Agentic AI ગ્રાહકના અનુભવ અને ઓપરેશનલ કાર્યક્ષમતામાં પરિવર્તન લાવવા માટે તૈયાર છે, જેમાં નેતૃત્વ તરફથી નવા વ્યૂહાત્મક અભિગમની જરૂર છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સનો આ વિકાસ પ્રણાલીઓને કાર્યોની યોજના બનાવવા, અમલમાં મૂકવા અને ચાલુ રાખવા માટે, સરળ ભલામણોથી આગળ વધીને સક્રિય ક્રિયા તરફ આગળ વધવાની શક્તિ આપે છે. UX ટીમો, પ્રોડક્ટ મેનેજરો અને એક્ઝિક્યુટિવ્સ માટે, નવીનતામાં તકોને અનલૉક કરવા, વર્કફ્લોને સુવ્યવસ્થિત કરવા અને ટેક્નોલોજી લોકોને કેવી રીતે સેવા આપે છે તે પુનઃવ્યાખ્યાયિત કરવા માટે આ શિફ્ટને સમજવું મહત્વપૂર્ણ છે. Agentic AI ને રોબોટિક પ્રોસેસ ઓટોમેશન (RPA) સાથે ગૂંચવવું સરળ છે, જે એવી ટેક્નોલોજી છે જે કમ્પ્યુટર પર કરવામાં આવતા નિયમો આધારિત કાર્યો પર ધ્યાન કેન્દ્રિત કરે છે. ભેદ તર્ક વિરુદ્ધ કઠોરતામાં રહેલો છે. RPA કડક સ્ક્રિપ્ટને અનુસરવામાં ઉત્તમ છે: જો X થાય, તો Y કરો. તે માનવ હાથની નકલ કરે છે. Agentic AI માનવ તર્કની નકલ કરે છે. તે રેખીય સ્ક્રિપ્ટને અનુસરતું નથી; તે એક બનાવે છે. એક ભરતી વર્કફ્લો ધ્યાનમાં લો. RPA બોટ રેઝ્યૂમે સ્કેન કરી શકે છે અને તેને ડેટાબેઝમાં અપલોડ કરી શકે છે. તે પુનરાવર્તિત કાર્ય સંપૂર્ણ રીતે કરે છે. એક એજન્ટિક સિસ્ટમ રેઝ્યૂમે જુએ છે, ઉમેદવાર ચોક્કસ પ્રમાણપત્રની યાદી આપે છે, નવા ક્લાયન્ટની જરૂરિયાત સાથે ક્રોસ-રેફરન્સ આપે છે અને તે મેચને હાઇલાઇટ કરતી વ્યક્તિગત આઉટરીચ ઇમેઇલનો મુસદ્દો તૈયાર કરવાનું નક્કી કરે છે. RPA પૂર્વવ્યાખ્યાયિત યોજના ચલાવે છે; Agentic AI ધ્યેયના આધારે યોજના ઘડે છે. આ સ્વાયત્તતા એજન્ટોને અમે છેલ્લા એક દાયકાથી ઉપયોગમાં લીધેલા આગાહીના સાધનોથી અલગ પાડે છે. બીજું ઉદાહરણ મીટિંગ તકરારને મેનેજ કરવાનું છે. તમારા કેલેન્ડરમાં સંકલિત એક અનુમાનિત મોડેલ તમારા મીટિંગ શેડ્યૂલ અને તમારા સહકર્મીઓના સમયપત્રકનું વિશ્લેષણ કરી શકે છે. તે પછી સંભવિત તકરારોનું સૂચન કરી શકે છે, જેમ કે એક જ સમયે શેડ્યૂલ કરાયેલ બે મહત્વપૂર્ણ મીટિંગ્સ અથવા જ્યારે મુખ્ય સહભાગી વેકેશન પર હોય ત્યારે શેડ્યૂલ કરાયેલ મીટિંગ. તે તમને માહિતી પ્રદાન કરે છે અને સંભવિત સમસ્યાઓને ફ્લેગ કરે છે, પરંતુ તમે પગલાં લેવા માટે જવાબદાર છો. એજેન્ટિક AI, સમાન પરિસ્થિતિમાં, ફક્ત તકરારને ટાળવા માટે સૂચવવાથી આગળ વધશે. મુખ્ય સહભાગી સાથેના સંઘર્ષને ઓળખવા પર, એજન્ટ આના દ્વારા કાર્ય કરી શકે છે:
બધા જરૂરી સહભાગીઓની ઉપલબ્ધતા તપાસી રહ્યું છે. વૈકલ્પિક સમય સ્લોટની ઓળખ કરવી જે દરેક માટે કાર્ય કરે છે. બધા પ્રતિભાગીઓને સૂચિત નવા મીટિંગ આમંત્રણો મોકલવા. જો સંઘર્ષ કોઈ બાહ્ય સહભાગી સાથે હોય, તો એજન્ટ ફરીથી શેડ્યૂલ કરવાની અને વૈકલ્પિક સમયની ઑફર કરવાની જરૂરિયાત સમજાવતો ઈમેલ ડ્રાફ્ટ અને મોકલી શકે છે. એકવાર પુષ્ટિ થઈ જાય પછી નવી મીટિંગ વિગતો સાથે તમારા કેલેન્ડર અને તમારા સહકાર્યકરોના કૅલેન્ડર્સને અપડેટ કરવું.
