הערה
הגישה לדף זה מחייבת הרשאה. באפשרותך לנסות להיכנס או לשנות מדריכי כתובות.
הגישה לדף זה מחייבת הרשאה. באפשרותך לנסות לשנות מדריכי כתובות.
תכננו יכולות חדשות עם סוכנים כאבני הבניין המרכזיות בליבה, ולא כהתאמות בדיעבד לזרימות עבודה קיימות. יכולות אלה לא היו אפשריות לפני הבינה המלאכותית. הן משתפרות לאורך זמן באמצעות משוב, למידה ואופטימיזציה רציפה.
בתבנית זו, סוכנים פועלים בלולאות הגיוניות ומחליטות: ניטור רציף של אותות, קבלת החלטות אוטונומטריות בתוך גבולות, ביצוע פעולות ולמידה מהתוצאות. המערכות האלה אינן עוזרות. אלה הן מערכות חכמות שמיצורות ערך עסקי חדש.
הערה
תבנית זו שונה מחמש התבניות האחרות באופן מהותי, ולא רק במידה. אין תהליך קיים שאפשר להשוות אליו, אין קו בסיס שאפשר להשתפר ממנו, ואין זרימת עבודה קיימת שתנחה את התכנון. עליך לבנות הכל, כולל האופן שבו אתה מודד הצלחה.
מהי תבנית זו
היכולות העסקיות הראשונות של בינה מלאכותית מתחילות מתוך שאלה שהדפוסים האחרים לעולם לא שואלים: מה נוכל לעשות שלא יכולנו לעשות קודם לכן? התשובה אינה גירסה מהירה יותר של העבודה של היום. זו יכולת חדשה, לעתים קרובות לולאה אוטונונית החשה מצב, קובעת ופועלת, ומשפרת את עצמה לאורך זמן. סוכנים הם אבני הבניין של היכולת, ולא שיפור שמתווסף לזרימה קיימת.
תבנית זו היא הביטוי העמוק ביותר של צד הביצוע של המשמרת של 'סיוע לביצוע'. מכיוון שאין תקדים, עליך להמציא את העיצוב, את קווי ההגנה ואת האמצעים.
מה סוכנים עושים
סוכנים בתבנית זו להתקדם מעבר לביצוע זרימות עבודה מוגדרות כדי לפעול באופן אוטומטי:
- מנועי מיטוב מתמשך: תמחור, מלאי, תזמון.
- לולאות החלטה של בינה מלאכותית מקורית: זיהוי הונאות, תגובת חריגה, ניתוב מסתגל.
- פלטפורמות חישת שוק: ניטור תחרותי, ניתוח מגמות, זיהוי הזדמנויות.
- מערכות תכנון חזויות: חיזוי ביקוש, תכנון קיבולת, מידול סיכונים.
- יצירת זרימת עבודה אוטומטית: סוכנים שמעצבים ומטבים את התהליכים שלהם.
- תיאום רב-סוכן: צוותים מתואמת של סוכנים מיוחדים לפתרון בעיות מורכבות.
יכולות אלה יוצרות ערך שלא יכול היה להתקיים ללא בינה מלאכותית. אלה לא גירסאות מהירות יותר של תהליכים קיימים. הם באמת חדשים.
מה אנשים עושים
בני אדם משמשים כבעלי מוצר. הם מגדירים יעדים, מציבים גבולות, מנטרים תוצאות והחלטות אסטרטגיות לגבי ההתפתחות של היכולת. הם לא עושים את העבודה. במקום זאת, הם שולטים במערכת שכן עושה זאת.
המרת תפקיד זו היא המשמעותית ביותר של כל תבנית. אנשים אחראיים אחראים לתוצאות גם אם הם לא מוציאים לפועל את העבודה בעצמם. הם:
- הגדר קריטריוני הצלחה ומדדי תוצאות עבור מערכות אוטונומיות.
- הגדר את הגבולות שבהם הסוכנים פועלים (והתאם אותם ככל שהאמון גדל).
- נטר לולאות למידה כדי להבטיח שהיכולות ישתפרו בכיוון הנכון.
