نویسنده (ها): توبی بک
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
نمایندگان مجرد AI در حال ضرب و شتم محدودیت های سازمانی هستند ، اما گردش کار چند عامل 3-5 برابر عملکرد بهتر را از طریق همکاری تخصصی باز می کند-اگر ابتدا چالش بنیاد داده را حل کنید.
در حالی که اکثر شرکت ها هنوز در حال کشف اجرای تک عامل و گردش کار “اساسی” هستند ، پذیرندگان اولیه در حال کشف محدودیت های اساسی هستند که توضیح می دهد که چرا در حال حاضر 95 ٪ از خلبانان AI شرکت شکست می خورند [1]بشر این خرابی ها ناشی از محدودیت های اصلی معماری است: عوامل مجرد در هنگام دستیابی به اندازه متن ، تخریب عملکرد قابل توجهی را تجربه می کنند – حتی اگر زمینه اضافی برای کار هدف بی ربط باشد [2] -و اثربخشی آنها در هنگام افزایش مسئولیت های متعدد به دلیل سوئیچینگ متن که باعث افزایش پیچیدگی می شود ، کاهش می یابد.
اما موج بعدی در اینجا است: سیستم های چند عامل با عوامل تخصصی که با هم کار می کنند ، هر یک با تخصص دامنه. مزیت عملی است: عوامل تخصصی که یکپارچه همکاری می کنند ، بینش را در زمان واقعی تبادل می کنند و اطلاعات مرکب را ارائه می دهند که با پیچیدگی شغلی مقیاس می یابد. پیش بینی های مالی که به طور خودکار باعث تنظیم زنجیره تأمین می شوند. تجزیه و تحلیل رفتار مشتری که بلافاصله نقشه راه محصول را آگاه می کند. برنامه ریزی استراتژیک که هوش بازار را در زمان واقعی به اجرای عملیاتی متصل می کند.
بنیاد فنی این امر قبلاً اثبات شده است-سیستم های چند عامل در حال حاضر پیشرفت های قابل اندازه گیری در گردش کار شرکت ها را ارائه می دهند. در حقیقت ، سیستم های چند عامل بهبود 3-5 برابر در انجام کار پیچیده در مقایسه با رویکردهای تک عامل را نشان می دهند [3]، و تخمین زده می شود که 25 ٪ از شرکت ها تا سال 2025 عوامل AI خودمختار را مستقر می کنند و تا سال 2027 به 50 ٪ دو برابر می شوند [4]بشر
اما در اینجا جایی است که اکثر پیاده سازی های چند عامل تجزیه می شوند: بدون پایه داده مناسب و پایه گذاری در زمینه سازمانی ، شما در حال ساختن سیستم های هوشمند هستید که در انزوا کار می کنند. مزیت همکاری هنگامی ناپدید می شود که نمایندگان نتوانند به همان اطلاعات دسترسی پیدا کنند ، و سیلوهایی را ایجاد می کنند که این معماری های چند عامل برای حل آن است.
تکامل از تک به چند عامل
چرا عوامل مجرد محدودیت دارند
نمایندگان مجرد با محدودیت های اساسی روبرو هستند که در مقیاس سازمانی آشکار می شوند. رفتار غیر تعیین کننده مسائل مربوط به قابلیت اطمینان را ایجاد می کند که ورودی های یکسان می توانند رویکردهای کاملاً متفاوتی ایجاد کنند. خرابی های آبشار هنگامی اتفاق می افتد که اشتباهات اولیه از طریق زنجیره های اعدام پیچیده شود و شرایط خاتمه نادرست می تواند عوامل را در حلقه ها به دام بیندازد.
فراتر از محدودیت های فنی ، عوامل واحد با دامنه مبارزه می کنند. برای عوامل مجرد که سعی در انجام کارهای بیش از حد به یکباره دارند ، با افزایش پیچیدگی ، سوئیچینگ متن به صورت نمایی رشد می کند.
