ძირითადი ნავიგაცია

ხელოვნურ ინტელექტზე დაფუძნებული ინჟინერიის საოპერაციო მოდელი

პროგრამების შექმნა იაფდება; უპირატესობას იძენენ ორგანიზაციები, რომლებიც უკეთეს გადაწყვეტილებებს იღებენ და შედეგებს უსაფრთხოდ ამოწმებენ.

მთავარი დასკვნები ხელმძღვანელებისთვის

  • ხელოვნური ინტელექტი პროგრამების შექმნას აიაფებს; კონკურენტული უპირატესობის მისაღებად საოპერაციო მოდელი უნდა შეიცვალოს. მდგრადი სარგებლის მიღების მეტი შანსი აქვთ ორგანიზაციებს, რომლებიც გუნდების მუშაობას გარდაქმნიან და არა — ისეთებს, რომლებიც მხოლოდ ხელოვნური ინტელექტის ასისტენტებს ნერგავენ.

  • ხელოვნურ ინტელექტზე დაფუძნებულ ინჟინერიას ორი ურთიერთშემავსებელი შესაძლებლობა სჭირდება: კლიენტსა და პრობლემასთან ახლოს მყოფი აპლიკაციების გუნდები და პლატფორმის, ანუ „სარტყლის“ გუნდები, რომლებიც ადამიანებისა და აგენტების უსაფრთხო მასშტაბურ მუშაობას საერთო კონტექსტით, დამცავი მექანიზმებით, შეფასებითა და მმართველობით უზრუნველყოფენ.

  • ტექნოლოგიის ხელმძღვანელობა მიწოდების შესაძლებლობების მართვიდან მიწოდების სისტემის დაპროექტებაზე გადადის. ლიდერებმა უნდა დააზუსტონ: რა ევალებათ აპლიკაციების გუნდებს, რა კონტექსტი და კონტროლის რომელი მექანიზმებია საერთო, სად სჭირდება აგენტს ადამიანის თანხმობა და როგორ გაიზომება მტკიცებულებებით გამყარებული დასკვნების მიღება და კლიენტის სარგებელი.

ძველ მოდელში მთავარი შეზღუდვა სამუშაოს შესრულების შესაძლებლობები იყო

თანამედროვე საინჟინრო პრაქტიკა დიდწილად ჩამოყალიბდა მაშინ, როცა პროგრამების შექმნა ძვირი იყო. მთავარი კითხვა იყო: როგორ შეძლებდა უფრო მეტი გუნდი მეტი პროგრამის უფრო პროგნოზირებად გამოშვებას? ეს განსაზღვრავდა თუ როგორ აწყობდნენ ორგანიზაციები გუნდებს, აფინანსებდნენ პლატფორმებს და ზომავდნენ მიწოდებას. მასშტაბის ზრდა ხშირად კადრების დამატებას ნიშნავდა, წარმატება კი შესრულებული სამუშაოს მოცულობით ფასდებოდა.

ხელოვნური ინტელექტი ამ წინაპირობას ცვლის. ჩვენი აზრით, ხელოვნურ ინტელექტზე დაფუძნებული ინჟინერია უკეთესი ხელსაწყოებით აღჭურვილი ტრადიციული ინჟინერია არ არის. მას სხვა საოპერაციო მოდელი სჭირდება: მცირე ზომის აპლიკაციის გუნდები, რომლებიც კლიენტების პრობლემებს კარგად იცნობენ და მხარდაჭერილნი არიან პლატფორმის ანუ „სარტყლის“ გუნდების მიერ. „სარტყელს“ ვუწოდებთ კონტროლირებად გარემოს, რომელიც ადამიანებსა და აგენტებს აძლევს კონტექსტს, ხელსაწყოებს, უფლებებს, უკუკავშირსა და საზღვრებს ხელოვნური ინტელექტის უსაფრთხო მასშტაბური გამოყენებისთვის.

ტექნოლოგიებისა და მონაცემების ლიდერებისთვის ეს მნიშვნელოვანია: მხოლოდ პირადი პროდუქტიულობის ზრდა მთელ ორგანიზაციაში უსაფრთხო დანერგვას ვერ უზრუნველყოფს. გააზრებული მოდელის გარეშე იზრდება ხელსაწყოების ფრაგმენტაციის, მიდგომების დუბლირების, ბუნდოვანი პასუხისმგებლობის, მონაცემთა უკონტროლო გამჟღავნებისა და არათანაბარი ხარისხის რისკი.