- לקבל החלטות אסטרטגיות לגבי מתי להרחיב את אוטונומיה של סוכן.
- פיקוח על שיטות עבודה אחראיות של בינה מלאכותית, כי היכולות הופכות להיות מתוחכמות יותר.
כיצד פועל מודל ההפעלה
פריסת תבנית זו הצליחה דורשת שינויים בין ארבעה ממדים:
| ממד | לפני | אחרי |
|---|---|---|
| אנשים | מפעילים המבצעים משימות | יכולות ממשל עבור בעלי מוצר |
| סוכנים | ביצוע שלבים מוגדרים מראש | לולאות אוטונומיות של חישה-החלטה-פעולה |
| ממשל | בדיקת תאימות | אמצעי בקרה המשולבים במחזור החיים עם ניטור רציף |
| מדדים | תפוקה ויעילות | אופציונליות אסטרטגית + שיעור למידה + מהירות הסתגלות |
פרופיל מועדי הפירעון היעדי
תבנית זו דורשת בשלות מרבית בכל חמשת מניעי היכולת. אין קיצורי דרך.
פרופיל בשלות
| מניע יכולת | רמת יעד | למה |
|---|---|---|
| טכנולוגיה ונתונים | 500 (יעיל) | שובר הקנה מידה. תזמור סוכנים מרובים, טלמטריה בזמן אמת ותשתית למידה. |
| אסטרטגיה וניסיון בינה מלאכותית | 500 (יעיל) | היכולת היא האסטרטגיה, ופועלים באיטרציה מתמשכת. |
| אסטרטגיה עסקית | 500 (יעיל) | יכולת עסקית חדשה, עם תהליכים גמישים אוטונומים. |
| פיקוח ואבטחה | 500 (יעיל) | ניהול סיכונים תחזיתי ותאימות רציפה למערכות אוטונויות. |
| ארגון ותרבות | 500 (יעיל) | קהילה עצמאית ותרבות למידה שיכולה להמציא ולתפעל את החדש. |
תובנות עיקריות: תבנית זו דורשת את הבגרות הגבוהה ביותר בכל היכולות. אין תהליך קיים שאפשר להשוות אליו, אין נקודת ייחוס שממנה ניתן למדוד שיפור, ואין תהליך עבודה קיים שינחה את התכנון. הכל חייב להיות בנוי, כולל האופן שבו אתה מודד הצלחה.
שובר קנה מידה: טכנולוגיה ונתונים, ובפרט תזמור של סוכנים מרובים, טלמטריה בזמן אמת ותשתית למידה. ללא בסיס טכני חזק, יכולות אוטונומיות הופכות ובלתי צפויות ובלתי ניתנות לבחירה.
מבנה מומלץ של מרכז מצוינות: מאוחד
יכולות הבינה המלאכותית הראשונות נמצאות בבעלות כמוצרים, מתפרסות על פני תחומים מרובים ומחייבות צוותי מוצרים מבוזרות הפועלים לפי תקנים משותפים. CoE מספק דפוסי ארכיטקטורה, מסגרות של יישום אחראי של בינה מלאכותית ותקני תזמור. הוא אינו פועל באופן מרכזי.
עצה
התפקיד המכריע בדפוס הזה הוא מנהל המוצר של הסוכן. זהו מוצר, לא פרוייקט. הוא זקוק למשמעת של ניהול מוצרים: מפת דרכים, מצבור פריטי עבודה, הגדרת הצלחה, צוות המחויב להתפתחות לטווח הארוך. ללא תפקיד זה, היכולת נבנו פעם אחת ולעולם לא השתפרה.
למד/י עוד על מבנה, תפקידים וממשל מדורג לפי רמות סיכון ב-בניית מרכז מצוינות לסוכנים אוטונומיים.
מה אתה צריך ואינך צריך
אתה צריך:
- בעלות על המוצר עם צוותים ייעודיים: כל יכולת זקוקה לבעלים של מוצר ולצוות עם הרשאה, כישורים והמשכיות כדי לפתח אותו לאורך זמן. פיתוח זה אינו פרוייקט שמסתיים.
