როგორ ცვლის ხელოვნური ინტელექტი სტარტაპების ეკონომიკას: Microsoft-ის ვიცე-პრეზიდენტის ხედვა

ამანდა სილვერი Microsoft-ში 24 წელია დეველოპერებისთვის განკუთვნილი ხელსაწყოების შექმნაზე მუშაობს. ბოლო რამდენიმე წელი მან GitHub Copilot-ის განვითარებას დაუთმო, ამჟამად კი Microsoft-ის CoreAI დივიზიონის კორპორაციული ვიცე-პრეზიდენტია. მისი საქმიანობა ფოკუსირებულია საწარმოო სისტემებში აპლიკაციებისა და აგენტური სისტემების დანერგვაზე, კერძოდ, Azure-ის Foundry სისტემის მეშვეობით, რომელიც კომპანიებისთვის ერთიან AI პორტალს წარმოადგენს.

სილვერის დაკვირვებით, ხელოვნური ინტელექტის (AI) გავლენა თანამედროვე სტარტაპებზე ისეთივე მასშტაბური და გარდამტეხია, როგორიც თავის დროზე საჯარო ღრუბლოვანი ტექნოლოგიების (Public Cloud) გამოჩენა იყო. თუ ღრუბლოვანმა სერვისებმა სტარტაპებს ფიზიკური სერვერების და აპარატურის ხარჯები შეუმცირა, აგენტური AI პროგრამული უზრუნველყოფის ოპერაციულ ხარჯებს ამცირებს.

AI-ს გავლენა სტარტაპების ეკონომიკაზე

აგენტური ხელოვნური ინტელექტი მნიშვნელოვნად აჩქარებს და აიაფებს ახალი საწარმოს შექმნასთან დაკავშირებულ ბევრ პროცესს, მათ შორის მომხმარებელთა მხარდაჭერასა და იურიდიულ კვლევებს. მოსალოდნელია, რომ ეს ტენდენცია გამოიწვევს:

• უფრო მეტი ახალი სტარტაპის გაშვებას ბაზარზე;
• სტარტაპების საბაზრო ღირებულების (ვალუაციის) ზრდას;
• კომპანიების მართვას უფრო მცირე გუნდების მიერ.

პრაქტიკული გამოყენება დეველოპმენტსა და ოპერაციებში

მრავალსაფეხურიანი აგენტები უკვე ფართოდ გამოიყენება კოდირების სხვადასხვა ამოცანაში. ერთ-ერთი თვალსაჩინო მაგალითია კოდის ბაზის მუდმივი განახლება და ბიბლიოთეკების უახლეს ვერსიებთან შესაბამისობაში მოყვანა (მაგალითად, .NET runtime ან Java SDK). აგენტურ სისტემებს შეუძლიათ მთლიანი კოდის გაანალიზება და მისი განახლება, რაც ამ პროცესისთვის საჭირო დროს 70%-ით ან 80%-ით ამცირებს.

კიდევ ერთი მნიშვნელოვანი სფეროა ვებგვერდებისა და სერვისების უწყვეტი მუშაობის (Live-site operations) მონიტორინგი. ტრადიციულად, ტექნიკური ხარვეზების გამოსასწორებლად თანამშრომლებს 24/7 მორიგეობა უწევთ, რაც ხშირად ღამის საათებში მუშაობას გულისხმობს. აგენტურ სისტემებს შეუძლიათ დამოუკიდებლად მოახდინონ პრობლემის დიაგნოსტირება და ხშირ შემთხვევაში მისი სრული აღმოფხვრა, რაც ადამიანურ რესურსს ზოგავს და ინციდენტის გადაჭრის საშუალო დროს მკვეთრად ამცირებს.

ბარიერები აგენტური სისტემების დანერგვისას

მიუხედავად მოლოდინებისა, აგენტური სისტემების დანერგვა იმაზე ნელა მიმდინარეობს, ვიდრე ექვსი თვის წინ იყო ნავარაუდევი. ძირითადი შემაფერხებელი ფაქტორებია:

• მიზნის გაურკვევლობა: კომპანიებმა ხშირად არ იციან, კონკრეტულად რა ფუნქცია უნდა ჰქონდეს აგენტს;
• კულტურული ცვლილება: საჭიროა მიდგომების შეცვლა სისტემების მშენებლობისას;
• ბიზნეს-ამოცანის დეფიციტი: მკაფიოდ უნდა იყოს განსაზღვრული, რა ბიზნეს პრობლემას ჭრის AI და როგორია წარმატების კრიტერიუმები;
• მონაცემთა ხარისხი: აგენტს სჭირდება სწორი მონაცემები ლოგიკური დასკვნების გამოსატანად.

ადამიანის როლი და კონტროლი (Human-in-the-loop)

გავრცელებული გაურკვევლობის მიუხედავად, პრაქტიკაში აგენტური სისტემები ძირითადად ადამიანის ზედამხედველობით მუშაობენ. მაგალითად, ამანდა სილვერს მოჰყავს ამანათების დაბრუნების პროცესი: ადრე ეს პროცესი 90%-ით ავტომატიზებული იყო, ხოლო 10%-ს ადამიანი ასრულებდა, რომელიც ვიზუალურად აფასებდა ნივთის დაზიანებას.

დღეს კომპიუტერული ხედვის (Computer Vision) მოდელები იმდენად დაიხვეწა, რომ მათ დამოუკიდებლად შეუძლიათ შეფასება, თუმცა რთულ შემთხვევებში გადაწყვეტილების მიღება მაინც ადამიანს ევალება. არსებობს კრიტიკული სფეროები, სადაც ადამიანის კონტროლი ყოველთვის აუცილებელი იქნება:

• იურიდიული სახელშეკრულებო ვალდებულებების აღება;
• კოდის დანერგვა სამუშაო გარემოში (Production), რამაც შესაძლოა სისტემის სტაბილურობაზე მოახდინოს გავლენა.

მიუხედავად ამისა, მთავარი კითხვა რჩება იმაში, თუ რამდენად შორს შეიძლება წავიდეს დანარჩენი პროცესების ავტომატიზაცია.