კომპანიებმა ნაცვლად იმისა, რომ იკითხონ „როგორ დავეხმაროთ ინჟინრებს ხელოვნური ინტელექტის გამოყენებაში?“ უნდა იკითხონ: „როგორ გარდავქმნათ საინჟინრო სისტემა, რომ ადამიანებმა და აგენტებმა კომპანიის მასშტაბით უსაფრთხოდ შექმნან ღირებულება?“

წარმოების გაიაფებასთან ერთად გადაწყვეტილებები მეტ მნიშვნელობას იძენს

ხელოვნური ინტელექტი ინჟინრებს მეტი იდეის შესწავლის, პროტოტიპის სწრაფად შექმნისა და მეტი მიდგომის გამოცდის საშუალებას აძლევს. თუმცა მეტის შექმნა ავტომატურად მეტ ღირებულებას არ ქმნის. საღი განსჯის, სათანადო კონტექსტისა და შეფასების გარეშე სამუშაოს მოცულობამ შეიძლება გადააჭარბოს ორგანიზაციის უნარს, გადაწყვიტოს, რას ენდოს, რა დანერგოს და რისგან ისწავლოს.

ხელოვნურ ინტელექტს შეუძლია კოდის გენერირებისა და ექსპერიმენტების გაიაფება. მთლიანი ღირებულების შემცირება კი დამოკიდებულია შემოწმების, ინტეგრაციის, ექსპლუატაციის, მხარდაჭერისა და გადაკეთების საჭიროებაზე.

ვვარაუდობთ, რომ საინჟინრო უპირატესობა სულ მეტად დაეყრდნობა ოთხ შესაძლებლობას:

  • გადაწყვეტილების მიღება, რა და როგორ შეიქმნას და როგორ აღირიცხოს ეს არჩევანი.

  • ადამიანებისა და ხელოვნური ინტელექტის სისტემების სათანადო ორგანიზაციული ცოდნის სანდო წყაროებთან დაკავშირება.

  • მასშტაბის უსაფრთხო ზრდა საერთო პლატფორმებით, კონტროლის მექანიზმებით და შეფასებით.

  • არქიტექტურის შექმნა, რომელიც ახალ ხელსაწყოებსა და კომპონენტებს მუდმივი შეფერხებების გარეშე მიიღებს.

დეფიციტური ხდება არა წარმოების, არამედ სარგებლის გაზრდის უნარი: სათანადო სამუშაოს შერჩევა, მისი კონტექსტზე დაფუძნება, იმის შემოწმება, მუშაობს თუ არა შედეგი, და იმის ცოდნა, რა არ უნდა გამოვუშვათ.

ექსპერიმენტების გაიაფება გადაწყვეტილებათა ჩანაწერებსაც მეტ ფასს სძენს. ორგანიზაციამ უნდა იცოდეს, რა სცადა, რა ვერ გამოვიდა, რა ისწავლა და რატომ აირჩია ერთი გზა მეორის ნაცვლად.

საინჟინრო სისტემა სწრაფ გადამოწმებას, უსაფრთხო იტერაციასა და ცოდნის აღრიცხვას უნდა ემსახურებოდეს და არა მხოლოდ მიწოდების სისწრაფეს. ეს ცვლის როგორც ინჟინრის როლს, ისე მის გარშემო არსებულ გუნდს.

ინჟინრები სისტემის მეტ ნაწილს უწევენ კოორდინაციას

ინჟინრებისთვის ეს შექმნის პროცესისგან დაშორებაზე მეტად ნიშნავს იმის განსაზღვრაში, შეფასებასა და კოორდინაციაში ჩართვას, თუ რა და როგორ შეიქმნას.

ხელოვნური ინტელექტით შექმნილი პროგრამები ინჟინრების საჭიროებას არ აუქმებს. იზრდება იმ ადამიანთა მნიშვნელობა, ვისაც ესმის სისტემის შეზღუდვები და შეუძლია ინტერფეისებისა და შეფასებების დაგეგმვა, ადამიანებისა და აგენტების მუშაობის კოორდინაცია. ტექნიკური ცოდნის, განსჯის, პროდუქტის გააზრებისა და შეფასების უნარის მქონე ინჟინრები ხშირად მეტ ღირებულებას შექმნიან, ვიდრე ისინი, ვინც მხოლოდ ცალკეული კომპონენტების განხორციელებაზეა ორიენტირებული.

