מאמר זה הינו מאמר ראשון מתוך סדרת מאמרים זו שמטרתה לתאר תפיסת ארכיטקטורה Gen AI מבוססת סוכנים מודולריים לבניית מערכות מתקדמות גמישות וניתנות להתאמה. סדרת מאמרים זו תציג ניתוח מעמיק של הארכיטקטורה מבוססת הסוכנים לצד תובנות לגבי המבנה, האופטימיזציה והיעילות שלהם בתרחישים ארגוניים מגוונים.
יישום פתרונות Gen AI באופן נרחב (Gen AI@scale) אינו מאמץ קל כלל. ארגונים רבים מאוד רק משלימים כעת ניסויים או הוכחות היתכנות (POC) בתחום זה וטרם הקדישו קשב ומאמץ ליישום הפתרונות באופן נרחב. עם זאת, על לממש את הפוטנציאל העסקי הגלום ב Gen AI, ארגונים חייבים לנווט ביעילות את המעבר מניסויים והוכחות היתכנות ראשוניים אלה ליישום נרחב.
גישה מבטיחה אחת להרחבה יעילה של פתרונות Gen AI היא גישה מבוססת סוכנים בעלי יכולות שונות כגון: חשיבה, שיתוף פעולה באופן אוטונומי, עקיבה, שיפור האיכות, שיפור הפרודוקטיביות והיעילות הכלכלית של היישום התומך בתהליך העסקי ועוד.
חשוב לציין שגישה מבוססת סוכנים חורגת הרבה מעבר לאוטומציה של משימות בודדות. בתפיסה זו הסוכנים מתוכננים לעבוד יחד בצורה חלקה ובאופן המאפשר להם לנהל ולבצע מספר רב של משימות בתוך תהליך עסקי שלם ומורכב, אשר לא ניתן יהיה לממש באמצעות סוכן בודד.
גישה מבוססת סוכנים מתייחסת לא רק לביצוע המשימות השונות אלא גם לתזמור של תהליכי עבודה עסקיים שלמים בעתיד. אין זה אומר שכל התהליך מבוצע ע"ב סוכנים אוטומטיים באופן מלא ובהחלט, בוודאי בשלבים הראשונים של התפתחות הפתרונות בתחום, צפוי להיות שילוב של סוכנים מרובדים (augmented agents – שילוב אדם וסוכן) בביצוע התהליך.
העלייה של תפיסת פתרונות מבוססת סוכנים ניתנת לייחוס לשלושה גורמים מרכזיים:
התפתחות מודלי שפה גדולים (LLMs) – כמובן שאחד הגורמים המרכזיים הינו שמודלי שפה גדולים הפכו להיות בעלי יכולת הבנה בדומה להבנה האנושית. התקדמות זו פתחה אפשרויות לסוכני AI ליצור אינטראקציה טבעית ויעילה יותר עם משתמשים. מודלי שפה גדולים מעבדים כמויות עצומות של מידע לא מובנה ומזהים דפוסים, מה שמאפשר להם לחלץ תובנות מרכזיות, לענות על שאלות מורכבות ואפילו ליצור פורמטים מולטי-מודאליים. הרבגוניות הזו מאפשרת לזרימות עבודה מבוססות סוכנים, על מנת להתמודד עם מגוון רחב יותר של משימות ואתגרים.
מינוף פתרונות AI לרוחב הארגון – ארגונים מחפשים פתרונות בינה מלאכותית שיכולים להתרחב בין פונקציות שונות ולפעול תוך התערבות אנושית מינימלית. עד כה, פתרונות AI היו מאוד ממוקדים בביצוע משימות בעלות צורך ספציפי של יח' עסקית מסוימת וכזה שלא מאפשר מינוף חוצה יחידות עסקיות שונות או לנהל אורקסטרציה של מספר משימות. ארכיטקטורה סוכנית, עם אופייה המודולרי והשיתופי, יכולה למלא דרישה זו. ארכיטקטורת סוכנים יכולה לדוגמא לאפשר לחברה קמעונאית גדולה לייעל את שרשרת האספקה שלה באמצעות יישום סוכנים שונים האחראיים על משימות חיזוי (חיזוי ביקוש וצרכי הלקוחות ) ואופטימיזציה (ניהול רמות מלאי אופטימליות).
צורך בפתרון בעיות מורכבות: אתגרים עסקיים רבים דורשים קבלת החלטות והתאמה הרבה יותר מתוחכמים ביחס לאוטומציה פשוטה של משימות או החלטות מבוססות כללים (rule based). ארכיטקטורה סוכנית יכולה להגיב ולשתף פעולה ומתאימה היטב להתמודדות עם מורכבויות אלו. לדוגמה, ניתן לתכנן ארכיטקטורה סוכנית לניהול תהליך אישור ההלוואה לארגונים פיננסיים. זרימת העבודה עשויה לכלול מספר סוכני AI/Gen AI העובדים יחד ומנהלים את התהליך המורכב:
– סוכן להערכת אשראי אשר יכול לנתח נתונים פיננסיים ורישומים ציבוריים כדי להעריך את זכאותו של הלווה.
– סוכן לגילוי הונאה אשר יוכל לבחון את הבקשה לאיתור סימנים לפעילות חשודה.
– סוכן לניהול התקשורת עם הלקוח אשר יוכל לעדכן את הלווה לאורך התהליך ולענות על כל שאלה שיש לו.
באמצעות שיתוף פעולה ושיתוף מידע, סוכנים אלה יכולים לקבל החלטות מהירות ומדויקות יותר ממערכות מסורתיות מבוססות כללים.
במאמרים הבאים, אציג התייחסות להיבטים נוספים כגון: במה שונה ארכיטקטורה מבוססת סוכנים, סוגי סוכנים, מאפייניהם הייחודיים והתנאים המוקדמים הנדרשים על מנת לממש פתרונות מבוססי סוכנים.
