصد أي شذوذ قد يُشير إلى تهديدات أمنية محتملة، مثل البرمجيات الخبيثة، وهجمات التصيد، أو محاولات الوصول غير المصرح بها. في سلاسل التوريد، يمكن للذكاء الاصطناعي إصدار الطلبات مع المورِّدين بشكل مستقل أو تعديل جداول الإنتاج للحفاظ على مستويات المخزون المُثلى.
في الموارد البشرية، يمكن للوكلاء تحليل دور وخلفية الموظف الجديد لإنشاء مسارات تدريبية مخصصة للانضمام إلى الشركة. ويمكنهم تعديل المحتوى ومواد التعلم بناءً على خبرات الفرد السابقة ومتطلبات دوره وسرعة تعلمه.
يمكن للمرء أن يتصور أن العديد من وظائف الأعمال التي يتم تنفيذها حاليًا باستخدام منتجات البرمجيات كخدمة (SaaS) يتم استبدالها أو تعزيزها بالأنظمة القائمة على الوكلاء، والتي تمكِّن العاملين من التفاعل مع البيانات وأداء المهام بكفاءة أكبر باستخدام إدخال اللغة الطبيعية وواجهات المستخدم المبسَّطة.
على سبيل المثال، تخيَّل نظام تذاكر يستخدمه مطورو البرمجيات لتتبُّع تقدُّم المشاريع. يتطلب مثل هذا النظام العديد من الجداول وعلامات التبويب ومهام سير العمل التي لا تكون دائمًا سهلة الفهم من النظرة الأولى. للحصول على معلومات مفيدة، يحتاج المستخدمون إلى البحث عن البيانات الصحيحة، والتنقل عبر مجموعة معقدة من القوائم للوصول إلى المعلومات المطلوبة. بعد ذلك، قد يحتاجون إلى استخدام تلك المعلومات لإعداد عرض تقديمي.
ماذا لو أنه بدلًا من عرض كل هذه البيانات في جداول وألسنة، كان على المستخدم فقط أن يطلب المعلومات التي يحتاجها بلغة بشرية بسيطة؟
على سبيل المثال، تخيَّل إنشاء شريحة عرض تقديمي تعرض خمسة مخططات شريطية تمثِّل كل تذكرة مكتملة لكل موظف للشهر الحالي، مع العودة إلى خمس سنوات سابقة، وكل ذلك دون الحاجة إلى فرز مجموعات البيانات المعقدة يدويًا.
قد يستغرق جمع هذه البيانات يدويًا نصف ساعة، ونصف ساعة أخرى لعرضها بشكل منسَّق في عرض تقديمي أنيق، لكن الوكلاء يمكنهم تجميعها في ثوانٍ معدودة.
بالنسبة إلى المؤسسات التي تجد صعوبة في رؤية فوائد الذكاء الاصطناعي التوليدي، قد يكون الوكلاء هم المفتاح لتحقيق قيمة أعمال ملموسة. النماذج اللغوية الكبيرة الموحَّدة مثيرة للإعجاب، لكنها محدودة الاستخدام في مجال الذكاء الاصطناعي المؤسسي. لا يزال من غير المعروف ما إذا كانت المبالغ الضخمة التي تُستثمر حاليًا في عدد قليل من النماذج اللغوية الكبيرة ستتحقق عوائدها في حالات الاستخدام الواقعية، لكن الذكاء الاصطناعي الوكيل يمثِّل إطارًا واعدًا يربط هذه النماذج بالعالم الحقيقي، موضِّحًا الطريق نحو مستقبل أكثر اعتمادًا على الذكاء الاصطناعي.
تمكين المطورين من إنشاء وكلاء الذكاء الاصطناعي ونشرهم ومراقبتهم باستخدام استوديو IBM watsonx.ai.
حقِّق إنتاجية غير مسبوقة مع مجموعة من أكثر الحلول تكاملًا في القطاع لمساعدة الأعمال على بناء وتخصيص وإدارة وكلاء ومساعدي الذكاء الاصطناعي.
تحقيق وفورات في التكاليف تزيد على 90% باستخدام نماذج Granite الصغيرة والمفتوحة المصممة لتعزيز كفاءة المطوِّرين. تقدِّم هذه النماذج الجاهزة للمؤسسات أداءً استثنائيًا في معايير الأمان، وتتفوق في مجموعة واسعة من المهام المؤسسية من الأمن الإلكتروني إلى التوليد المعزز بالاسترجاع (RAG).