ხელოვნური ინტელექტი პროდუქტისა და ინჟინერიის სწავლის ციკლს აძლიერებს

ადრე პროდუქტის გუნდები წყვეტდნენ, რა შეექმნათ, საინჟინრო გუნდები კი — როგორ. დღეს ბევრი ორგანიზაცია პროდუქტს, დიზაინსა და ინჟინერიას აერთიანებს. ხელოვნური ინტელექტი გუნდის შიგნით პროცესს ცვლის: იაფი პროტოტიპები პრობლემის ჩამოყალიბების, იდეის განხორციელებისა და შეფასების ერთ ციკლში მოქცევას შესაძლებელს ხდის. გუნდები მეტ ვარიანტს გამოცდიან, სუსტ იდეებს ადრე უარყოფენ და დადასტურებულ იდეებს რეალურ დანერგვამდე მიიყვანენ.

უპირატესობას იძენს მცირე, მრავალფუნქციური გუნდი, სადაც პროდუქტის, დიზაინის, ინჟინერიისა და დარგის სპეციალისტები ერთად სწავლობენ. პროდუქტისა და ტექნიკური განსჯის უნარები ერთ როლად არ იქცევა, თუმცა მეტად უნდა დაუახლოვდეს ერთმანეთს. პროდუქტის მიმართულების ხელმძღვანელებს სჭირდებათ საკმარისი ტექნიკური ცოდნა, რომ პროტოტიპები შექმნან და სხვადასხვა ვარიანტი შეაფასონ. ინჟინრებს კლიენტისა და ბიზნესის კონტექსტი სჭირდებათ პრობლემის ჩამოსაყალიბებლად და არა — მხოლოდ მზა პასუხის განსახორციელებლად.

ორგანიზაციული კონტექსტი სტრატეგიულ აქტივად იქცევა

საინჟინრო ორგანიზაციები ტრადიციულად კოდს ძირითად აქტივად მიიჩნევდნენ. კოდის გენერირების გამარტივებასთან ერთად მდგრადი ღირებულება უფრო მეტად კოდის მიღმა არსებულ კონტექსტშია: დარგობრივ ცოდნაში, კლიენტის საჭიროებების გაგებაში, სისტემების ექსპლუატაციის გამოცდილებაში, ორგანიზაციის საკუთრებაში არსებულ მონაცემებში, შეფასებისთვის განკუთვნილ მონაცემთა ნაკრებებში, მანქანურად წაკითხვად წესებსა და არქიტექტურული გადაწყვეტილებების ისტორიაში, რომელიც განმარტავს, რატომ მუშაობს სისტემები სწორედ ამგვარად.

კოდის ბაზები ნაწილობრივ იმიტომაა მნიშვნელოვანი, რომ ბიზნესისა და კლიენტის შესახებ შრომით მოპოვებულ ცოდნას იტევს. ხელოვნური ინტელექტი კოდის შექმნისთვის საჭირო ძალისხმევას ცვლის, მაგრამ ამ ცოდნის მოპოვებისთვის საჭირო შრომას არ აუქმებს. ორგანიზაციებმა კოდის მოცულობის მიღმაც უნდა გაიხედონ და ინვესტიცია გააკეთონ ისეთ აქტივებში, რომელთა ღირებულებაც დროთა განმავლობაში იზრდება: გამართულად მართული საკუთარი მონაცემები, გამოსადეგი ცოდნის სისტემები, მომხმარებლის სიღრმისეული გაგება და გადაწყვეტილებათა მკაფიო ჩანაწერები.

CIO-ებისა და CDO-ებისთვის ეს საინფორმაციო არქიტექტურასა და მონაცემთა მართვას საინჟინრო შედეგიანობისთვის გადამწყვეტ მნიშვნელობას ანიჭებს. ხელოვნური ინტელექტის აგენტებს მხოლოდ იმ კონტექსტის გამოყენება შეუძლიათ, რომელზეც წვდომის უფლება აქვთ და რომლის ინტერპრეტაციაც შეუძლიათ. დანაწევრებული ცოდნა, მონაცემებზე პასუხისმგებლობის გაურკვეველი განაწილება და არათანმიმდევრული წვდომის უფლებები საინჟინრო შეზღუდვებად იქცევა და მხოლოდ ინფორმაციის მართვის პრობლემები აღარ არის.

როცა კონტექსტი საწარმოო სისტემის ნაწილი ხდება, ის პასიურ დოკუმენტაციად ვეღარ დარჩება. ის პლატფორმის შესაძლებლობად იქცევა.

ხელოვნური ინტელექტი ფედერაციული მოდელით: ცალკეული გუნდები, საერთო დამცავი მექანიზმები

როცა კონტექსტი, შეფასება და მმართველობა საწარმოო სისტემის ნაწილია, ხელოვნური ინტელექტის დანერგვა მთლიანად ცალკეულ გუნდებს ვერ მიენდობა. არც იმდენად ცენტრალიზებული უნდა იყოს, რომ გუნდები მომხმარებლების რეალურ პრობლემებს მოსწყდნენ.

