ارزشی که ایجنتها میتوانند ایجاد کنند از پتانسیل آنها برای اتوماسیون یک سری استفادههای پیچیده و طولانی میآید که با ورودیها و خروجیهای بسیار متغیر مشخص میشوند—استفادههایی که به طور تاریخی به دلیل پیچیدگی زیاد، هزینه یا زمانبر بودن، دشوار به اتوماسیون بودهاند. چیزی به سادگی یک سفر کاری، به عنوان مثال، میتواند شامل چندین مسیر ممکن باشد که شامل خطوط هوایی و پروازهای مختلف است، بدون ذکر برنامههای جوایز هتلها، رزرو رستورانها و فعالیتهای خارج از ساعات کاری، که باید در سراسر پلتفرمهای آنلاین مختلف مدیریت شوند. اگرچه تلاشهایی برای اتوماسیون بخشهایی از این فرآیند انجام شده است، اما هنوز بخش زیادی از آن باید به صورت دستی انجام شود. بخش عمدهای از این موضوع به این دلیل است که تنوع گسترده ورودیها و خروجیهای ممکن باعث میشود که فرآیند بسیار پیچیده، پرهزینه یا زمانبر باشد تا به صورت خودکار انجام شود.
سیستمهای عامل مبتنی بر هوش مصنوعی مولد (Gen AI) میتوانند اتوماسیون استفادههای پیچیده و باز را در سه روش مهم تسهیل کنند:
- ایجنت میتوانند تنوع را مدیریت کنند
بسیاری از استفادهها و فرآیندهای تجاری با یک جریان کاری خطی مشخص میشوند، که دارای شروع و مراحلی است که به یک نتیجه یا خروجی خاص میرسند. این سادگی نسبی باعث میشود که آنها به راحتی در سیستمهای مبتنی بر قوانین کدگذاری و اتوماسیون شوند. اما سیستمهای مبتنی بر قوانین اغلب “شکننده” هستند—یعنی زمانی که با موقعیتهایی مواجه میشوند که توسط طراحان قوانین پیشبینی نشدهاند، از کار میافتند. بسیاری از جریانهای کاری، به عنوان مثال، کمتر قابل پیشبینی هستند و با پیچیدگیها و تحولات غیرمنتظره و مجموعهای از نتایج ممکن مشخص میشوند؛ این جریانها نیاز به برخورد خاص و قضاوت دقیق دارند که اتوماسیون مبتنی بر قوانین را دشوار میسازد. اما سیستمهای عامل مبتنی بر هوش مصنوعی تولیدی، به دلیل اینکه بر مدلهای پایهای ساخته شدهاند، پتانسیل دارند که طیف وسیعی از موقعیتهای کمتر محتمل را برای یک استفاده خاص مدیریت کنند و در زمان واقعی خود را انطباق دهند تا وظایف تخصصی لازم برای تکمیل یک فرآیند را انجام دهند. - سیستمهای عامل میتوانند با زبان طبیعی هدایت شوند
در حال حاضر، برای اتوماسیون یک استفاده، ابتدا باید آن را به مجموعهای از قوانین و مراحل تقسیم کرد که میتوان آنها را کدگذاری کرد. این مراحل معمولاً به کد کامپیوتری ترجمه شده و در سیستمهای نرمافزاری یکپارچه میشوند—فرآیندی که اغلب پرهزینه و طاقتفرسا است و نیاز به تخصص فنی قابل توجهی دارد. زیرا سیستمهای عامل از زبان طبیعی به عنوان یک فرم دستورالعمل استفاده میکنند، حتی جریانهای کاری پیچیده نیز میتوانند سریعتر و راحتتر کدگذاری شوند. علاوه بر این، فرآیند ممکن است توسط کارکنان غیر فنی انجام شود، نه مهندسان نرمافزار. این امر دسترسی به ابزارهای هوش مصنوعی و هوش مصنوعی تولیدی را گسترش میدهد، همکاری بین تیمهای فنی و غیر فنی را تسهیل میکند و امکان ادغام تخصصهای موضوعی را فراهم میآورد. -
ایجنت میتوانند با ابزارها و پلتفرمهای نرمافزاری موجود کار کنند
علاوه بر تجزیه و تحلیل و تولید دانش، سیستمهای عامل میتوانند از ابزارها استفاده کرده و در اکوسیستم دیجیتال وسیعتری ارتباط برقرار کنند. به عنوان مثال، یک عامل میتواند به کار با برنامههای نرمافزاری (مانند ابزارهای ترسیم و نمودار)، جستجوی وب برای اطلاعات، جمعآوری و ترکیب بازخورد انسانی، و حتی استفاده از مدلهای پایهای اضافی هدایت شود. استفاده از ابزارهای دیجیتال یک ویژگی تعریفکننده سیستمهای عامل است (این یکی از راههایی است که آنها میتوانند در دنیا عمل کنند)، اما همچنین راهی است که قابلیتهای هوش مصنوعی تولیدی به طور منحصر به فردی به کار گرفته میشود. مدلهای پایهای میتوانند یاد بگیرند که چگونه با ابزارها ارتباط برقرار کنند، چه از طریق زبان طبیعی و چه از طریق سایر رابطها. بدون مدلهای پایهای، این قابلیتها نیاز به تلاشهای دستی گسترده برای یکپارچهسازی سیستمها (برای مثال، استفاده از ابزارهای استخراج، تبدیل و بارگذاری) یا تلاشهای دستی خستهکننده برای گردآوری خروجیها از سیستمهای نرمافزاری مختلف خواهند داشت.