- גבולות אוטונומיה עם ניטור רציף: הגדירו גבולות ברורים שמסתגלים ככל שהאמון נבנה. להתחיל שמרני ולהרחיב בהתבסס על ראיות.
- לולאות למידה רציפות: היכולת משתפרת בכל אינטראקציה. תכנן עבור למידה מלכתחילה, כי הרבה יותר קשה להוסיף זאת בשלב מאוחר יותר.
- שיטות עבודה משולבות של בינה מלאכותית אחראית: יש לשלב את האתיקה והבטיחות בארכיטקטורה, ולא להוסיף אותן כתוספת לאחר הפריסה. גישה זו כוללת בדיקות הטיה, הערכת הגינות ועיצוב יכולת סבירה.
- תרבות של ניסוי וטעייה עם מנגנוני הגנה מפני כשל: צוותים זקוקים לאישור כדי לנסות גישות חדשות ולמנגנוני הגנה ברורים כשדברים משתבשים. תרבויות שמענישות כישלון לא יכולות לבנות מערכות למידה.
- ארכיטקטורה של ריבוי סוכנים: אם היכולת שלך כרוכה בסוכנים מתואמים, עצב לתיאום סוכן לסוכן מההתחלה. הסבה לארכיטקטורה מרובת-סוכנים היא יקרה.
אינך זקוק ל:
- אוטומציה מצטברת: דפוס זה אינו על הפיכת תהליכים קיימים ל- 10% מהר יותר.
- אספקת IT מרכזית: יכולות אלה זקוקות לצוותי מוצר ייעודיים בעלי מומחיות בתחום.
- בצע רטרוספקטיבה של זרימות עבודה קיימות: עיצוב מאפס לביצוע של בינה מלאכותית מקורית. אילוצי זרימת עבודה מדור קודם מגבילים את מה שניתן.
- גירסאות Build חד-פעמיות: יכולות אלה חייבות ללמוד ולשפר באופן רציף. יכולת שאינה לומדת ירידה בביצועים לאורך זמן.
- ניהול פרוייקטים מסורתי: השתמש בניהול מוצרים עם מחזורי ניסויים. אבני דרך ותוצרים הם מודל פיקוח שגוי עבור מערכות למידה.
יישום אחראי של בינה מלאכותית בקנה מידה רחב
יכולות הבינה המלאכותית הראשונות מייצגות את החזית של פעולת בינה מלאכותית אוטונומית. נוהלי בינה מלאכותית אחראית חשובים במיוחד כאן, משום ש:
- סוכנים פועלים עם אוטונומיה גבוהה ופיקוח אנושי מוגבל בזמן אמת.
- שגיאות יכולות להפצה במהירות המכונה לפני שבני אדם יוכלו להתערב.
- מערכות למידה יכולות לפתח אופני פעולה בלתי צפויים בעת המיטוב.
- קנה המידה של ההשפעה, הן חיובי והן שלילי, גדול יותר מכל תבנית אחרת.
בנה בינה מלאכותית אחראית לארכיטקטורה שלך החל מהיום הראשון:
- יכולת ההבנה: האם אתה יכול להבין מדוע המערכת עשתה החלטה ספציפית? אם לא, לא ניתן לזהות או לתקן סחף.
- ניטור הטיה: להעריך באופן רציף אם הלמידה מחזקת הטיות או יוצרת תוצאות בלתי משוחדות.
- יכולת חזרה למצב קודם: האם ניתן לחזור למצב קודם אם עדכון למידה השתבש?
- עקיפה אנושית: גם במערכות אוטונומות מלאות, הגדר את התנאים שבהם בן אדם יכול להתערב וכיצד התערבות זו מיושמת.
קבל מידע נוסף תחת החלת עקרונות של יישום אחראי של בינה מלאכותית.
מדדי ערכים והצלחה
הערך כאן הוא קיומה של יכולת שלא הייתה קיימת בעבר והתוצאות החדשות שהיא יוצרת. יש להתחיל במדדי יצירת ערך וקיום, ולא באחוזי יעילות, משום שאין קו בסיס קודם שאפשר להשתפר ביחס אליו.