ფედერაციული მოდელი ამ საჭიროებებს აბალანსებს. აპლიკაციების ავტონომიური გუნდები პრობლემასთან ახლოს რჩებიან. საერთო პლატფორმა და სარტყელი უზრუნველყოფს მრავალჯერ გამოყენებად ხელსაწყოებს, კონტექსტზე კონტროლირებად წვდომას, შეფასების მიდგომებს, უფლებებსა და მმართველობას. ფედერაციული მოდელი მხოლოდ მკაფიო პასუხისმგებლობების პირობებში მუშაობს: აპლიკაციების გუნდები პასუხისმგებელი არიან სამუშაო პროცესსა და მის შედეგზე, სარტყლის გუნდები უზრუნველყოფენ უსაფრთხო მუშაობისთვის საჭირო საერთო შესაძლებლობებს, ხოლო რისკების, უსაფრთხოებისა და მმართველობის გუნდები დამოუკიდებელ ზედამხედველობას ინარჩუნებენ.

აპლიკაციების გუნდებმა და დარგის ექსპერტებმა უნდა განსაზღვრონ ამოცანის სპეციფიკური შეფასების შემთხვევები და მისაღები ხარისხის ზღვარი. სარტყლის გუნდმა თანმიმდევრული შეფასების გასაკეთებლად უნდა უზრუნველყოს ინფრასტრუქტურა, საერთო კონტროლი და ანგარიშგება.

სფერო

აპლიკაციის გუნდი

სარტყლის გუნდი

რისკები, უსაფრთხოება და მმართველობა

პროდუქტი და შედეგი

ირჩევს პრობლემას, პროცესს, მომხმარებლის გამოცდილებასა და წარმატების საზომებს; პასუხისმგებელია მომხმარებლისა და ბიზნესისთვის მიღებულ შედეგებზე

უზრუნველყოფს მრავალჯერ გამოყენებად მიდგომებს, ხელსაწყოებსა და ტელემეტრიას

აწესებს შეზღუდვებს, როცა გამოყენება მნიშვნელოვან რისკს ქმნის

კონტექსტი და წვდომა

განსაზღვრავს სამუშაო პროცესისთვის საჭირო ინფორმაციასა და ქმედებებს

უზრუნველყოფს კონტექსტის ინტერფეისებს, აგენტის იდენტობასა და ხელსაწყოების გამოყენების ნებართვებს.

ამტკიცებს სენსიტიურ მონაცემებზე წვდომასა და კონტროლის საზღვრებს

შეფასება და გამოშვება

ადგენს მიღების კრიტერიუმებს და განიხილავს შედეგებს

მართავს შეფასების ნაკრებებს, აუდიტის ჟურნალებსა და დანერგვის დამტკიცებულ გზებს

ამტკიცებს მაღალი რისკის გამოყენების შემთხვევებს, გამონაკლისებსა და მნიშვნელოვან ცვლილებებს

დაფინანსება და ანგარიშვალდებულება

ფინანსდება და პასუხს აგებს აპლიკაციის შედეგზე

ფინანსდება როგორც საერთო რესურსი; ფასდება ხელახალი გამოყენებით, დაფარვითა და უსაფრთხო ამოქმედებამდე საჭირო დროით

პასუხისმგებელია დამოუკიდებელ ზედამხედველობასა და კონტროლის შესახებ გადაწყვეტილებებზე

ტემპი და სწავლა

დარგის ექსპერტებთან ერთად აუმჯობესებს პროცესს; განიხილავს შედეგებს, ჩარევებსა და ინციდენტებს

მიღებულ ცოდნას ახალ ტესტებად, კონტროლის მექანიზმებად და მრავალჯერ გამოყენებად შესაძლებლობებად გარდაქმნის

დამტკიცების შეთანხმებულ ეტაპებზე განიხილავს ინციდენტებსა და ცვლილებებს

ეს გუნდის ზომის მიმართ ლიდერების მიდგომასაც ცვლის. მცირე გუნდებით მეტი პროგრამის შექმნა თვითმიზანი არ არის. მიზანია ადამიანის განსჯის უნარის მიმართვა იქ, სადაც ის ყველაზე ღირებულია: პრობლემასთან ახლოს მყოფი აპლიკაციების გუნდებისკენ და გაზიარებული შესაძლებლობებისკენ, რომლებიც სწრაფად, კონტროლის დაკარგვის გარეშე მუშაობას უზრუნველყოფს.

