در ماه‌های پایانی سال 2024، درحالی که سرمان گرم هوش مصنوعی‌های جنریتوری مانند GPT، Midjourney و invideo است، وبسایت گارتنر خبر از ترند شدن نوع دیگری از هوش مصنوعی در سال 2025 می‌دهد. هوش مصنوعی خودمختار یا Agentic AI که تقریبا از دستور گرفته تا تحلیل نتیجه را خود به تنهایی انجام می‌دهد و درنهایت نیز براساس داده‌های دریافتی، خود را بهبود می‌بخشد.
گرچه واژه خودمختار آن هم بعد از هوش مصنوعی، ترسناک به نظر می‌رسد، اما بد نیست پیش از آنکه وارد چرخه ترس و مرگ شویم، ببینیم منظور از هوش مصنوعی خودمختار چیست و چه تفاوت‌های اساسی بین این نوع خاص از تکنولوژی با جنریتورهای تقریبا مرسوم این روزها وجود دارد.
همانطور که از نامشان پیداست، جنریتورها با کاربر به طور مستقیم در تعامل هستند و در ازای پرامپت یا درخواست کاربر که غالبا به صورت متن ارائه می‌شود، محتوای تصویری، ویدئویی و یا متنی ارائه می‌دهند. به طور خلاصه، در ازای درخواستی که به جنریتورها می‌دهید، یک پاسخ خلاقانه دریافت می‌کنید. اما هوش مصنوعی خودمختار پیچیده‌تر از این حرف‌ها است.
برخلاف جنریتورها که به صورت تک مرحله‌ای عمل می‌کنند، هوش مصنوعی خودمختار قادر است مسائل مختلف را با استفاده از استدلال و برنامه‌ریزی پیچیده و مستقل خود، طی چرخه‌های تکراری و در طی چند مرحله پیچیده، حل و فصل کند. به این ترتیب درصد بازدهی صنایع با استفاده از این هوش مصنوعی به طور چشمگیری افزایش می‌یابد.
سیستم‌های هوش مصنوعی خودمختار، تعداد زیادی داده را از منابع مختلف برای تجزیه و تحلیل مستقل چالش‌ها، توسعه استراتژی‌ها و اجرای وظایفی مانند بهینه‌سازی زنجیره تامین، تجزیه و تحلیل میزان آسیب‌پذیری امنیت سایبری و کمک به پزشکان در انجام امور تکرای و زمان‌بر استفاده می‌کنند. اما آیا همه چیز به همین سادگی است؟
حل مسائل توسط هوش مصنوعی خودمختار طی یک فرآیند چهار مرحله‌ای انجام می‌شود:
1. استخراج و ادراک داده‌ها: عوامل هوش مصنوعی داده‌ها را از منابع مختلف مانند حسگرها، پایگاه‌های داده و رابط‌های دیجیتال جمع آوری و پردازش می کنند. طی این پردازش اطلاعاتی نظیر ویژگی‌های معنی‌دار، شناخت اشیا یا شناسایی موجودیت‌های مرتبط در محیط استخراج می شود.
2. استدلال: پس از مرحله نخست، نوبت به مدل‌ها می‌رسد. در هوش مصنوعی خودمختار از مدل زبانی بزرگ (LLM) استفاده می‌شود. مدل LLM که از دسته مدل‌های یادگیری ماشین است، قابلیت درک زبان انسان و تولید متنی مشابه با آن را دارد. در اکثر جنریتورها مانند چت بات GPT از این مدل استفاده شده است. این مدل در هوش مصنوعی خودمختار با درک وظایف، تولید راه حل‌ها و هماهنگ‌سازی مدل‌های تخصصی برای اقدامات خاصی مانند تولید محتوا، پردازش بصری و سیستم‌های توصیه‌گر، عمل می‌کند. در این مرحله همچنین از RAG که نوعی سیستم بازیابی اطلاعات به حساب می‌آید، برای دسترسی به منابع داده اختصاصی و ارائه خروجی های دقیق و مرتبط استفاده می‌شود.