כיצד נראה הערך
- יכולות חדשות שלא היו אפשריות לפני בינה מלאכותית.
- הכנסות, שירותים או מודלים עסקיים חדשים.
- תגובה אוטונומית במהירות ובקנה מידה גדול, לא ניתן היה להגיע לתהליך ידני.
- יתרון מורכב ככל שהיכולת לומדת ומשתפרת.
מדדי הצלחה למעקב
| קטגוריה | מדידים לדוגמה | מה זה אומר לך |
|---|---|---|
| יצירת ערך (הכותרת) | מקורות הכנסה חדשים או מודל עסקי חדש שנוצרו, קיומה של יכולת ("האם אנחנו יכולים כעת לעשות X"), פתיחת גישה לקהלים חדשים | אם היכולת יוצרת ערך שלא היה קיים קודם לכן. |
| אוטונומיה ולולאה | השהיית החלטות מתוך אות לפעולה, קצב השלמת משימה אוטונומי, תפוקת לולאה וקנה מידה, עלות יחידה לכל משימה אוטונומית | האם לולאת החישה-החלטה-פעולה פועלת במהירות ובקנה מידה של מכונה. |
| איכות ובטיחות | ציוני הערכה, מידת הביסוס וציוני הבטיחות, שיעור ההסלמה ושיעור המעבר לחלופה | אם המערכת האוטומטית נשארת נכונה ובטוחה בעת הפעלתה. |
| תפוקת חדשנות | זמן להפעלת יכולת חדשה, מספר היכולות בייצור, שימוש חוזר בתרחישים שונים | בין אם אתה יכול שוב ושוב להגיע לחזית, לא רק פעם אחת. |
| ממשל | שיתוף של סוכנים תחת זהות מנוהלת, שיעור תאימות מדיניות, ספירת סוכן צל | אם הרכוש אוטונום נשאר תחת פיקוח ככל שהוא גדל. |
כיצד למדוד
- ההערכות של Microsoft Foundry ו-ניטור עוקבים אחר התנהגות הסוכן ומדרגים את האיכות והבטיחות, דבר שחשוב במיוחד כאשר אין קו בסיס.
- הגדר מראש את מדד ההצלחה, מכיוון שליכולת זו אין תקדים. החלט כיצד "טוב" ייראה לפני ההפעלה.
- Microsoft Agent 365 מנהל ומודד את הסביבה האוטונומית, לרבות גילוי זהויות וסוכני צל.
עצה
אל תשפוט יכולת רשת חדשה עם מדדי יעילות ישנים. "כמה זמן חסוךנו" מבוסס על תהליך שלא היה קיים. מדוד אם היכולת קיימת כעת, איזה ערך חדש היא יוצרת וכיצד פועלת לולאה אוטומטית בבטחה. להמציא את המידה לצד היכולת.
תבניות אנטי-דפוס נפוצות
כשלים באזור זה מגיעים מהתייחסות לעבודה חזיתית כפרוייקט רגיל.