პლატფორმა ადამიანებისა და აგენტების სარტყელი ხდება

აპლიკაციების გუნდები მცირდება და მეტად ეყრდნობა ხელოვნურ ინტელექტს; უსაფრთხო, თანმიმდევრულ და ანგარიშვალდებულ მუშაობას ძლიერი საერთო რესურსები სჭირდება.

პლატფორმული ინჟინერია ძირითადად დეველოპერთა პროდუქტიულობას ემსახურებოდა, მისი მთავარი მომხმარებლები კი ადამიანები იყვნენ. ხელოვნურ ინტელექტზე დაფუძნებული პლატფორმა ადამიანებსაც უნდა ემსახურებოდეს და აგენტებსაც.

აგენტი დეველოპერულ პლატფორმას ადამიანისგან განსხვავებულად იყენებს. მას სჭირდება მანქანურად ხელმისაწვდომი ინსტრუქციები და ხელსაწყოები, მკაფიო უფლებები და მუშაობის სანდო შეფასება. სარტყელმა უნდა მოიცვას დაკვირვებადობა, უსაფრთხოება, მოთხოვნებთან შესაბამისობა და ცოდნის მართვაც. მისი მიზანია ავტონომიის სასარგებლოდ გამოყენება მკაფიო, აღსრულებადი საზღვრების დაწესებით.

მაგალითი: ხელოვნური ინტელექტით მხარდაჭერა რეგულირებულ ბანკში

ბანკი საბარათე დავების დამუშავებაში ხელოვნური ინტელექტის დანერგვას იწყებს. აპლიკაციის გუნდი ვიწრო ამოცანით იწყებს: საქმის კლასიფიკაცია, შესაბამისი წესის მოძიება და პასუხის მომზადება მხარდაჭერის თანამშრომლისთვის. გუნდი პასუხისმგებელია პროცესზე, მომხმარებლის გამოცდილებაზე, ესკალაციის ზღვრებსა და წარმატების საზომებზე. ის არ ადგენს მარეგულირებელ წესებს და არც აგენტს ანიჭებს ახალ უფლებებს.

აგენტებს შეუძლიათ დაეხმარონ შემუშავებას, ჩაატარონ მიზნობრივი ტესტები და მოამზადონ გამოშვება. სამუშაო გარემოში დანერგვას კვლავ ადამიანები დაამტკიცებენ, შედეგები კი შემდგომ შეფასებასა და განვითარებას დაედება საფუძვლად. შესრულების კონტროლი ცალკე რჩება: მხარდაჭერის აგენტმა მხოლოდ დამტკიცებული ხელსაწყოები და მონაცემები უნდა გამოიყენოს, დადგენილი უფლებებისა და ესკალაციის წესების დაცვით.

  • კონტექსტი: აგენტს აქვს წვდომა მიმდინარე საქმეზე, კლიენტის აუცილებელ მონაცემებზე, პროდუქტისა და საჩივრების დამტკიცებულ პროცედურებსა და მანქანურად წაკითხვად ესკალაციის წესებზე. მას არ აქვს წვდომა გადახდის საიდუმლო რეკვიზიტებსა თუ სხვა კლიენტების ჩანაწერებზე და ვერც საქმის მართვის სისტემაში წერს.

  • შეფასება: გამოშვებამდე ტიპურ ისტორიულ და ექსპერტთა მონიშნულ ზღვრულ შემთხვევებზე მოწმდება კლასიფიკაციის სიზუსტე, წესების დაცვა, სათანადო თავშეკავება, პერსონალურ მონაცემთა გაჟონვა და საჩივრებისა თუ ფინანსურად სენსიტიური საქმეების ესკალაცია.

  • დამტკიცება: პროდუქტზე გადაწყვეტილებას აპლიკაციის გუნდი იღებს. რისკების, უსაფრთხოებისა და შესაბამისობის გუნდები ამტკიცებენ მონაცემებზე წვდომას, წესებთან შეჯერებასა და დანერგვის გზას. ყველა გასაგზავნ შეტყობინებას თანამშრომელი ამტკიცებს; კლიენტის ფულსა თუ უფლებებზე გადაწყვეტილება აგენტის ავტონომიის მიღმა რჩება.

  • სარტყელის ჩანაწერი: ყოველი გაშვება აღრიცხავს აგენტის ვინაობას, მოდელის ვერსიას, კონტექსტს, წყაროებს, ხელსაწყოთა გამოძახებას, წესების შემოწმებას, შეფასებებს, ადამიანის შესწორებებსა თუ ჩარევას და ინციდენტებს. წარმატებულ გამოცდილებას გუნდი გარდაქმნის მრავალჯერად კონტექსტის ინტერფეისებად, შეფასების შემთხვევებად, უფლებების შაბლონებად და დანერგვის დამტკიცებულ გზებად. შეცდომები და ჩარევები ახალი ტესტებისა და პროცესის გაუმჯობესების საფუძველი ხდება.