3. یکپارچه‌سازی و اجرا: با ادغام ابزارها و نرم‌افزارهای خارجی از طریق رابط‌های برنامه‌نویسی کاربردی (API)، هوش مصنوعی خودمختار می‌تواند وظایفی را که براساس یک سری از برنامه‌ها ساختاربندی و فرموله کرده است، اجرا کند. البته نظارت بر عملکرد هوش مصنوعی در این مرحله، برعهده انسان‌ها خواهد بود.
4. یادگیری: پس از مرحله سوم، داده‌هایی که درنتیجه تعامل با کاربر به دست آمده است، توسط هوش مصنوعی خودمختار وارد چرخه‌ای تحت عنوان حلقه بازخورد یا data flywheel می‌شود. این چرخه دائما داده‌های خروجی را موردبررسی قرار می‌دهد و فرآیند یادگیری و بهبود عملکرد سیستم خودمختار و مستقل هوش مصنوعی را بهبود می‌بخشد.
حال تصور کنید که پا را فراتر بگذاریم و داده‌های سازمانی مانند رفتار مشتری را به عنوان یک سوخت برای به حرکت درآوردن موتور استدلال ابزارهای هوش مصنوعی به کار بگیریم. تاکنون از جنریتورها برای تبدیل حجم زیادی از این داده‌ها به یک دانش عملی خلاقانه و کاربردی استفاده شده و این کاربرد بیشتر عصای دست کارمندان برای داشتن عملکردی بهتر بوده است.
اما در مورد هوش مصنوعی خودمختار قضیه کمی متفاوت به نظر می‌رسد. در مواقعی که با حجم گسترده‌ای از داده‌ها در انواع گوناگون طرف هستیم، جستجوی مهم‌ترین داده تقریبا غیرممکن خواهد بود. اینجاست که عوامل هوش مصنوعی با داشتن موتورهای جستجوی سریع، نسبت به پردازش، ذخیره و بازیابی اطلاعات برای بهبود مدل‌های هوش مصنوعی اقدام و درنهایت به داده‌های متنوع دسترسی پیدا می‌کنند. RAG که مخفف Retrieval augmented generation است، از جمله تکنیک‌های بازیابی داده برای تحقق این هدف به شمار می‌رود و در ابزارهای هوش مصنوعی خودمختار نقش مهمی را بازی می‌کند.
موتور استدلال هوش مصنوعی خودمختار در نهایت با استفاده از داده‌های خارجی که از فیدبک‌ها، نظرات و طرز برخورد مشتریان حاصل شده است و همچنین با استفاده از حلقه data flywheel، به طور خودکار متوجه عیوب خود می‌شود، آنها را اصلاح می‌کند و به این ترتیب با نسخه‌ای دقیق و سریع‌تر مجددا وارد عمل می‌شود.
تا پیش از این تنها می توانستیم با استفاده از هوش مصنوعی، محتوایی خلاقانه تولید کنیم. تنها کار مهم‌مان هم این بود که درخواستمان را شفاف و با جزییات مطرح کنیم. اما در سال 2025 با جدی شدن حضور دسته مستقل و خودمختار هوش مصنوعی، بسیاری از کارها مانند ساماندهی نرم‌افزارهای سازمانی نیز به عهده این ابزارها قرار می‌گیرد. در حقیقت یکی از ویژگی های برجسته معماری هوش مصنوعی خودمختار توانایی آن در سازماندهی استراتژیک عوامل بر اساس حوزه های کاربردی مانند IT، HR، مهندسی و موارد دیگر است.
به طور کلی مهم‌ترین کاربردهای هوش مصنوعی در صنایع مختلف به شرح زیر خواهد بود:
با وجود عوامل مختلف در سیستم پردازشی هوش مصنوعی خودمختار و خودکارسازی ارتباطات روتین مشتریان با سازمان، خدمات پشتیبانی مشتریان متحول خواهد شد. به این ترتیب، زمان پاسخگویی نیز کاهش می‌یابد و به طبع آن رضایت مشتری بیشتر می‌شود.