| דפוס מנוגד | איך זה נראה | מה לעשות במקום זאת |
|---|---|---|
| פרודוקטיביות במסווה | היכולת "net-new" היא למעשה משימה קיימת, שמבוצעת מהר יותר. | בדקו את הרעיון: האם יכולתם לעשות זאת לפני הבינה המלאכותית? אם כן, היא שייכת בתבנית אחרת. |
| מדדים ישנים בעבודה חדשה | הצלחה נמדדת לפי הזמן שנחסך בהשוואה לקו בסיס שאינו קיים. | הגדר מדידים של קיום וי יצירת ערכים מראש. |
| בניין לפני שהיסוד מוכן | היכולת יוצאת לדרך לפני שהטכנולוגיה, הנתונים והפיקוח הבשילו במידה מספקת. התשתית אינה יכולה לתמוך בלולאות הלמידה, במדידת השימוש ובניטור הדרושים לה, כך שהמערכת אינה צפויה ללא ניראות להסיבות להתנהגותה כפי שהיא פועלת. | תחילה תגיע לבגרות מספקת בטכנולוגיה, בנתונים ובפיקוח. בנו את התזמור, הטלמטריה בזמן אמת ולולאת הלמידה לפני היכולת עצמה. |
| למידה ללא מעקות | המערכת לומדת מנתונים תפעוליים ללא פיקוח, חיזוק דפוסים לא מכוונים, מיטוב ליעד הלא נכון או הגדלת ההטיה הקיימים בנתונים. | הגדר מה על המערכת ולא אמור ללמוד לפני שתאפשר למידה, ונטר אותה ברציפות. |
| אין מעקות שמירה מומצאים | גבולות הבטיחות נגזרים מדפוסים אחרים שאינם מתאימים. | הגדר קווים מנחים במיוחד עבור יכולת זו, מאחר שאין לכך תקדים. |
| סקירה אחראית של בינה מלאכותית שתוזמנה לאחר ההשקה | הצוות מתכננת לטפל בבינה מלאכותית אחראית לאחר שהיכולת תוכח. עד אז, הארכיטקטורה מתוקנת ועלות השינוי גבוהה. | לשלב בינה מלאכותית אחראית מההתחלה. |
| חשיבה פרויקטלית המיושמת על מוצר | הצוות מגיע לאבן דרך של "עלייה לאוויר" ורואה את העבודה כמושלמת. היכולת אינה נשמרת, לולאות הלמידה אינן מנוטרות, והמערכת מתפוגגת לאורך זמן. | התייחסו אליו כמווצר עם מחויבות ניהולית בלתי מוגבלת, לא כפרוייקט שמסתיים בהפעלה. |
| התנסות לא מבוחזרת | סוכני קצה מתרבים ללא זהות וללא פיקוח. | פיקוח על זהות מנוהלת ורישום מההתחלה. |
סיפורי לקוחות
סיפורי הלקוחות האלה שפרסמה Microsoft מראים כיצד ניתן להרחיב ידע של מומחים באמצעות סוכנים המעוגנים במקורות וכוללים ציטוטים, בעוד בני האדם נשארים אחראים.
| לקוח | תוצאה שדווחה |
|---|---|
| Microsoft (שאל Microsoft) | מערכת מרובת סוכנים, עם תתי-סוכנים ייעודיים המתבססים על תוכן מסוים, מספקת זמן השהיה נמוך יותר ב־61% ועד 70% פחות העברות לנציג אנושי, כאשר הסבירות שמבקרים מעורבים יירשמו גבוהה בהרבה. |
| פוג'יצו | בינה מלאכותית מורכבת תתכנן סוכנים מיוחדים מרובים וסוכן מתוכם אשר עונה "כצוות". ארכיטקטורה זו של ריבוי נציגים, שלא הייתה קיימת בבינה מלאכותית גנאית רגילה, משפרת את יצירת ההצעה ב- 67%. |
| Quantum Capital Group | קצרו את תכנון תרחישי פיתוח השדה מ-3 שבועות ל-20 דקות באמצעות אופטימיזציה גיאו-מרחבית ב-Azure וסוכן שאילתות של Copilot Studio. |
| פיזיקה וולה | תומכת בשני מיליון תלמידים עם המורה לבינה מלאכותית "גיאן גורו" Azure OpenAI. |
| רולס רויס | העלה את ניצול המכונה ב- 30% עם בינה מלאכותית תחזיתית Azure Databricks ו- Microsoft Cloud for Manufacturing. |
| The Estée Lauder Companies | צמצמו את זמן הפקת התובנות הצרכניות משבועות לדקות באמצעות הסוכן "ConsumerIQ" ב-Copilot Studio ו-Azure OpenAI. |
יכולות סוכניות של Microsoft עבור דפוס זה
הדוגמאות הבאות מדגישות יכולות הרלוונטיות במיוחד ליכולות של בינה מלאכותית ראשונה. השתמש בדוגמאות אלה כנקודת התחלה עבור יכולות תואמות לתרחישים ולקטעי המשתמש שלך, ולאחר מכן סקור את המערכת האקולוגית של הסוכן Microsoft עבור התמונה המלאה.
בניית היכולת
- תיאום סוכנים מרובים ב- Copilot Studio מתאם סוכנים ייעודיים בתרחישי תכנות פשוט.