აგენტს მოქმედების თავისუფლება ეძლევა მხოლოდ დამტკიცებული კონტექსტითა და ხელსაწყოებით; ყოველი მნიშვნელოვანი საზღვარი ტოვებს შესამოწმებელ და ხელახლა გამოსაყენებელ მტკიცებულებას. მნიშვნელოვან გადაწყვეტილებებზე პასუხისმგებლობა ადამიანებს რჩებათ. დროთა განმავლობაში ბანკი რეალური წარმატებების, ადამიანის ჩარევისა და შეცდომების საფუძველზე გააუმჯობესებს პროცესს და გადაწყვეტს, გააფართოოს თუ არა აგენტის უფლებამოსილება. ასე გამოიყურება პრაქტიკაში შემოსაზღვრული ავტონომია და მტკიცებულებებზე დაფუძნებული სწავლა.

ეს გამიჯვნა ასახულია სისტემებსა და კონტროლის მექანიზმებში, რომლებსაც სარტყელის გუნდი მართავს. სარტყელის გუნდებს შეიძლება ევალებოდეთ:

  • აგენტის იდენტობა: სერვისული იდენტობების გაცემა, პასუხისმგებლისა და გარემოს აღრიცხვა, გამოყენებული მოდელის, მოთხოვნისა და ხელსაწყოების ვერსიების თვალყურის დევნება.

  • ხელსაწყოთა უფლებები: წაკითხვისა და ჩაწერის ფარგლები, მონაცემებზე წვდომა, სიხშირის ლიმიტები, დამტკიცების ეტაპები და აგენტის ქმედებების ნაგულისხმევი აკრძალვა.

  • კონტექსტის ინტერფეისები: დამტკიცებულ ცოდნასა და მონაცემებზე წვდომა ვერსიონირებადი, უფლებების გათვალისწინებით მოქმედი ინტერფეისებით, მკაფიო წარმომავლობითა და აქტუალურობით.

  • შეფასების ნაკრებები: ტიპური და ზღვრული მაგალითების, უსაფრთხოებისა და დაცვის ტესტების, რეგრესიული ტესტებისა და გამოშვების ზღვრების მართვა.

  • აუდიტი და დაკვირვებადობა: აგენტის იდენტობის, კონტექსტის, ხელსაწყოთა გამოძახებების, შედეგების, დამტკიცების, ადამიანის ჩარევის, შეცდომებისა და ინციდენტების აღრიცხვა, შენახვისა და წვდომის კონტროლით.

  • დანერგვის დამტკიცებული გზები: იზოლირებული, ჩრდილოვანი, ეტაპობრივი და სამუშაო რეჟიმები ავტომატური შემოწმებით, უკუქცევითა და ცვლილებების კონტროლით.

სარტყელის გუნდები ყველა არსებული პლატფორმული ფუნქციის ახალი სახელი არ არის. მანქანური სწავლების ოპერაციების, უსაფრთხოების, მმართველობისა და პლატფორმის გუნდებს საკუთარი პასუხისმგებლობები რჩებათ. სარტყელის გუნდი ამ კონტროლს ხელოვნური ინტელექტის პროცესებს უკავშირებს: წესებს — უფლებებითა და დამტკიცებით, კონტექსტს — მართვადი ინტერფეისებით, შეფასებას — ტესტებით, აგენტის ქცევის აუდიტსა და ხელახალ გამოყენებას — ჟურნალებით.

ხელოვნურ ინტელექტზე დაფუძნებული ინჟინერიის საოპერაციო მოდელის სქემა: აპლიკაციების გუნდებს საერთო პლატფორმა და სარტყელი უჭერს მხარს.

უნდა შეიცვალოს დაკომპლექტება, ხელმძღვანელობა და საზომები

თუ საინჟინრო საქმიანობა აპლიკაციების მიწოდებად და საერთო მხარდაჭერად იყოფა, შესაბამისად უნდა შეიცვალოს კადრები, ხელმძღვანელობა და შეფასებაც.

აპლიკაციების გუნდებს პრობლემასთან ახლოს სჭირდებათ პროდუქტის, ინჟინერიისა და დარგის გააზრების უნარი. პლატფორმისა და სარტყელის გუნდებს სჭირდებათ ადამიანებისა და აგენტების მასშტაბური მხარდაჭერისთვის საერთო გარემოს შემქმნელები და მმართველები.