આ એજન્ટ AI ધ્યેયને સમજે છે (મીટિંગના સંઘર્ષનું નિરાકરણ), પગલાંઓનું આયોજન કરે છે (ઉપલબ્ધતા તપાસવી, વિકલ્પો શોધવી, આમંત્રણ મોકલવું), તે પગલાંને અમલમાં મૂકે છે અને સંઘર્ષનો ઉકેલ ન આવે ત્યાં સુધી ચાલુ રહે છે, આ બધું ન્યૂનતમ સીધા વપરાશકર્તા હસ્તક્ષેપ સાથે. આ "એજન્ટિક" તફાવત દર્શાવે છે: સિસ્ટમ વપરાશકર્તાને માત્ર માહિતી પૂરી પાડવાને બદલે વપરાશકર્તા માટે સક્રિય પગલાં લે છે. Agentic AI સિસ્ટમો કોઈ ધ્યેયને સમજે છે, તેને હાંસલ કરવા માટે શ્રેણીબદ્ધ પગલાંની યોજના બનાવે છે, તે પગલાંને અમલમાં મૂકે છે, અને જો વસ્તુઓ ખોટું થાય તો અનુકૂલન પણ કરે છે. તેને સક્રિય ડિજિટલ સહાયકની જેમ વિચારો. અન્ડરલાઇંગ ટેક્નોલોજી મોટાભાગે સમજણ અને તર્ક માટે મોટા લેંગ્વેજ મોડલ્સ (એલએલએમ)ને જોડે છે, જેમાં પ્લાનિંગ એલ્ગોરિધમ્સ છે જે જટિલ કાર્યોને વ્યવસ્થિત ક્રિયાઓમાં વિભાજિત કરે છે. આ એજન્ટો તેમના ઉદ્દેશ્યો સિદ્ધ કરવા માટે વિવિધ ટૂલ્સ, API અને અન્ય AI મોડલ્સ સાથે પણ ક્રિયાપ્રતિક્રિયા કરી શકે છે, અને વિવેચનાત્મક રીતે, તેઓ સતત સ્થિતિ જાળવી શકે છે, એટલે કે તેઓ અગાઉની ક્રિયાઓ યાદ રાખે છે અને સમય જતાં લક્ષ્ય તરફ કામ કરવાનું ચાલુ રાખે છે. આ તેમને સામાન્ય જનરેટિવ AI થી મૂળભૂત રીતે અલગ બનાવે છે, જે સામાન્ય રીતે એક જ વિનંતી પૂર્ણ કરે છે અને પછી ફરીથી સેટ કરે છે. એજન્ટિક વર્તણૂકોની એક સરળ વર્ગીકરણ અમે એજન્ટના વર્તનને સ્વાયત્તતાના ચાર અલગ-અલગ મોડ્સમાં વર્ગીકૃત કરી શકીએ છીએ. જ્યારે આ ઘણીવાર પ્રગતિની જેમ દેખાય છે, તેઓ સ્વતંત્ર ઓપરેટિંગ મોડ્સ તરીકે કાર્ય કરે છે. વપરાશકર્તા સમયપત્રક માટે સ્વાયત્ત રીતે કાર્ય કરવા માટે એજન્ટ પર વિશ્વાસ કરી શકે છે, પરંતુ નાણાકીય વ્યવહારો માટે તેને "સૂચન મોડ" માં રાખો. અમે સ્વાયત્ત વાહનો (SAE સ્તરો) માટેના ઉદ્યોગના ધોરણોને ડિજિટલ વપરાશકર્તા અનુભવ સંદર્ભો સાથે અનુકૂલિત કરીને આ સ્તરો મેળવ્યા છે. અવલોકન કરો અને સૂચન કરો એજન્ટ મોનિટર તરીકે કાર્ય કરે છે. તે ડેટા સ્ટ્રીમ્સનું વિશ્લેષણ કરે છે અને વિસંગતતાઓ અથવા તકોને ફ્લેગ કરે છે, પરંતુ શૂન્ય પગલાં લે છે. ભિન્નતા આગલા સ્તરથી વિપરીત, એજન્ટ કોઈ જટિલ યોજના જનરેટ કરતું નથી. તે એક સમસ્યા તરફ નિર્દેશ કરે છે. ExampleA DevOps એજન્ટ સર્વર CPU સ્પાઇકની નોંધ લે છે અને ઓન-કોલ એન્જિનિયરને ચેતવણી આપે છે. તે જાણતું નથી કે તેને કેવી રીતે અથવા તેને ઠીક કરવાનો પ્રયાસ કરો, પરંતુ તે જાણે છે કે કંઈક ખોટું છે. આ સ્તરે ડિઝાઇન અને દેખરેખ માટેની અસરો,ડિઝાઇન અને દેખરેખ સ્પષ્ટ, બિન-ઘુસણખોરી સૂચનાઓ અને વપરાશકર્તાઓ માટે સૂચનો પર કાર્ય કરવા માટે સારી રીતે વ્યાખ્યાયિત પ્રક્રિયાને પ્રાથમિકતા આપવી જોઈએ. નિયંત્રણ લીધા વિના સમયસર અને સંબંધિત માહિતી સાથે વપરાશકર્તાને સશક્ત બનાવવા પર ધ્યાન કેન્દ્રિત કરવામાં આવે છે. UX પ્રેક્ટિશનરોએ સૂચનો સ્પષ્ટ અને સમજવામાં સરળ બનાવવા પર ધ્યાન કેન્દ્રિત કરવું જોઈએ, જ્યારે પ્રોડક્ટ મેનેજર્સે ખાતરી કરવાની જરૂર છે કે સિસ્ટમ વપરાશકર્તાને પ્રભાવિત કર્યા વિના મૂલ્ય પ્રદાન કરે છે. પ્લાન અને પ્રપોઝ કરો એજન્ટ ધ્યેયને ઓળખે છે અને તેને હાંસલ કરવા માટે બહુ-પગલાની વ્યૂહરચના બનાવે છે. તે માનવ સમીક્ષા માટે સંપૂર્ણ યોજના રજૂ કરે છે. ભેદભાવ એજન્ટ વ્યૂહરચનાકાર તરીકે કામ કરે છે. તે ચલાવતું નથી; તે સમગ્ર અભિગમ પર મંજૂરીની રાહ જુએ છે. ઉદાહરણ એ જ DevOps એજન્ટ CPU સ્પાઇકની નોંધ લે છે, લૉગ્સનું વિશ્લેષણ કરે છે અને ઉપાય યોજનાનો પ્રસ્તાવ મૂકે છે:
બે વધારાના દાખલાઓ સ્પિન કરો. લોડ બેલેન્સર પુનઃપ્રારંભ કરો. જૂના લૉગ્સ આર્કાઇવ કરો.