طبق پژوهش‌های انجام شده، بازاریابان با استفاده از ابزارهای هوش مصنوعی جنریتور برای تولید محتواهای مختلف، حدود سه ساعت از زمان خودشان را صرفه‌جویی می‌کنند و به جای آن بر طراحی استراتژی و نوآوری متمرکز می‌شوند. حال تصور کنید که بال دیگری نیز اضافه شود که در طراحی استراتژی، اجرا و اصلاح آن نیز به بازاریاب دیجیتال کمک کند. هوش مصنوعی خودمختار همان بال دیگری است که بازاریابان دیجیتال و به طورکلی کسب‌و‌کارها را در فضای رقابتی تعامل با مشتری، ممتاز جلوه می‌دهد.
یکی از فرآیندهای پرتکرار و خسته کننده برای برنامه‌نویسان و توسعه‌دهندگان نرم‌افزار، کدنویسی، تست و درنهایت دیباگ کردن آن است. گرچه زبان‌های برنامه‌نویسی مانند پایتون توسعه یافتند تا سرعت کدنویسی را افزایش دهند اما با این حال دو فرآیند دیگر همچنان وقت و انرژی زیادی از مهندسان حوزه نرم‌افزار می‌گیرند. اینجاست که هوش مصنوعی خودمختار سروکله‌اش پیدا می‌شود تا فرآیندهای تکراری را به طور خودکار انجام دهد.
پیش‌بینی شده است که تا سال 2030 هوش مصنوعی می‌تواند تا 30 درصد از ساعات کاری را دست بگیرد و انسان‌ها نیز این زمان ذخیره شده را برای نوآوری و تمرکز روی مسائل و چالش‌های پیچیده‌تر صرف کنند.
برای آن دست از پزشکانی که حجم وسیعی از داده را تجزیه و تحلیل می‌کنند، هوش مصنوعی در نوع خودمختار می‌تواند اطلاعات حیاتی را استخراج کند تا درنهایت آنها بتوانند به صورت آگاهانه‌تر تصمیم بگیرند که چگونه از بیمار مراقبت کنند. خودکارسازی وظایف اداری توسط هوش مصنوعی خودمختار و ثبت یادداشت‌های بالینی که در ملاقات با بیمار حاصل می‌شود، باعث صرفه‌جویی در وقت شده و به پزشکان اجازه می‌دهد تا بر ایجاد ارتباطی موثر با بیمار خود متمرکز شوند.
عوامل هوش مصنوعی همچنین می توانند پشتیبانی 24 ساعته را ارائه دهند و اطلاعاتی در مورد استفاده از داروهای تجویز شده، ثبت نوبت ویزیت، یادآوری ها و موارد دیگر را ارائه دهند تا به بیماران کمک کنند به برنامه های درمانی خود پایبند باشند.
با وجودی که انتظار می‌رود هوش مصنوعی خودمختار یا Agentic AI در سال 2025 بر سر زبان‌ها بیفتد و با عملکرد خود سبب صرفه‌جویی در وقت به ویژه در اموری مانند خدمات مشتری، برنامه‌نویسی و امور مرتبط با مراقبت‌ها و ثبت وقایع پزشکی شود، اما باید دید که این فناوری چه موقعیت‌های شغلی را با خطر جدی نابودی مواجه خواهد کرد. البته برنارد مار، مشاور استراتژیک بزرگترین شرکت‌های جهان و از ستون‌های وبسایت فوربس، بر این باور است که هوش مصنوعی با ظهور و حضور خود، جایگزین انسان‌ها نخواهد شد. بلکه تنها جایگزین افرادی می‌شود که نحوه استفاده از آن را یاد نگرفته‌اند.
نظر شما درمورد فناوری ترند سال 2025 یا همان هوش مصنوعی خودمختار چیست؟