ტექნოლოგიური ლიდერები მიწოდების სისტემის არქიტექტორები ხდებიან

CTO-ების, CDO-ებისა და CIO-ების ამოცანაა გადაწყვიტონ, რა უზრუნველყონ ცენტრალურად და რა დაუტოვონ გუნდებს.

აპლიკაციების გუნდებს სჭირდებათ სწრაფი მუშაობისა და კლიენტებთან სიახლოვის თავისუფლება. მათ თავიდან არ უნდა უწევდეთ მონაცემებზე უსაფრთხო წვდომის, დაკვირვებადობის, შეფასებისა და მმართველობის შექმნა.

ხელოვნურ ინტელექტზე დაფუძნებულ ორგანიზაციაში ლიდერებმა ყურადღება ნაწილობრივ მიწოდების სიმძლავრიდან სისტემის დაპროექტებაზე უნდა გადაიტანონ. ეს მოიცავს:

  • კადრების შერჩევასა და განვითარებას განსჯისა და გადაწყვეტილების ხარისხის მიხედვით;

  • ინვესტირებას ხელოვნური ინტელექტის საერთო პლატფორმებში, შეფასებაში, დამცავ მექანიზმებში, დამტკიცებულ გზებში, ცოდნის მიმოცვლასა და წვდომის სქემებში;

  • აგენტების, ადამიანებისა და ერთობლივი პროცესების საზღვრების დადგენას;

  • დადასტურებული სწავლის, საიმედოობის, კლიენტზე გავლენისა და უსაფრთხო ხელახალი გამოყენების გაზომვას; და

  • ტექნოლოგიის ცოდნას იმის გასაგებად, სად ცვლის ხელოვნური ინტელექტი მიწოდების ეკონომიკას.

გამართული სისტემა ამარტივებს კონტექსტზე წვდომას, ხელოვნური ინტელექტის ნამუშევრის ტესტირებას, გამოცდილი მიდგომების გამოყენებასა და ადამიანის თანხმობის საჭიროების ამოცნობას.

არსებული საინჟინრო საზომები სრულ სურათს არ იძლევა

ბევრი საინჟინრო საზომი შეიქმნა მაშინ, როცა მთავარი შეზღუდვა პროგრამული უზრუნველყოფის წარმოება იყო. ტემპი, ამოცანის ქულები, მწარმოებლურობა და დანერგვის სიხშირე კვლავ სასარგებლოა, თუმცა ცალკე ნაკლებ ინფორმაციას იძლევა, რადგან ხელოვნური ინტელექტი პროგრამის შექმნას ამარტივებს.

მეტ კოდსა და ექსპერიმენტს შეიძლება მაინც ახლდეს ცუდი გადაწყვეტილებები, ზედმეტი სირთულე ან გაზრდილი რისკი.

ამიტომ ლიდერებმა მხოლოდ პროგრამების მოცულობა ან ხელოვნური ინტელექტის ხელსაწყოთა გავრცელება არ უნდა იკითხონ. მათ უნდა იცოდნენ, აჩქარებს თუ არა ხელოვნური ინტელექტი სწავლას, აუმჯობესებს კლიენტის შედეგებს და უზრუნველყოფს საიმედო მუშაობას შეთანხმებულ საზღვრებში.

აპლიკაციების გუნდებისთვის სასარგებლო საზომებია:

  • დადასტურებულ ცოდნამდე საჭირო დრო;

  • კლიენტის შედეგების გაუმჯობესება;

  • ბიზნესისთვის შექმნილი ღირებულება;

  • ათვისება და ქცევის ცვლილება; და

  • ექსპერიმენტების დასაბუთებულ გადაწყვეტილებებად გარდაქმნის სიხშირე.

სწავლის დრო უნდა მოიცავდეს პერიოდს ექსპერიმენტის დაწყებიდან გადაწყვეტილებისთვის საკმარისი მტკიცებულების მოპოვებამდე. თუ გუნდი ორშაბათს იწყებს, ოთხშაბათს ნერგავს და პარასკევს დასაბუთებულ გადაწყვეტილებას იღებს, ეს ერთკვირიანი სწავლის ციკლია და არა ორდღიანი მიწოდება.

პლატფორმისა და სარტყელის გუნდებისთვის სასარგებლო საზომებია:

  • ხელოვნური ინტელექტის დამტკიცებული მიდგომების ხელახალი გამოყენება;

  • შეფასების დაფარვა და ეფექტიანობა;

  • ხელოვნურ ინტელექტთან დაკავშირებული ინციდენტები და გადაკეთება;

  • დრო იდეიდან უსაფრთხო ამოქმედებამდე;

  • აგენტის ქმედებათა დაკვირვებადობა; და

  • აუდიტისა და შესაბამისობისთვის მზადყოფნა.