માનવ તર્કની સમીક્ષા કરે છે અને "પ્લાન મંજૂર કરો" પર ક્લિક કરે છે. ડિઝાઇન અને દેખરેખ માટેની અસરો યોજનાઓ અને દરખાસ્ત કરતા એજન્ટો માટે, ડિઝાઇને સુનિશ્ચિત કરવું જોઈએ કે સૂચિત યોજનાઓ સરળતાથી સમજી શકાય તેવી છે અને વપરાશકર્તાઓ પાસે તેમને સંશોધિત કરવા અથવા નકારવાની સાહજિક રીતો છે. દરખાસ્તોની ગુણવત્તા અને એજન્ટના આયોજન તર્ક પર દેખરેખ રાખવા માટે દેખરેખ નિર્ણાયક છે. UX પ્રેક્ટિશનરોએ સૂચિત યોજનાઓના સ્પષ્ટ વિઝ્યુલાઇઝેશન ડિઝાઇન કરવા જોઈએ, અને ઉત્પાદન સંચાલકોએ સ્પષ્ટ સમીક્ષા અને મંજૂરી વર્કફ્લો સ્થાપિત કરવી જોઈએ. પુષ્ટિ સાથે કાર્ય કરો એજન્ટ તમામ તૈયારી કાર્ય પૂર્ણ કરે છે અને અંતિમ ક્રિયાને તબક્કાવાર સ્થિતિમાં મૂકે છે. તે અસરકારક રીતે દરવાજો ખુલ્લો રાખે છે, હકારની રાહ જોઈ રહ્યું છે. ભિન્નતા આ "યોજના-અને-પ્રસ્તાવ" થી અલગ છે કારણ કે કાર્ય પહેલેથી જ પૂર્ણ અને સ્ટેજ પર છે. તે ઘર્ષણ ઘટાડે છે. વપરાશકર્તા પરિણામની પુષ્ટિ કરે છે, વ્યૂહરચના નહીં. ઉદાહરણ ભરતી કરનાર એજન્ટ પાંચ ઇન્ટરવ્યુ આમંત્રણોનો ડ્રાફ્ટ બનાવે છે, કૅલેન્ડર્સ પર ખુલ્લા સમય શોધે છે અને કૅલેન્ડર ઇવેન્ટ્સ બનાવે છે. તે "બધા મોકલો" બટન રજૂ કરે છે. વપરાશકર્તા બાહ્ય ક્રિયાને ટ્રિગર કરવા માટે અંતિમ અધિકૃતતા પ્રદાન કરે છે. ડિઝાઇન અને દેખરેખ માટેની અસરો જ્યારે એજન્ટો પુષ્ટિ સાથે કાર્ય કરે છે, ત્યારે ડિઝાઇને સંભવિત પરિણામોની સ્પષ્ટ રૂપરેખા આપતા, ઇચ્છિત ક્રિયાના પારદર્શક અને સંક્ષિપ્ત સારાંશ પ્રદાન કરવા જોઈએ. દેખરેખને એ ચકાસવાની જરૂર છે કે પુષ્ટિકરણ પ્રક્રિયા મજબૂત છે અને વપરાશકર્તાઓને આંધળી રીતે ક્રિયાઓને મંજૂરી આપવા માટે કહેવામાં આવતું નથી. UX પ્રેક્ટિશનરોએ પુષ્ટિકરણ પ્રોમ્પ્ટ્સ ડિઝાઇન કરવા જોઈએ જે સ્પષ્ટ હોય અને તમામ જરૂરી માહિતી પ્રદાન કરે, અને પ્રોડક્ટ મેનેજર્સે તમામ પુષ્ટિ થયેલ ક્રિયાઓ માટે એક મજબૂત ઓડિટ ટ્રેલને પ્રાથમિકતા આપવી જોઈએ. કાર્ય - સ્વાયત્ત રીતે એજન્ટ નિર્ધારિત સીમાઓમાં સ્વતંત્ર રીતે કાર્યો કરે છે. ભિન્નતા વપરાશકર્તા ક્રિયાઓના ઇતિહાસની સમીક્ષા કરે છે, ક્રિયાઓની નહીં. ઉદાહરણ ભરતી કરનાર એજન્ટ સંઘર્ષ જુએ છે, ઇન્ટરવ્યુને બેકઅપ સ્લોટમાં ખસેડે છે, ઉમેદવારને અપડેટ કરે છે અને હાયરિંગ મેનેજરને સૂચિત કરે છે. મનુષ્ય માત્ર એક સૂચના જુએ છે: ઇન્ટરવ્યૂ મંગળવાર પર ફરીથી શેડ્યૂલ કરવામાં આવ્યો. ડિઝાઇન અને દેખરેખ માટેની અસરો સ્વાયત્ત એજન્ટો માટે, ડિઝાઇનને સ્પષ્ટ પૂર્વ-મંજૂર સીમાઓ સ્થાપિત કરવાની અને મજબૂત દેખરેખ સાધનો પ્રદાન કરવાની જરૂર છે. દેખરેખ માટે આ સીમાઓની અંદર એજન્ટની કામગીરીનું સતત મૂલ્યાંકન, મજબૂત લોગીંગ, સ્પષ્ટ ઓવરરાઇડ મિકેનિઝમ્સ અને વપરાશકર્તા નિયંત્રણ અને વિશ્વાસ જાળવવા માટે વપરાશકર્તા-વ્યાખ્યાયિત કીલ સ્વીચોની નિર્ણાયક જરૂરિયાતની જરૂર છે. UX પ્રેક્ટિશનરોએ સ્વાયત્ત એજન્ટની વર્તણૂક પર દેખરેખ રાખવા માટે અસરકારક ડેશબોર્ડ ડિઝાઇન કરવા પર ધ્યાન કેન્દ્રિત કરવું જોઈએ, અને પ્રોડક્ટ મેનેજર્સે સ્પષ્ટ શાસન અને નૈતિક માર્ગદર્શિકા તેની જગ્યાએ છે તેની ખાતરી કરવી જોઈએ.
