24 წლის განმავლობაში, Microsoft-ის ამანდა სილვერი (Amanda Silver) დეველოპერების დახმარებაზე მუშაობდა, ბოლო წლებში კი ეს ხელოვნური ინტელექტის (AI) ხელსაწყოების შექმნას გულისხმობს. GitHub Copilot-ზე (GitHub Copilot) ხანგრძლივი მუშაობის შემდეგ, სილვერი ამჟამად Microsoft-ის CoreAI განყოფილების კორპორატიული ვიცე-პრეზიდენტია, სადაც ის მუშაობს აპლიკაციებისა და აგენტური სისტემების (agentic systems) საწარმოებში (enterprises) დანერგვის ხელსაწყოებზე.

მისი ნამუშევარი კონცენტრირებულია Azure-ის (Azure) ფარგლებში არსებულ Foundry სისტემაზე, რომელიც შექმნილია როგორც ერთიანი AI პორტალი საწარმოებისთვის, რაც მას საშუალებას აძლევს ახლოდან დააკვირდეს, თუ როგორ იყენებენ კომპანიები ამ სისტემებს რეალურად და სად არის მათი დანერგვის ნაკლოვანებები. ჩვენ ვესაუბრეთ სილვერს საწარმოო აგენტების მიმდინარე შესაძლებლობებზე და იმაზე, თუ რატომ მიაჩნია მას ეს სტარტაპებისთვის უდიდეს შესაძლებლობად საჯარო ღრუბლის (public cloud) შემდეგ.

აგენტური AI: გარდამტეხი მომენტი სტარტაპებისთვის

ამანდა სილვერის ნამუშევარი ორიენტირებულია Microsoft-ის პროდუქტებზე გარე დეველოპერებისთვის – ხშირად სტარტაპებისთვის, რომლებიც სხვაგვარად არ არიან კონცენტრირებულნი AI-ზე. მისი თქმით, ეს გარდამტეხი მომენტია სტარტაპებისთვის, ისეთივე მნიშვნელოვანი, როგორიც საჯარო ღრუბელზე გადასვლა იყო.

  • ღირებულებების შემცირება: "დაფიქრდით, ღრუბლოვან ტექნოლოგიებს უზარმაზარი გავლენა ჰქონდა სტარტაპებზე, რადგან ეს ნიშნავდა, რომ მათ აღარ სჭირდებოდათ საკუთარი სერვერების განსათავსებლად ფიზიკური სივრცე, აღარ სჭირდებოდათ იმდენი ფულის დახარჯვა აპარატურის შეძენასა და ლაბორატორიებში განთავსებაზე. ყველაფერი გაიაფდა."
  • ოპერაციული ხარჯების შემცირება: "ახლა აგენტური AI გააგრძელებს პროგრამული უზრუნველყოფის ოპერაციების საერთო ღირებულების შემცირებას, რადგან ახალი საწარმოს შექმნასთან დაკავშირებული მრავალი სამუშაო – იქნება ეს მხარდაჭერის პერსონალი თუ სამართლებრივი გამოძიებები – შეიძლება უფრო სწრაფად და იაფად შესრულდეს AI აგენტების დახმარებით."
  • ზრდა და ეფექტურობა: "ვფიქრობ, ეს გამოიწვევს მეტი საწარმოსა და სტარტაპის გაშვებას. შემდეგ კი ვიხილავთ უფრო მაღალ შეფასების მქონე სტარტაპებს, რომლებსაც უფრო ნაკლები ადამიანი მართავს. და მე ვფიქრობ, რომ ეს ამაღელვებელი სამყაროა."

აგენტური სისტემები პრაქტიკაში: კონკრეტული მაგალითები

როგორ გამოიყურება ეს პრაქტიკაში? ამანდა სილვერი აღნიშნავს, რომ მრავალსაფეხურიანი აგენტები (multistep agents) ფართოდ გამოიყენება ყველა სახის კოდირების ამოცანაში:

  • კოდის ბაზის განახლება: "მაგალითად, დეველოპერებმა, კოდის ბაზის (codebase) შესანარჩუნებლად, მუდმივად უნდა განაახლონ ბიბლიოთეკების უახლესი ვერსიები, რომლებზეც მათ აქვთ დამოკიდებულება. ჩვენ შეგვიძლია გამოვიყენოთ ეს აგენტური სისტემები, რათა შეისწავლონ მთელი თქვენი კოდის ბაზა და ბევრად მარტივად განაახლონ იგი, რაც შესაძლოა 70% ან 80%-ით შეამცირებს საჭირო დროს."
  • ცოცხალი საიტის ოპერაციები: "ცოცხალი საიტის ოპერაციები (live-site operations) კიდევ ერთი მაგალითია – თუ წარმოიდგენთ ვებსაიტის ან სერვისის მოვლა-პატრონობას და რამე შეცდომა მოხდა, შუაღამისას ვიღაც უნდა გააღვიძონ ინციდენტზე რეაგირებისთვის. ახლა ჩვენ შევქმენით აგენტური სისტემა ამ ცოცხალი საიტის ოპერაციებში წარმოქმნილი პრობლემების წარმატებით დიაგნოსტიკისა და მრავალ შემთხვევაში სრულად შემარბილებლად, რათა ადამიანებს აღარ დასჭირდეთ შუაღამისას გაღვიძება... ეს ასევე გვეხმარება ინციდენტის გადაჭრის საშუალო დროის მკვეთრ შემცირებაში."

რატომ ფერხდება აგენტების დანერგვა? გამოწვევები და გადაწყვეტილებები

მიუხედავად აგენტური AI-ის პოტენციალისა, მისი ფართომასშტაბიანი დანერგვა მოლოდინს ჩამორჩება. სილვერი განმარტავს მიზეზებს:

  • მიზნის გაურკვევლობა: "მრავალ შემთხვევაში, ეს განპირობებულია იმით, რომ მათ ნამდვილად არ იციან, რა უნდა იყოს აგენტის მიზანი. საჭიროა კულტურული ცვლილება, თუ როგორ აშენებენ ადამიანები ამ სისტემებს."
  • ბიზნეს მიზნების არასწორი განსაზღვრა: "რა ბიზნეს მიზანს (business use case) ცდილობენ ისინი ამოხსნას? რის მიღწევას ცდილობენ? თქვენ უნდა გქონდეთ ძალიან მკაფიო ხედვა იმის შესახებ, თუ რა არის წარმატების განსაზღვრება ამ აგენტისთვის."
  • მონაცემების სტრატეგია: "და თქვენ უნდა იფიქროთ, რა მონაცემებს აწვდით აგენტს, რათა მან შეძლოს ამ კონკრეტული ამოცანის შესრულების გზების გააზრება?"

ამანდა სილვერი მიიჩნევს, რომ ეს საკითხები უფრო დიდ დაბრკოლებად იქცევა, ვიდრე აგენტების დანერგვის ზოგადი გაურკვევლობა. ნებისმიერი, ვინც ამ სისტემებს აკვირდება, ხედავს ინვესტიციის ანაზღაურებას (return on investment).