وعده چند عامل
معماری های چند عامل این کار را با ترکیب تخصص تخصصی با پردازش موازی حل می کنند. هر نماینده در حالی که با سایر متخصصان همکاری می کند ، به بهترین کار خود توجه می کند – مدل سازی مالی ، بهینه سازی زنجیره تأمین ، هوش مشتری (یا زیرنویس های صرف آن).
این مزایا قانع کننده است: عوامل تخصصی که به طور همزمان کار می کنند و نه به طور متوالی ، معماری های انعطاف پذیر ، که در آن خرابی های عامل فردی کل سیستم را فرو نمی ریزند و با اضافه کردن عوامل تخصصی جدید ، رشد توانایی نمایی را انجام می دهند. این همه توسط شرکت های بزرگ فناوری که سرمایه گذاری زیادی در چارچوب های چند عامل انجام می دهند ، پشتیبانی می شود.
جایی که پیاده سازی های چند عامل از بین می روند
اما این واقعیت است که اکثر سازمان ها کشف می کنند: بدون بنیاد داده مناسب ، شما در حال ایجاد اطلاعات مشترک نیستید – شما در حال ساختن عوامل گران قیمت و منزوی هستید که در واقع نمی توانند با هم کار کنند ، یا حتی وظیفه خود را به درستی انجام دهند.
هنگامی که نماینده پیش بینی مالی شما از صادرات CRM دیروز کار می کند در حالی که نماینده زنجیره تأمین شما از داده های موجودی هفته گذشته استفاده می کند ، همکاری غیرممکن می شود. هنگامی که نمایندگان نمی توانند به منابع اطلاعاتی مشابه دسترسی پیدا کنند ، توصیه های متناقض و بینش های تکه تکه دریافت می کنید.
هنگامی که عوامل در سیلوهای داده کار می کنند ، مزیت چند عامل از بین می رود. این جایی است که بیشتر پیاده سازی ها شکست می خورند ، و چرا حل دسترسی به داده ها به عنوان اساسی برای موفقیت چند عامل تبدیل می شود.
بنیاد فنی: دسترسی به داده های متحد به عنوان فعال کننده چند عامل
در اکثر شرکت ها ، اجرای AI بر اساس داده های آماده AI ایجاد یا شکسته می شود. این زمینه برای درک نسل بعدی سیستم های عامل بسیار مهم است. براساس تحقیقات گارتنر ، سازمان هایی که AI را قادر نمی سازند از طریق شیوه های داده آماده AI از موارد استفاده کنند ، میزان شکست بیش از 60 ٪ برای پروژه های هوش مصنوعی را در آینده مشاهده می کنند [5]بشر
جای تعجب نیست که بیش از 75 ٪ از سازمان ها اظهار داشتند که داده های آماده AI یکی از پنج منطقه برتر سرمایه گذاری آنها برای 2-3 سال آینده است [5]بشر ظهور گردش کار چند عامل فقط در حال تقویت این چالش ها به صورت نمایی از طریق فشار بیشتر در زیرساخت های داده است.
چرا هر نماینده به دسترسی به داده های جهانی نیاز دارد
همکاری چند عامل فقط زمانی کار می کند که هر نماینده بتواند فوراً به هر داده مربوطه دسترسی پیدا کند. معماری های سنتی در اینجا شکست می خورند زیرا به ادغام های از پیش ساخته ، حرکت داده ها و تأمین دسترسی پیچیده برای هر عامل جدید نیاز دارند.
راه حل نیاز به فدراسیون کپی صفر دارد که امکان دسترسی فوری عامل به هر منبع داده بدون حرکت یا تکثیر را فراهم می کند. هنگامی که مأمورین می توانند در سراسر Salesforce ، Snowflake ، Databricks و Oracle یکپارچه سؤال کنند ، همکاری به جای مهندسی طبیعی می شود.