ચાલો આ મોડ્સને ક્રિયામાં જોવા માટે એચઆર ટેક્નોલોજીમાં વાસ્તવિક દુનિયાની એપ્લિકેશન જોઈએ. ભરતીના લોજિસ્ટિક્સને હેન્ડલ કરવા માટે રચાયેલ "ઇન્ટરવ્યુ કોઓર્ડિનેશન એજન્ટ" ને ધ્યાનમાં લો.
સજેસ્ટ મોડમાં એજન્ટ નોંધે છે કે ઇન્ટરવ્યુઅર ડબલ-બુક થયેલ છે. તે ભરતી કરનારના ડેશબોર્ડ પરના સંઘર્ષને હાઇલાઇટ કરે છે: "ચેતવણી: સારાહ 2 PM ઇન્ટરવ્યૂ માટે ડબલ-બુક કરવામાં આવી છે." પ્લાન મોડમાં એજન્ટ સારાહના કેલેન્ડર અને ઉમેદવારની ઉપલબ્ધતાનું વિશ્લેષણ કરે છે. તે એક ઉકેલ રજૂ કરે છે: "હું ગુરુવારે સવારે 10 વાગ્યે ઇન્ટરવ્યૂ ખસેડવાની ભલામણ કરું છું. આ માટે સારાહના 1:1ને તેના મેનેજર સાથે ખસેડવાની જરૂર છે." ભરતી કરનાર આ તર્કની સમીક્ષા કરે છે. કન્ફર્મેશન મોડમાં એજન્ટ ઉમેદવાર અને મેનેજરને ઈમેલનો ડ્રાફ્ટ કરે છે. તે કેલેન્ડર આમંત્રણોને ભરે છે. ભરતી કરનાર સારાંશ જુએ છે: "ગુરુવારે ફરીથી શેડ્યૂલ કરવા માટે તૈયાર છો. અપડેટ્સ મોકલો?" ભરતી કરનાર "પુષ્ટિ કરો" પર ક્લિક કરે છે. ઓટોનોમસ મોડમાં એજન્ટ તરત જ સંઘર્ષને સંભાળે છે. તે પૂર્વ-નિર્ધારિત નિયમનો આદર કરે છે: "હંમેશા આંતરિક 1:1s કરતાં ઉમેદવારના ઇન્ટરવ્યુને પ્રાધાન્ય આપો." તે મીટિંગને ખસેડે છે અને સૂચનાઓ મોકલે છે. ભરતી કરનાર લોગ એન્ટ્રી જુએ છે: “ઉકેલઉમેદવાર B માટે સુનિશ્ચિત સંઘર્ષ."