- תוכנות כלים של קוד Pro, כולל ערכת ה- SDK של ביתSemantic Kernel, מעניקות לצוותי ההנדסה שליטה מלאה.
- הבא מודל משלך לקבלת בקשות ב- Copilot Studio מאפשר לך לנתב צמתי בקשות ספציפיים למודל שתבחר, כולל מודלים בפריסה מותאמת אישית או מודלים מותאמים אישית, במקום להשתמש בברירת המחדל של הפלטפורמה. השתמש ביכולת זו כאשר שלב בזרימת העבודה דורש מודל הממוטב עבור משימה, תחום או פרופיל עלות ספציפיים שמודל ברירת המחדל אינו עומד בהם.
- Microsoft Foundry ו-Microsoft Foundry Agent Service בונים ומארחים סוכנים מותאמים אישית מבוססי קוד.
ביסוס, חיבור, פיקוח
- Azure AI Search וביסוס מאחזרים את ההקשר העדכני, כדי שסוכנים יסיקו על סמך המצב העדכני.
- פרוטוקול הקשר המודלי ותאימות הדדית סוכן-לסוכן מאפשרים לסוכנים ולכלים לעבוד יחד ברחבי מערכת אקולוגית פתוחה.
- מזהה סוכן Microsoft Entra מעניקה לכל סוכן זהות לגישה הכי פחות הרשאה.
- ההערכות של Microsoft Foundry ו-תצפיתיות עוקבות אחר המערכת, מעריכות אותה ומבצעות בדיקות בטיחות. כמה מיכולות אלה מתפתחות בין תצוגה מקדימה וזמינות כללית, לכן אשר את המצב.
- Microsoft Agent 365 מנהל את הסביבה ככל שמספר הסוכנים גדל.
הערכה ובדיקה לפני המשלוח
ברמת אוטונומיה ומורכבות זו, הערכה רציפה היא תחום הנדסי בסיסי, ולא רשימת פעולות לביצוע לפני ההפעלה.
- הערכת סוכנים ב‑Copilot Studio מפעילה הערכות מובנות שמעניקות ציונים לתגובות בממדי איכות כגון דיוק, התבססות על מקורות והשלמת משימות. השתמש בו כדי לאמת את אופן הפעולה של הסוכן במגוון הקלט המלא, כולל מקרי קצה ותרחישים תואר הפועלים, לפני ואחרי כל שינוי.
- Copilot Agent Kit (שנקרא בעבר Copilot Studio Kit) מרחיב את כיסוי הבדיקה עם בדיקות בצובר, הפעלות רגרסיה אוטומטית ולוחות מחוונים של ניקוד. עבור מערכות בינה מלאכותית הראשונות שמשתפרות לאורך זמן, עדויות להערכה חוזרת וניתנת לביקורת הן חיוניות לשמירה על האמון ככל שהיכולת מתפתחת.
כיצד ניתן לדעת שאתה מוכן
תבנית זו מיועדת לארגונים הפועלים במועד הפירעון הגבוה ביותר. שקול זאת כאשר:
- יש לך צוותים מתקדמים שבאפשרותך לעצב, להפעיל ולשפר מערכות אוטונויות.
- יש לך את היסודות הטכניים: תזמור רב-סוכן, מדידת שימוש בזמן אמת ולולאת למידה.
- אתה יכול להמציא מעקות שמירה ומידות הצלחה במקום שבו אף אחד מהם לא קיים.
- באפשרותך לשלוט בנדל"ן אוטונומטרי עם זהות מנוהלת ותאימות רציפה.
- אתה כבר מפעיל כמה מהתבניות האחרות היטב.
השלבים הבאים
לחלופין, גלו את מודל השיפור המלא של אימוץ בינה מלאכותית סוכןית.
גלה דפוסים אחרים ביתר פירוט:
- תבנית הפעלת בינה מלאכותית של עובד
- תבנית העצמה של מומחים עסקיים
- תבנית של מקום עבודה ושירותים של IT
- תבנית המרה של תהליך עסקי ליבה
- תבנית התקשרות חיצונית