24 წლის განმავლობაში, მაიკროსოფტში (Microsoft) ამანდა სილვერი დეველოპერების დახმარებაზე მუშაობდა. ბოლო წლებში მისი ძალისხმევა ხელოვნური ინტელექტის (AI) ინსტრუმენტების შექმნისკენ იყო მიმართული. GitHub Copilot-ზე ხანგრძლივი მუშაობის შემდეგ, სილვერი ახლა მაიკროსოფტის CoreAI განყოფილების კორპორატიული ვიცე-პრეზიდენტია, სადაც ის მუშაობს აპლიკაციებისა და აგენტური სისტემების (agentic systems) კორპორაციებში (enterprises) დანერგვის ინსტრუმენტებზე.

მისი საქმიანობა ორიენტირებულია Azure-ში არსებულ Foundry სისტემაზე, რომელიც შექმნილია როგორც ერთიანი AI პორტალი საწარმოებისთვის. ეს მას საშუალებას აძლევს, ახლოდან დააკვირდეს, თუ როგორ იყენებენ კომპანიები ამ სისტემებს რეალურად და სად უჭირთ დანერგვის პროცესში. ჩვენ ვესაუბრეთ სილვერს კორპორაციული აგენტების (enterprise agents) ამჟამინდელ შესაძლებლობებზე და იმაზე, თუ რატომ მიიჩნევს ის ამას სტარტაპებისთვის ყველაზე დიდ შესაძლებლობად საჯარო ღრუბლის (public cloud) შემდეგ.

AI აგენტები: გარდამტეხი მომენტი სტარტაპებისთვის

ამანდა სილვერი მიიჩნევს, რომ AI აგენტები სტარტაპებისთვის გარდამტეხ მომენტს წარმოადგენენ, ისევე როგორც ეს საჯარო ღრუბელზე გადასვლა იყო. „თუ დავფიქრდებით, ღრუბელს უზარმაზარი გავლენა ჰქონდა სტარტაპებზე, რადგან მათ აღარ სჭირდებოდათ სივრცე სერვერების განსათავსებლად და ნაკლები თანხის დახარჯვა უწევდათ აპარატურის (hardware) შეძენაზე. ყველაფერი გაიაფდა“, — განმარტავს სილვერი.

მისი თქმით, ახლა აგენტური ხელოვნური ინტელექტი (agentic AI) პროგრამული უზრუნველყოფის ოპერაციების საერთო ღირებულებას კიდევ უფრო შეამცირებს. ბევრი ისეთი სამუშაო, რომელიც ახალი საწარმოს გაშვებასთან არის დაკავშირებულია — იქნება ეს მხარდაჭერა თუ სამართლებრივი გამოძიებები — AI აგენტების მეშვეობით უფრო სწრაფად და იაფად შესრულდება. „ვფიქრობ, ეს გამოიწვევს მეტი საწარმოსა და სტარტაპის გაშვებას. შემდეგ ვიხილავთ უფრო მაღალი შეფასების მქონე სტარტაპებს, რომლებსაც უფრო ნაკლები ადამიანი ეყოლებათ სათავეში. ვფიქრობ, ეს საინტერესო სამყაროა“, — ამბობს სილვერი.

AI აგენტების პრაქტიკული გამოყენება კორპორაციებში

პრაქტიკაში, მრავალსაფეხურიანი აგენტები (multistep agents) უკვე ფართოდ გამოიყენება კოდირების სხვადასხვა ამოცანისთვის. მაგალითად, დეველოპერებს მუდმივად უწევთ კოდების ბაზის (codebase) განახლება, რათა დამოკიდებულებები (dependencies) უახლეს ბიბლიოთეკებთან შეინარჩუნონ (მაგ. dot-net runtime ან Java SDK-ის განახლება). სილვერის თქმით, აგენტურ სისტემებს შეუძლიათ მთელი კოდების ბაზის ანალიზი და მისი განახლება, რაც პროცესის დროის 70%-ით ან 80%-ით შემცირებას იწვევს.

კიდევ ერთი მნიშვნელოვანი სფეროა „ლაივ-საიტის ოპერაციები“ (live-site operations). თუ ვებგვერდი ან სერვისი შეფერხდება, ტრადიციულად, მორიგე პერსონალს უწევდა გაღვიძება და პრობლემის მოგვარება. „ჩვენ შევქმენით აგენტური სისტემა, რომელიც წარმატებით ახდენს პრობლემების დიაგნოსტირებას და ბევრ შემთხვევაში სრულად ამცირებს მათ, რომლებიც ლაივ-საიტის ოპერაციებში ჩნდება. ეს საშუალებას გვაძლევს, მნიშვნელოვნად შევამციროთ ინციდენტის მოგვარების საშუალო დრო“, — აღნიშნავს სილვერი.

გამოწვევები AI აგენტების ფართომასშტაბიან დანერგვაში

მიუხედავად აშკარა უპირატესობებისა, AI აგენტების დანერგვა ისე სწრაფად არ მიმდინარეობს, როგორც ეს თუნდაც ექვსი თვის წინ იყო მოსალოდნელი. ამანდა სილვერი ამის მთავარ მიზეზად მიიჩნევს მიზნის არასაკმარის სიცხადეს. „ბევრ შემთხვევაში, პრობლემა ისაა, რომ მათ, ვინც აგენტებს აშენებენ, არ ესმით ზუსტად, რა მიზანი უნდა ჰქონდეს აგენტს“, — ამბობს ის.

საჭიროა კულტურული ცვლილება სისტემების შექმნის მიდგომაში. კომპანიებმა მკაფიოდ უნდა განსაზღვრონ, თუ რა ბიზნეს-ამოცანას (business use case) ცდილობენ გადაჭრას, რა არის წარმატების ზუსტი განმარტება აგენტისთვის და რა მონაცემები უნდა მიაწოდონ აგენტს, რათა მან კონკრეტული ამოცანა შეასრულოს.

  • მიზნის სიცხადე: რა ბიზნეს-ამოცანას ვჭრით?
  • წარმატების განსაზღვრა: რა არის აგენტისთვის წარმატების ზუსტი მეტრიკა?
  • მონაცემები: რა მონაცემები სჭირდება აგენტს სწორად ფუნქციონირებისთვის?

სილვერი ხაზს უსვამს, რომ ეს საკითხები უფრო დიდ დაბრკოლებას წარმოადგენს, ვიდრე აგენტების დანერგვის ზოგადი გაურკვევლობა. ნებისმიერი, ვინც ამ სისტემებს ათვალიერებს, ხედავს ინვესტიციის ანაზღაურებას (return on investment), მაგრამ სწორი სტრატეგია და მიზნის მკაფიო ხედვა გადამწყვეტია წარმატებისთვის.