સંશોધન પ્રાઈમર: શું સંશોધન કરવું અને કેવી રીતે કરવું અસરકારક એજન્ટિક AI વિકસાવવા માટે પરંપરાગત સોફ્ટવેર અથવા તો જનરેટિવ AI ની તુલનામાં એક અલગ સંશોધન અભિગમની જરૂર છે. AI એજન્ટોની સ્વાયત્ત પ્રકૃતિ, નિર્ણયો લેવાની તેમની ક્ષમતા અને સક્રિય ક્રિયા માટેની તેમની સંભવિતતા, વપરાશકર્તાની અપેક્ષાઓ સમજવા, જટિલ એજન્ટ વર્તણૂકોને મેપ કરવા અને સંભવિત નિષ્ફળતાઓની અપેક્ષા કરવા માટે વિશિષ્ટ પદ્ધતિઓની જરૂર છે. નીચેના સંશોધન પ્રાઈમર એજન્ટિક AI ના આ અનન્ય પાસાઓને માપવા અને મૂલ્યાંકન કરવા માટેની મુખ્ય પદ્ધતિઓની રૂપરેખા આપે છે. મેન્ટલ-મોડલ ઇન્ટરવ્યુ આ ઈન્ટરવ્યુ એઆઈ એજન્ટે કેવી રીતે વર્તવું જોઈએ તે અંગેના વપરાશકર્તાઓની પૂર્વ ધારણાઓને છતી કરે છે. વપરાશકર્તાઓને શું જોઈએ છે તે પૂછવાને બદલે, એજન્ટની ક્ષમતાઓ અને મર્યાદાઓના તેમના આંતરિક મોડલને સમજવા પર ધ્યાન કેન્દ્રિત કરવામાં આવે છે. આપણે સહભાગીઓ સાથે "એજન્ટ" શબ્દનો ઉપયોગ કરવાનું ટાળવું જોઈએ. તે સાય-ફાઇ સામાન વહન કરે છે અથવા તે એક શબ્દ છે જે માનવ એજન્ટને સમર્થન અથવા સેવાઓ પ્રદાન કરે છે સાથે ખૂબ જ સરળતાથી મૂંઝવણમાં મૂકે છે. તેના બદલે, "સહાયકો" અથવા "સિસ્ટમ" ની આસપાસ ચર્ચા કરો. વપરાશકર્તાઓ મદદરૂપ ઓટોમેશન અને કર્કશ નિયંત્રણ વચ્ચેની રેખા ક્યાં દોરે છે તે અમારે બહાર લાવવાની જરૂર છે.
પદ્ધતિ: વપરાશકર્તાઓને વિવિધ કાલ્પનિક દૃશ્યોમાં એજન્ટ સાથે તેમની અપેક્ષિત ક્રિયાપ્રતિક્રિયાઓનું વર્ણન કરવા, દોરવા અથવા વર્ણવવા માટે કહો. મુખ્ય ચકાસણીઓ (વિવિધ ઉદ્યોગોને પ્રતિબિંબિત કરતા): ઇચ્છિત ઓટોમેશનની સીમાઓ અને ઓવર-ઓટોમેશનની આસપાસની સંભવિત ચિંતાઓને સમજવા માટે, પૂછો: જો તમારી ફ્લાઇટ રદ થાય, તો તમે સિસ્ટમ આપમેળે શું કરવા માંગો છો? જો તે તમારી સ્પષ્ટ સૂચના વિના આવું કરે તો તમને શું ચિંતા થશે?
એજન્ટની આંતરિક પ્રક્રિયાઓ અને જરૂરી સંચાર વિશે વપરાશકર્તાની સમજણ શોધવા માટે, પૂછો: કલ્પના કરો કે ડિજિટલ સહાયક તમારા સ્માર્ટ ઘરનું સંચાલન કરી રહ્યું છે. જો પૅકેજ વિતરિત કરવામાં આવે, તો તમે કયા પગલાંની કલ્પના કરો છો અને તમે કઈ માહિતી પ્રાપ્ત કરવાની અપેક્ષા રાખશો?
બહુ-પગલાની પ્રક્રિયામાં નિયંત્રણ અને સંમતિની આસપાસની અપેક્ષાઓ ઉજાગર કરવા માટે, પૂછો: જો તમે તમારા ડિજિટલ સહાયકને મીટિંગ શેડ્યૂલ કરવા માટે કહો છો, તો તમે તેને કયા પગલાં લેવાની કલ્પના કરો છો? તમે કયા મુદ્દાઓ પર સલાહ લેવા અથવા પસંદગીઓ આપવા માંગો છો?
પદ્ધતિના લાભો: ગર્ભિત ધારણાઓ છતી કરે છે, એવા વિસ્તારોને હાઇલાઇટ કરે છે જ્યાં એજન્ટની આયોજિત વર્તણૂક વપરાશકર્તાની અપેક્ષાઓથી અલગ પડી શકે છે, અને યોગ્ય નિયંત્રણો અને પ્રતિસાદ પદ્ધતિઓની ડિઝાઇનની જાણ કરે છે.