به اشتراک گذاری زمینه در زمان واقعی
اما نمایندگان به دسترسی به داده های خام بیش از حد نیاز دارند – آنها به درک مشترک از داده ها نیاز دارند. سیستم های چند عامل نمایانگر چالش متنی نهایی هستند-چندین عامل با تخصص های مختلف نیاز به دسترسی به همپوشانی اما داده های متمایز به طور همزمان دارند. اما به طور پیش فرض ، بیشتر داده ها متناسب نیستند زیرا این زمینه در نقاط مختلف شرکت زندگی می کند. پلتفرم داده ممکن است دارای ابرداده فنی مانند نام طرحواره و ستون باشد ، اما تعاریف ممکن است در فهرست داده های شما و مدل سازی معنایی شما در ابزار BI شما زندگی کند. این امر به یک لایه ابرداده متحد نیاز دارد که تعاریف ، روابط و زمینه های تجاری مداوم را در بین همه منابع ارائه می دهد. هنگامی که یک عامل با تعریف متفاوتی از Churn کار می کند ، کل گردش کار شکسته می شود و اعتماد از بین می رود.
حاکمیتی که با نمایندگان مقیاس می شود
نمایندگان بیشتر به معنای نقاط دسترسی بیشتر به داده ها هستند. رویکردهای سنتی که سعی می کنند داده ها را در هر منبع جداگانه اداره کنند ، یک کابوس مدیریت نمایی ایجاد می کنند – تصور کنید که سعی در حفظ سیاست های مداوم حفظ حریم خصوصی در 50 منبع داده برای 20 عامل مختلف دارند.
بنابراین ، شرکت ها به یک نقطه دسترسی مرکزی نیاز دارند که از طریق آن نمایندگان داده های خود را مصرف می کنند. کنترل دسترسی به سیاست محور از طریق یک لایه پارچه داده یکپارچه به این معنی است که هر عامل به طور خودکار در ضمن دسترسی به داده ها از یک رابط واحد و حاکم ، به طور خودکار در مرزهای مناسب کار می کند. این مقیاس رویکرد متمرکز به دلیل اینکه سیاست های حاکمیتی بدون در نظر گرفتن اینکه کدام نماینده از دسترسی به کدام نماینده استفاده می کند ، چند عامل همکاری می کنند ، یا تعداد منابع داده اصلی درگیر هستند.
جایگزین-مدیریت مدیریت در هر سیستم فردی-در مقیاس چند عامل غیرممکن می شود و هرج و مرج بسیار انطباق را ایجاد می کند که ابتکارات هوش مصنوعی را از بین می برد.
ساختن آینده چند عامل خود
با وحدت داده شروع کنید
پایه و اساس گردش کار موفق چند عامل خودشان نیستند-این معماری اساسی داده ها است که همکاری مؤثر آنها را امکان پذیر می کند. سازمانهایی که با معماری های چند عامل موفق می شوند ، ابتدا دسترسی به داده ها را حل می کنند ، سپس بر روی قابلیت های عامل لایه بندی می کنند.
بدون معماری داده مناسب ، شما در حال ایجاد عوامل هوشمند هستید که در انزوا کار می کنند. با استفاده از آن ، شما در حال ایجاد اطلاعات مشترکی هستید که با هر عامل اضافی ترکیب می شود.
الزامات معماری
یک معماری داده موفق چند عامل به چندین مؤلفه اصلی نیاز دارد:
دسترسی فدراسیون فوری به هر منبع داده بدون انتقال یا تکثیر اطلاعات. این تنگنا هایی را که همکاری عامل را کند می کند از بین می برد و تضمین می کند که همه عوامل با داده های یکسان و به روز کار می کنند.
زمینه و حاکمیت متحد این امر ابرداده ، تعاریف و سیاست های دسترسی را در تمام منابع داده ارائه می دهد. این مانع از سوء استفاده از جریان کار چند عامل می شود.
قابلیت های همکاری در زمان واقعی این امر به نمایندگان اجازه می دهد تا بینش ها را به اشتراک بگذارند و اقدامات را بدون ادغام پیچیده یا دستکاری دستی هماهنگ کنند.
به عنوان مثال ، یک عامل AI خدمات مشتری را تصور کنید که برای حل یک مسئله پیچیده به سابقه جامع مشتری نیاز دارد. به جای محدود شدن به داده های CRM ، می تواند فوراً اطلاعاتی را از سیستم های صورتحساب در SAP ، گزارش های استفاده از محصول در Google Big Query و داده های معامله اخیر در آمازون redshift – همه از طریق یک پرس و جو واحد ، با کنترل های حاکمیت مناسب به طور خودکار انجام دهد. نماینده خدمات مشتری در چند ثانیه یک تصویر کامل دریافت می کند ، نه نمای جزئی که باعث ایجاد تجربیات ناامید کننده مشتری می شود.
