داده های بررسی اخیر از 1،250+ تیم توسعه یک واقعیت جالب توجه را نشان می دهد: 55.2 ٪ برنامه ریزی برای ایجاد گردش کار عامل پیچیده تری در سال جاری ، با این وجود فقط 25.1 ٪ برنامه های هوش مصنوعی را با موفقیت در تولید مستقر کرده اند. این شکاف بین جاه طلبی و اجرای ، چالش مهم صنعت را برجسته می کند: چگونه می توانیم سیستم های هوش مصنوعی خودمختار را به طور فزاینده ای بسازیم ، ارزیابی و مقیاس کنیم؟
به جای بحث در مورد تعاریف انتزاعی از “عامل” ، بیایید بر چالش های اجرای عملی و طیف توانایی که تیم های توسعه امروز در حال پیمایش هستند ، تمرکز کنیم.
درک چارچوب استقلال
شبیه به چگونگی پیشرفت وسایل نقلیه خودمختار از طریق سطح توانایی تعریف شده ، سیستم های هوش مصنوعی از یک مسیر توسعه پیروی می کنند که در آن هر سطح بر قابلیت های قبلی ایجاد می شود. این چارچوب شش سطحی (L0-L5) لنزهای عملی را برای ارزیابی و برنامه ریزی اجرای هوش مصنوعی خود در اختیار توسعه دهندگان قرار می دهد.
- L0: گردش کار مبتنی بر قانون (پیرو)-اتوماسیون سنتی با قوانین از پیش تعریف شده و هیچ هوش واقعی
- L1: پاسخ دهنده اصلی (مجری) – سیستم های واکنشی که ورودی ها را پردازش می کنند اما فاقد حافظه یا استدلال تکراری هستند
- L2: استفاده از ابزارها (بازیگر) – سیستمهایی که به طور فعال تصمیم می گیرند چه موقع با ابزارهای خارجی تماس بگیرند و نتایج را ادغام کنند
- L3: مشاهده ، برنامه ، عمل (اپراتور)-گردش کار چند مرحله ای با قابلیت ارزیابی خود
- L4: کاملاً خودمختار (اکسپلورر) – سیستم های مداوم که اقدامات دولت را حفظ می کنند و به طور مستقل اقدام می کنند
- L5: کاملاً خلاق (مخترع) – سیستمهایی که ابزارها و رویکردهای جدیدی را برای حل مشکلات غیرقابل پیش بینی ایجاد می کنند
واقعیت اجرای فعلی: جایی که بیشتر تیم ها امروز هستند
واقعیت های اجرای ، تضاد کاملی بین چارچوب های نظری و سیستم های تولید را نشان می دهد. داده های نظرسنجی ما نشان می دهد که بیشتر تیم ها هنوز در مراحل اولیه بلوغ اجرای هستند:
- 25 ٪ در توسعه استراتژی باقی مانده اند
- 21 ٪ در حال ساخت اثبات مفهوم هستند
- 1 ٪ در محیط های بتا آزمایش می شوند
- 1 ٪ به استقرار تولید رسیده اند
این توزیع بر چالش های عملی حرکت از مفهوم به اجرای ، حتی در سطح استقلال پایین تر تأکید می کند.
چالش های فنی توسط سطح استقلال
L0-L1: ساختمان بنیاد
بیشتر سیستم های هوش مصنوعی تولید امروز در این سطوح کار می کنند ، 51.4 ٪ از تیم ها که در حال توسعه چت های خدمات مشتری و 59.7 ٪ هستند و روی تجزیه اسناد تمرکز دارند. چالش های اصلی اجرای در این مرحله پیچیدگی و قابلیت اطمینان ادغام است ، نه محدودیت های نظری.
L2: مرز فعلی
این جایی است که اکنون توسعه پیشرفته در حال وقوع است و 59.7 ٪ از تیم ها از پایگاه داده های بردار استفاده می کنند تا سیستم های هوش مصنوعی خود را در اطلاعات واقعی قرار دهند. رویکردهای توسعه بسیار متفاوت است:
- 2 ٪ ساخت با ابزار داخلی
- 9 ٪ از سیستم عامل های توسعه AI شخص ثالث اهرم می کند
- 9 ٪ صرفاً به مهندسی سریع متکی هستند
ماهیت تجربی توسعه L2 نشان دهنده در حال تحول بهترین شیوه ها و ملاحظات فنی است. تیم ها با موانع اجرای قابل توجهی روبرو هستند و 57.4 ٪ از آنها به عنوان نگرانی اصلی خود به عنوان نگرانی اصلی خود ذکر می کنند و پس از آن از اولویت بندی موارد (42.5 ٪) و شکاف تخصص فنی (38 ٪) استفاده می کنند.
L3-L5: موانع اجرای
حتی با پیشرفت های قابل توجهی در قابلیت های مدل ، محدودیت های اساسی پیشرفت را به سمت سطح استقلال بالاتر مسدود می کند. مدل های فعلی یک محدودیت مهم را نشان می دهند: آنها به جای نمایش استدلال واقعی ، به داده های آموزش بیش از حد استفاده می کنند. این توضیح می دهد که چرا 53.5 ٪ از تیم ها به جای تنظیم دقیق (5 /32 ٪) برای هدایت خروجی های مدل به مهندسی سریع متکی هستند.