એજન્ટ જર્ની મેપિંગ: પરંપરાગત યુઝર જર્ની મેપિંગની જેમ, એજન્ટ જર્ની મેપિંગ ખાસ કરીને એઆઈ એજન્ટની અપેક્ષિત ક્રિયાઓ અને નિર્ણયના મુદ્દાઓ પર ધ્યાન કેન્દ્રિત કરે છે, સાથે સાથે વપરાશકર્તાની ક્રિયાપ્રતિક્રિયા પણ થાય છે. આ સંભવિત ક્ષતિઓને સક્રિય રીતે ઓળખવામાં મદદ કરે છે.
પદ્ધતિ: તમામ સંભવિત ક્રિયાઓ, નિર્ણયો અને બાહ્ય સિસ્ટમો અથવા વપરાશકર્તાઓ સાથેની ક્રિયાપ્રતિક્રિયાઓ સહિત, શરૂઆતથી પૂર્ણ થવા સુધી, એજન્ટની કામગીરીના વિવિધ તબક્કાઓની રૂપરેખા દર્શાવતો વિઝ્યુઅલ નકશો બનાવો. નકશા માટેના મુખ્ય ઘટકો: એજન્ટની ક્રિયાઓ: એજન્ટ કયા ચોક્કસ કાર્યો અથવા નિર્ણયો કરે છે? માહિતી ઇનપુટ્સ/આઉટપુટ: એજન્ટને કયા ડેટાની જરૂર છે અને તે કઈ માહિતી જનરેટ કરે છે અથવા વાતચીત કરે છે? નિર્ણયના મુદ્દા: એજન્ટ ક્યાં પસંદગી કરે છે અને તે પસંદગીઓ માટેના માપદંડ શું છે? વપરાશકર્તાની ક્રિયાપ્રતિક્રિયાના મુદ્દા: વપરાશકર્તા ક્યાં ઇનપુટ, સમીક્ષા અથવા ક્રિયાઓને મંજૂરી આપે છે? નિષ્ફળતાના મુદ્દાઓ: નિર્ણાયક રીતે, ચોક્કસ ઉદાહરણોને ઓળખો જ્યાં એજન્ટ સૂચનાઓનો ખોટો અર્થઘટન કરી શકે, ખોટો નિર્ણય લઈ શકે અથવા ખોટી એન્ટિટી સાથે ક્રિયાપ્રતિક્રિયા કરી શકે. ઉદાહરણો: ખોટો પ્રાપ્તકર્તા (દા.ત., ખોટી વ્યક્તિને સંવેદનશીલ માહિતી મોકલવી), ઓવરડ્રાફ્ટ (દા.ત., ઉપલબ્ધ ભંડોળ કરતાં ઓટોમેટેડ પેમેન્ટ), ઉદ્દેશ્યનું ખોટું અર્થઘટન (દા.ત., અસ્પષ્ટ ભાષાને કારણે ખોટી તારીખ માટે ફ્લાઇટ બુક કરવી).
પુનઃપ્રાપ્તિ પાથ: એજન્ટ અથવા વપરાશકર્તા આ નિષ્ફળતાઓમાંથી કેવી રીતે પુનઃપ્રાપ્ત કરી શકે છે? સુધારણા અથવા હસ્તક્ષેપ માટે કઈ પદ્ધતિઓ છે?
પદ્ધતિના લાભો: એજન્ટના કાર્યકારી પ્રવાહનો સર્વગ્રાહી દૃષ્ટિકોણ પૂરો પાડે છે, છુપાયેલી નિર્ભરતાને ઉજાગર કરે છે અને નકારાત્મક પરિણામોને રોકવા અથવા ઘટાડવા માટે સલામતી, ભૂલનું સંચાલન અને વપરાશકર્તા હસ્તક્ષેપના મુદ્દાઓની સક્રિય રચના માટે પરવાનગી આપે છે.
સિમ્યુલેટેડ ગેરવર્તણૂક પરીક્ષણ: આ અભિગમ સિસ્ટમને સ્ટ્રેસ-ટેસ્ટ કરવા અને જ્યારે AI એજન્ટ નિષ્ફળ જાય અથવા અપેક્ષાઓથી વિચલિત થાય ત્યારે વપરાશકર્તાની પ્રતિક્રિયાઓનું અવલોકન કરવા માટે રચાયેલ છે. તે પ્રતિકૂળ પરિસ્થિતિઓમાં ટ્રસ્ટ રિપેર અને ભાવનાત્મક પ્રતિભાવોને સમજવા વિશે છે.
