بر اساس گزارش جدیدی از MIT Technology Review که بر پایه نظرسنجی از ۳۰۰ مدیر ارشد حوزه داده، هوش مصنوعی و فناوری تهیه شده، میانگین تنها ۳۴ درصد پروژه‌های ایجنت هوش مصنوعی در سازمان‌ها به مرحله بهره‌برداری (production) می‌رسند. حتی شرکت‌های فناوری پیشرو نیز با همین مشکل دست‌وپنجه نرم می‌کنند.

دانش زمینه‌ای، حلقه گمشده ایجنت‌ها#

گزارش سه نوع دانش را برای عملکرد صحیح ایجنت‌ها ضروری می‌داند: دانش معنایی (semantic knowledge)، حافظه رویدادی (episodic memory) و دانش رویه‌ای (procedural knowledge). ایجنت‌ها بدون این سه لایه، در تصمیم‌گیری خطا می‌کنند و به‌دلیل عدم‌اطمینان در خروجی، قابل اتکا نیستند.

پراکندگی داده‌ها (عدم اشتراک‌گذاری کافی داده میان سیستم‌ها) بیشترین چالش گزارش‌شده است: ۵۵ درصد پاسخ‌دهندگان آن را مهم‌ترین مانع دسترسی ایجنت به دانش دانسته‌اند. در مقابل، سازمان‌هایی که ایجنت‌هایشان به بهره‌برداری رسیده، نگرانی امنیتی و حریم خصوصی را چالش اصلی می‌دانند (۷۲ درصد این گروه).

سرمایه‌گذاری بر لایه دانش#

مدیران ارشد برای بهبود کیفیت تصمیم‌گیری ایجنت‌ها، تقویت زیرساخت ارتباطی میان داده‌های سازمان و ایجنت‌ها را مؤثرترین اقدام می‌دانند. اولویت‌های سرمایه‌گذاری شامل موارد زیر است:

  • فناوری‌های بازیابی داده: لوله‌های ورودی (ingestion pipelines)، APIهای آماده هوش مصنوعی و RAG
  • ایجنت‌های ارزیابی (AI evaluation agents)
  • نقشه‌های دانش (knowledge graphs)

گزارش نشان می‌دهد گروه کوچکی از سازمان‌ها که به «رهبران بهره‌برداری» شناخته می‌شوند — جایی که میانگین ۶۱ درصد پروژه‌های ایجنت از مرحله پایلوت فراتر می‌رود — توانمندی دانش معنایی قوی‌تری نسبت به سایر سازمان‌ها دارند.

این محتوا توسط واحد محتوای سفارشی MIT Technology Review (با نام Insights) تولید شده و توسط کارکنان تحریریه این نشریه تهیه نشده است.

خوانش تحریریه#

عدد ۳۴ درصد مهم است، اما باید با احتیاط خوانده شود. این رقم از نظرسنجی ۳۰۰ مدیر به دست آمده، نه از داده‌های عینی و مستقل؛ و منبع آن محتوای سفارشی است، نه گزارش تحریریه مستقل MIT Technology Review. با این حال، الگوی کلی با آنچه در عمل دیده می‌شود هم‌خوانی دارد: ایجنت‌هایی که به دانش زمینه‌ای سازمانی متصل نیستند، در پایلوت می‌مانند.

برای کسی که همین حالا با ابزارهای موجود ایجنت و اتوماسیون می‌سازد، پیام عملی این است: مشکل اغلب در مدل یا prompt نیست، در لایه دانش است. اگر ایجنت شما به داده‌های سازمانی متصل نیست یا اگر این داده‌ها در سیستم‌های پراکنده و ناهمگن قرار دارند، احتمالاً در همان ۶۶ درصدی هستید که به بهره‌برداری نمی‌رسند. RAG به‌تنهایی کافی نیست؛ مسئله به یکپارچگی و ساختاردهی داده بازمی‌گردد.

منبع: MIT Technology Review