ხარჯი ყოველ წარმატებულ შედეგზე უნდა მოიცავდეს მოდელის გამოყენებას, ადამიანის შემოწმებას, წარუმატებელ ცდებს, გადაკეთებასა და საოპერაციო მხარდაჭერას.

ამ საზომებსაც სჭირდება მკაფიო განმარტებები, საწყისი მაჩვენებლები და შეფასების მეთოდები. მიზანი ერთი უნივერსალური საზომის მეორით შეცვლა კი არა, სისტემის მიერ სანდო შედეგების მიღების შემოწმებაა.

ეს მოდელიც შეიძლება დროებითი იყოს

აპლიკაციისა და სარტყელის მოდელი ხელოვნურ ინტელექტზე დაფუძნებული ინჟინერიის მიმდინარე ეტაპის ერთ-ერთი პასუხია. ის უცვლელ საბოლოო მდგომარეობად არ უნდა მივიჩნიოთ.

ინჟინერიის ძირითადი სამუშაო ერთეული შესაძლოა კვლავ შეცვალოს:

  • აგენტებისთვის სრული პროცესების მინდობამ;

  • ზოგი პროგრამის დროებით შექმნამ, მრავალწლიანი მხარდაჭერის ნაცვლად;

  • აპლიკაციის ინტერფეისიდან აგენტით მართულ ურთიერთობაზე გადასვლამ;

  • საბაზისო მოდელების მიერ მეტი პლატფორმული შესაძლებლობის ათვისებამ; და

  • რეგულაციებმა, რომლებიც აუდიტის შესაძლებლობასა და ანგარიშვალდებულებას მთავარ საინჟინრო შეზღუდვად აქცევს.

ეს შესაძლებლობებია და არა წინასწარ განსაზღვრული შედეგები. მათი რეალიზებისას აპლიკაციისა და პლატფორმის გუნდებად დაყოფაც შეიძლება მეტისმეტად ვიწრო აღმოჩნდეს.

გაურკვევლობას ყველაზე მომზადებული ის ორგანიზაციები შეხვდებიან, რომლებიც საოპერაციო მოდელს ადაპტირებადად მიიჩნევენ. ისინი დაეყრდნობიან მკაფიო პრინციპებს, მყარ კონტექსტს, შემოსაზღვრულ ავტონომიასა და სწრაფ სწავლას, არა უცვლელ გუნდურ სტრუქტურებსა თუ ხელსაწყოებს.

სანდო პროგრესი საინჟინრო სრულყოფილების ახალი სტანდარტია

ხელოვნური ინტელექტი საინჟინრო სისტემების მნიშვნელობას არ ამცირებს. ის მათი გამართულად დაპროექტების ფასეულობას ზრდის.

პროგრამების შექმნის გაიაფებით უპირატესობას იძენენ ორგანიზაციები, რომლებიც უკეთეს გადაწყვეტილებებს იღებენ, კონტექსტს ამდიდრებენ და უსაფრთხოდ მუშაობენ. ხელოვნურ ინტელექტზე დაფუძნებული ინჟინერია მხოლოდ მისი ხელსაწყოების გამოყენება არ არის. ის ახალ შეზღუდვებზე ეწყობა: გადაწყვეტილების ხარისხზე, საერთო კონტექსტზე, შემოსაზღვრულ ავტონომიასა და სწრაფ სწავლაზე.

ტექნოლოგიურმა ლიდერებმა ჯერ ოთხ კითხვას უნდა გასცენ მკაფიო პასუხი:

  1. კლიენტსა და პროდუქტზე რომელი გადაწყვეტილებები უნდა დარჩეს აპლიკაციების გუნდებთან?

  2. რომელი კონტექსტი, კონტროლი და შეფასების შესაძლებლობები უნდა იყოს საერთო?

  3. სად მოქმედებენ აგენტები ავტონომიურად და სად სჭირდებათ ადამიანის თანხმობა?

  4. რომელი საზომები აჩვენებს დადასტურებულ სწავლას, კლიენტის სარგებელსა და უსაფრთხო მუშაობას?

ეს პასუხები ხელოვნური ინტელექტის დანერგვის ღირებულებას მეტად განსაზღვრავს, ვიდრე ორგანიზაციაში დანერგილი ასისტენტების რაოდენობა.

Authors

Abbie Manning, Saurabh Singh