‏گلوگاه هوش مصنوعی سازمانی؛ مشکل از مدل نیست، از کانتکسته

نزدیک به چهار ساله که موج هوش مصنوعی مولد شروع شده، ولی خیلی از پروژه‌های سازمانی به یه الگوی آشنا رسیدن: مدل‌ها قوی‌ان، پایلوت‌ها هم امیدوارکننده‌ن، ولی وقتی می‌خوان برن رو نسخهٔ واقعی، دقت رو یه سقف گیر می‌کنه و نتایج بی‌ثبات می‌شن. پروکالپا سانکار، هم‌بنیان‌گذار Atlan، تو گفتگو با لان جف از Insight Partners می‌گه مقصر این گیر کردن، لایهٔ کانتکسته (context layer)؛ یعنی دانش، تجربه و قوانینی که یه ایجنت هوش مصنوعی برای کار درست بهش نیاز داره، نه توانایی خود مدل.

سانکار کانتکست رو به سه بخش تقسیم می‌کنه: دانش، تجربه و قوانین. مثلا وقتی با یه کال‌سنتر تماس می‌گیری و می‌گی سفارشت خراب شده و می‌خوای پولت رو پس بگیری، اول از همه باید دانش وجود داشته باشه: این مشتری کیه، چه اتفاقی برای سفارشش افتاده. بعدش تجربه لازمه: چطور بین درخواست‌های مختلف اولویت‌بندی کنه. و در آخر قوانین: مثلا اجازه نداره بدون تایید مدیرش بیشتر از ۵۰ دلار پول برگردونه. به گفتهٔ سانکار، هوش شناختی فقط حدود ۱۰ درصد تو عملکرد شغلی تاثیر داره و بقیهٔ ماجرا همین کانتکسته.

خود Atlan این مشکل رو زودتر از خیلیا حس کرد. سه چهار ماه بعد از ChatGPT، وقتی اولین فیچرهای هوش مصنوعیشون رو لانچ کردن، دقت مدل هیچ‌وقت از ۷۰ درصد بالاتر نمی‌رفت؛ سانکار می‌گه این سقف ربطی به مدل نداشت، مشکل کانتکست بود. شرکت‌های بزرگ و قدیمی‌تر با وجود داده و بودجهٔ زیاد، نتونستن لایهٔ کانتکستی بسازن که مشتری‌ها دوستش داشته باشن؛ Atlan سریع‌تر حرکت کرد چون سال‌ها قبل، پلتفرم‌های دادهٔ بزرگ برای سازمان ملل و بانک جهانی ساخته بود.

پلتفرم Atlan تو سه مرحله کار می‌کنه. اول context mining: یه ایجنت خودشون صدها سیستم متصل مثل دیتاورهاوس، ابزار BI و ریپازیتوری کد رو می‌خونه و کانتکست دقیق ازشون بیرون می‌کشه، نه یه حدس هوشمندانهٔ LLM. دوم اینه که این کانتکست تو چرخهٔ توسعهٔ ایجنت‌ها جا می‌گیره. سوم trace mining ـه: هر بار آدمی تصمیم ایجنت رو override می‌کنه، اون override دادهٔ باارزشیه که برمی‌گرده تو کانتکست؛ مثلا مشتری‌ای با ایجنت ۵۰ درصد خودمختار، با جمع این ردها می‌تونه بره سمت ۹۰ درصد.

لایهٔ کانتکست از نظر سانکار سه چیزه: آنتولوژی (نقشهٔ ارتباط اجزای کسب‌وکار مثل مشتری و سفارش)، مدل معنایی (تعریف دقیق متریک‌هایی مثل ARR) و دادهٔ آمادهٔ هوش مصنوعی. این لایه جای کاتالوگ‌های متادیتای فعلی رو نمی‌گیره، بالای اونا می‌شینه و همه‌چیز رو به رابطی قابل‌فهم برای ماشین تبدیل می‌کنه. جف این رو به ایجنت‌های کدنویسی تشبیه می‌کنه که به‌جای خوندن مستقیم ریپازیتوری، از knowledge graph کد استفاده می‌کنن؛ لایهٔ کانتکست سازمانی هم دقیقا همینه، برای کل شرکت.

سانکار می‌گه سخت‌ترین بخش ماجرا اصلا فنی نیست، آدمیه. اون تعریف می‌کنه یه بار به‌جای اینکه از هوش مصنوعی بخواد کارشو بهتر کنه، بهش گفت خودش از صفر یه صفحهٔ پوزیشنینگ بنویسه؛ نتیجه انقدر خوب بود که سانکار یه لحظه احساس ناامنی کرد، چون پوزیشنینگ رو یکی از کارایی می‌دونست که توش واقعا در سطح جهانی خوبه. به گفتهٔ اون، شرکت‌هایی که تو هوش مصنوعی سازمانی موفق می‌شن، برنده نیستن چون تکنولوژی بهتری دارن، برنده‌ن چون تیم‌هاشون تونستن از این لحظهٔ ناامنی رد بشن.

نکات کلیدی:

• تعریف کانتکست از نگاه Atlan: ترکیبی از دانش، تجربهٔ عملیاتی و قوانین سازمانی
• اولین محصول هوش مصنوعی Atlan روی دقت ۷۰ درصد گیر کرده بود، نه به خاطر ضعف مدل بلکه نبود کانتکست
• پلتفرم Atlan سه مرحله داره: context mining، جاسازی تو چرخهٔ توسعهٔ ایجنت، و trace mining
• لایهٔ کانتکست شامل آنتولوژی، مدل معنایی و دادهٔ آماده برای AI ـه و جایگزین کاتالوگ‌های فعلی نمی‌شه، بالای اونا می‌شینه
• به گفتهٔ سانکار، بزرگ‌ترین چالش سازمان‌ها تو هوش مصنوعی، فنی نیست بلکه روانی و انسانیه