به زودی در رویداد معتبر و مورد اعتماد رهبران کسب‌وکار، که نزدیک به دو دهه برگزار می‌شود، با مفهوم نوین هوش مصنوعی در سطح سازمانی آشنا شوید. رویداد VB Transform به گردهمایی افرادی اختصاص دارد که در حال شکل‌دهی به استراتژی‌های واقعی هوش مصنوعی در سازمان‌ها هستند.
امروزه، بسیاری از تلاش‌های توسعه عامل‌های هوش مصنوعی در سازمان‌ها به مرحله تولید نمی‌رسند و این مسئله ناشی از عدم آمادگی فناوری نیست. طبق گفته‌های شرکت Databricks، مشکل اصلی آن است که شرکت‌ها هنوز به ارزیابی‌های دستی متکی هستند، پروسه‌ای که کند، غیرقابل اطمینان و سخت برای مقیاس‌پذیری است. در همین راستا، در نشست Data + AI Summit، Databricks از راه‌حل جدید خود به نام Mosaic Agent Bricks رونمایی کرد. این فناوری بر اساس و گسترش چارچوب Mosaic AI Agent است که در سال 2024 اعلام شد. به بیانی ساده، دیگر کافی نیست که فقط بتوان عامل‌های هوش مصنوعی را ساخت؛ بلکه برای تأثیر واقعی در دنیای واقعی، بهینه‌سازی خودکار عامل‌ها ضروری است.
پلتفرم Mosaic Agent Bricks به کمک مجموعه‌ای از نوآوری‌های مبتنی بر تحقیق، بهینه‌سازی عامل‌ها را خودکار می‌کند. یکی از نوآوری‌های کلیدی این پلتفرم، ادغام TAO (بهینه‌سازی تطبیقی در زمان آزمایش) است که رویکردی نوآورانه برای تنظیم هوش مصنوعی بدون نیاز به داده‌های برچسب‌گذاری شده ارائه می‌دهد. همچنین، Mosaic Agent Bricks داده‌های سنتتیک خاص حوزه تولید می‌کند و بنچمارک‌های آگاه از وظیفه ایجاد می‌کند و کیفیت را بدون دخالت دستی بهینه‌سازی می‌کند.
هدف بنیادی این پلتفرم، حل مشکلی است که کاربران Databricks با تلاش‌های کنونی توسعه عامل‌های هوش مصنوعی مواجه بودند. هانلین تانگ، رئیس فناوری شبکه‌های عصبی شرکت Databricks، به VentureBeat گفت: “آن‌ها در شرایط نابینایی کار می‌کردند و هیچ راهی برای ارزیابی این عامل‌ها نداشتند.”
ایجاد و ارزیابی عامل‌ها، بخش اساسی آماده‌سازی هوش مصنوعی برای محیط‌های سازمانی است، اما تنها جنبه‌ای نیست که لازم است مورد توجه قرار گیرد. Databricks پلتفرم Mosaic Agent Bricks را به عنوان لایه مصرف هوش مصنوعی در بالای یک آرایه داده یکپارچه معرفی کرده است. در همین نشست، Databricks همچنین از عرضه عمومی پلتفرم مهندسی داده Lakeflow خبر داد که برای حل چالش‌های آماده‌سازی داده طراحی شده است.
موزاییک Agent Bricks به راحتی ضمن آماده‌سازی داده‌های سازمانی، به ویژگی‌های حاکمیتی Unity Catalog نیز نفع می‌برد که کنترل‌های دسترسی و ردیابی خط داده را شامل می‌شود. این اینتگراسیون اطمینان حاصل می‌کند که رفتار عامل‌ها به مقررات داده‌های سازمانی احترام می‌گذارد.
یکی از رویکردهای رایج برای راهنمایی عامل‌های هوش مصنوعی، استفاده از prompt system است. با این حال، پلتفرم Agent Learning from Human Feedback رویکردی نوآورانه است که به طور خودکار اجزای سیستم را بر اساس راهنمایی‌های زبان طبیعی تنظیم می‌کند و مشکلات سنت‌زنی prompt را حل می‌کند.
در حال حاضر، راه‌حل‌های بسیاری برای توسعه عامل‌های هوش مصنوعی در بازار وجود دارد. به گفته تانگ، آنچه که Mosaic Agent Bricks را متمایز می‌کند، بهینه‌سازی آن است. این ویژگی، نه تنها منجر به پیکربندی و تنظیم دستی خورده، بلکه تکنیک‌های مختلف تحقیقاتی را به طور خودکار در خود دارد.
با طراحی این پلتفرم، سازمان‌ها قادر خواهند بود به جای تمرکز بر زیرساخت‌های ارزیابی، منابع خود را به شناسایی کاربردها و آماده‌سازی داده‌ها متمرکز کنند. توسعه و بهبود زیرساخت‌های ارزیابی به سازمان‌ها این امکان را می‌دهد تا با اطمینان بیشتری در مسیر راه‌اندازی و به کارگیری عامل‌های هوش مصنوعی گام بگذارند.