این امر همکاری یکپارچه بین نمایندگان تخصصی در چشم انداز داده های سازمانی شما را امکان پذیر می کند ، جایی که هر نماینده می تواند دقیقاً به متن داده مورد نیاز خود بدون موانع سنتی سیلوهای داده یا ادغام های پیچیده دسترسی پیدا کند.
فرصت رقابتی
سازمانهایی که دارای جریان کار چند عامل هستند ، در تصمیم گیری پیچیده ، برنامه ریزی یکپارچه و انطباق خودکار از مزایای قابل توجهی برخوردار خواهند بود. با افزایش پیچیدگی شغلی و فشارهای رقابتی ، این قابلیت ها به طور فزاینده ای بسیار مهم می شوند.
سؤال این نیست که آیا هوش مصنوعی چند عامل عملیات سازمانی را دگرگون می کند-این است که آیا سازمان شما این تحول را رهبری می کند یا از آن پیروی می کند.
مسیر به جلو
گردش کار چند عاملی نشان دهنده تکامل بعدی فراتر از عوامل هوش مصنوعی منفرد است ، اما فقط در صورت ایجاد در پایه های داده های یکپارچه. برنامه های سازمانی به نمایندگان تخصصی نیاز دارند که از طریق دسترسی به داده های مشترک و حاکم بر کار همکاری کنند – اطلاعات جداگانه ای که از قطع شده کار می کنند مجموعه داده هابشر
بنیاد فنی امروز وجود دارد. مزیت رقابتی به سازمانهایی می رود که ابتدا دسترسی به داده های متنی و متحد را از طریق معماری پارچه داده حل می کنند ، سپس قابلیت های عامل خود را در آن بنیاد مقیاس می دهند.
آینده شرکت AI فقط عوامل باهوش تر نیست – این عوامل هستند که می توانند واقعاً با هم کار کنند. اما این آینده مستلزم تجدید نظر در معماری داده های شما از زمین به بالا است ، سیستم های ساختمانی که به جای اجرای سیلوها ، همکاری را امکان پذیر می کنند.
سازمان های آماده برای انجام این سرمایه گذاری بنیادی کشف می کنند که هوش مصنوعی چند عامل فقط یک پیشرفت افزایشی نیست-این یک تحول اساسی در نحوه عملکرد اطلاعات در مقیاس شرکت است.
منابع
[1] A. Challapally ، C. Pease ، R. Raskar ، and P. Chari ، “Genai Divide: State of AI در تجارت 2025” ، MIT Nanda ، 2025.
[2] K. Narasimhan et al. ، “𝜏-bench: معیار AI عوامل AI برای دنیای واقعی ،” Arxiv Preprint Arxiv: 2406.12045 ، ژوئن 2024. [Online]بشر موجود: https://sierra.ai/blog/benchmarking-ai-agents
[3] ج-بروندون ، “معیارها و موارد استفاده برای AI چند عامل” ، گالیله وبلاگ AI، 25 مارس 2025. [Online]بشر موجود: https://galileo.ai/blog/benchmarks-multi-agent-ai
[4] T. Tully ، J. Redfern ، and D. Xiao ، “2024: وضعیت هوش مصنوعی در شرکت ، “Menlo Ventures ، 20 نوامبر 2024. [Online]بشر موجود: https://menlovc.com/2024-The-State-of-agenerative-ai-in-the-enterPrise
[5] E. Zaidi و R. Edjlali ، “راهنمای سفر برای ارائه موفقیت AI از طریق داده های آماده AI” ، شرکت گارتنر ، گزارش تحقیقات G00836469 ، 11 ژوئیه 2025. [Online]بشر موجود: https://promethium.ai/resource/gartner-report-journey-guide-ai-ore-data
منتشر شده از طریق به سمت هوش مصنوعی