ملاحظات پشته فنی
پشته اجرای فنی نشان دهنده قابلیت ها و محدودیت های فعلی است:
- ادغام چند حالته: متن (93.8 ٪) ، پرونده ها (62.1 ٪) ، تصاویر (49.8 ٪) و صوتی (27.7 ٪)
- ارائه دهندگان مدل: OpenAI (63.3 ٪) ، مایکروسافت/لاجورد (33.8 ٪) و انسان شناسی (32.3 ٪)
- رویکردهای نظارت: راه حل های داخلی (55.3 ٪) ، ابزارهای شخص ثالث (19.4 ٪) ، خدمات ارائه دهنده ابر (6 /13 ٪)
هرچه سیستم ها پیچیده تر می شوند ، قابلیت های نظارت به طور فزاینده ای بسیار مهم می شوند و 52.7 ٪ از تیم ها اکنون به طور فعال نظارت بر پیاده سازی های هوش مصنوعی دارند.
محدودیت های فنی مانع استقلال بالاتر
حتی پیشرفته ترین مدلها امروزه محدودیت اساسی را نشان می دهند: آنها بیش از حد به آموزش داده ها به جای نمایش استدلال واقعی. این توضیح می دهد که چرا اکثر تیم ها (53.5 ٪) به جای تنظیم دقیق (5 /32 ٪) برای هدایت خروجی های مدل به مهندسی سریع متکی هستند. مهم نیست که چقدر مهندسی شما پیچیده است ، مدلهای فعلی هنوز با استدلال خودمختار واقعی مبارزه می کنند.
پشته فنی این محدودیت ها را منعکس می کند. در حالی که قابلیت های چند مدلی در حال رشد است – با متن با 93.8 ٪ ، پرونده های 62.1 ٪ ، تصاویر با 49.8 ٪ و صدا در 27.7 ٪ – مدل های زیرین از OpenAI (63.3 ٪) ، مایکروسافت/آزور (33.8 ٪) و انسان شناسی (32.3 ٪) هنوز هم با همان اتوماسیون اساسی عمل می کنند که محدودیت های واقعی را محدود می کند.
رویکرد توسعه و مسیرهای آینده
برای تیم های توسعه سیستم های AI امروز ، چندین بینش عملی از داده ها پدیدار می شوند. اول ، همکاری ضروری است – توسعه هوش مصنوعی کارشناسی شامل مهندسی (82.3 ٪) ، متخصصان موضوع (57.5 ٪) ، تیم های محصول (55.4 ٪) و رهبری (60.8 ٪) است. این نیاز عملکردی متقابل باعث می شود توسعه AI اساساً با مهندسی نرم افزار سنتی متفاوت باشد.
با نگاهی به سال 2025 ، تیم ها اهداف بلندپروازانه ای را تعیین می کنند: 58.8 ٪ برنامه ریزی برای ساخت برنامه های هوش مصنوعی بیشتر در مشتری دارند ، در حالی که 55.2 ٪ در حال آماده سازی برای گردش کار پیچیده تر هستند. برای حمایت از این اهداف ، 41.9 ٪ در صعود تیم های خود متمرکز شده اند و 37.9 ٪ برای موارد استفاده داخلی در حال ساخت AI خاص سازمان هستند.
زیرساخت های نظارت نیز در حال تحول است و 52.7 ٪ از تیم ها اکنون سیستم های هوش مصنوعی خود را در تولید نظارت می کنند. بیشتر (55.3 ٪) از راه حل های داخلی استفاده می کنند ، در حالی که برخی دیگر از ابزارهای شخص ثالث (19.4 ٪) ، خدمات ارائه دهنده ابر (6 /13 ٪) یا نظارت بر منبع باز (9 ٪) استفاده می کنند. هرچه سیستم ها پیچیده تر می شوند ، این قابلیت های نظارت به طور فزاینده ای بسیار مهم می شوند.
نقشه راه فنی
همانطور که به جلو نگاه می کنیم ، پیشرفت به L3 و فراتر از آن به پیشرفت های اساسی و نه پیشرفت های افزایشی نیاز دارد. با این وجود ، تیم های توسعه در حال ایجاد زمینه برای سیستم های خودمختار تر هستند.
برای تیم هایی که به سمت سطح استقلال بالاتر می روند ، مناطق تمرکز باید شامل موارد زیر باشد:
- چارچوب های ارزیابی قوی که فراتر از آزمایش دستی برای تأیید برنامه نویسی خروجی ها است
- سیستم های نظارتی پیشرفته که می تواند رفتارهای غیر منتظره در تولید را تشخیص و پاسخ دهد
- الگوهای ادغام ابزار که به سیستم های AI اجازه می دهد تا با سایر مؤلفه های نرم افزاری با خیال راحت ارتباط برقرار کنند
- روشهای تأیید استدلال برای تمایز استدلال واقعی از تطبیق الگوی
داده ها نشان می دهد که مزیت رقابتی (31.6 ٪) و سود کارآیی (27.1 ٪) در حال حاضر تحقق می یابند ، اما 24.2 ٪ از تیم ها هنوز هیچ تأثیر قابل اندازه گیری گزارش نمی دهند. این امر اهمیت انتخاب سطح استقلال مناسب را برای چالش های فنی خاص شما برجسته می کند.
با حرکت به سال 2025 ، تیم های توسعه باید در مورد آنچه در حال حاضر ممکن است هنگام آزمایش با الگوهای که سیستم های خودمختار بیشتری را در آینده امکان پذیر می کند ، عمل کنند. دانستن قابلیت ها و محدودیت های فنی در هر سطح استقلال ، به توسعه دهندگان کمک می کند تا تصمیمات معماری آگاهانه را بگیرند و سیستم های هوش مصنوعی را بسازند که ارزش واقعی را ارائه دهند و نه فقط تازگی فنی.