પદ્ધતિ: નિયંત્રિત પ્રયોગશાળા અભ્યાસમાં, એજન્ટ ભૂલ કરે છે, આદેશનું ખોટું અર્થઘટન કરે છે અથવા અણધારી રીતે વર્તે છે તેવા સંજોગોને જાણી જોઈને રજૂ કરો. અનુકરણ કરવા માટે "દુરાચાર" ના પ્રકાર: આદેશખોટો અર્થઘટન: એજન્ટ વપરાશકર્તાના હેતુથી થોડી અલગ ક્રિયા કરે છે (દા.ત., એકને બદલે બે વસ્તુઓનો ઓર્ડર આપવો). માહિતી ઓવરલોડ/અંડરલોડ: એજન્ટ ખૂબ જ અપ્રસ્તુત માહિતી અથવા પૂરતી જટિલ વિગતો પ્રદાન કરે છે. અવાંછિત ક્રિયા: એજન્ટ એવી ક્રિયા કરે છે જે વપરાશકર્તા સ્પષ્ટપણે ઇચ્છતો ન હતો અથવા અપેક્ષા રાખતો ન હતો (દા.ત., મંજૂરી વિના સ્ટોક ખરીદવો). સિસ્ટમની નિષ્ફળતા: એજન્ટ ક્રેશ થાય છે, પ્રતિભાવવિહીન બને છે અથવા ભૂલ સંદેશો પ્રદાન કરે છે. નૈતિક દુવિધાઓ: એજન્ટ નૈતિક અસરો સાથે નિર્ણય લે છે (દા.ત., અણધાર્યા મેટ્રિકના આધારે એક કાર્યને બીજા કરતાં પ્રાથમિકતા આપવી).
અવલોકન ફોકસ: વપરાશકર્તાની પ્રતિક્રિયાઓ: વપરાશકર્તાઓ કેવી રીતે ભાવનાત્મક રીતે પ્રતિક્રિયા આપે છે (નિરાશા, ગુસ્સો, મૂંઝવણ, વિશ્વાસ ગુમાવવો)? પુનઃપ્રાપ્તિ પ્રયાસો: વપરાશકર્તાઓ એજન્ટની વર્તણૂકને સુધારવા અથવા તેની ક્રિયાઓને પૂર્વવત્ કરવા માટે કયા પગલાં લે છે? ટ્રસ્ટ રિપેર મિકેનિઝમ્સ: શું સિસ્ટમની બિલ્ટ-ઇન રિકવરી અથવા ફીડબેક મિકેનિઝમ્સ વિશ્વાસ પુનઃસ્થાપિત કરવામાં મદદ કરે છે? વપરાશકર્તાઓ કેવી રીતે ભૂલો વિશે જાણ કરવા માગે છે? મેન્ટલ મોડલ શિફ્ટ: શું ગેરવર્તણૂક એજન્ટની ક્ષમતાઓ અથવા મર્યાદાઓ વિશે વપરાશકર્તાની સમજણને બદલે છે?
પદ્ધતિના લાભો: ભૂલ પુનઃપ્રાપ્તિ, પ્રતિસાદ અને વપરાશકર્તા નિયંત્રણ સંબંધિત ડિઝાઇન ગાબડાઓને ઓળખવા માટે નિર્ણાયક. એજન્ટ નિષ્ફળતાઓ માટે વપરાશકર્તાઓ કેટલા સ્થિતિસ્થાપક છે અને વિશ્વાસ જાળવવા અથવા પુનઃનિર્માણ કરવા માટે શું જરૂરી છે તે વિશે તે આંતરદૃષ્ટિ પ્રદાન કરે છે, જે વધુ મજબૂત અને ક્ષમાશીલ એજન્ટ સિસ્ટમ્સ તરફ દોરી જાય છે.
આ સંશોધન પદ્ધતિઓને એકીકૃત કરીને, યુએક્સ પ્રેક્ટિશનરો માત્ર એજન્ટિક સિસ્ટમને તેમને વિશ્વસનીય, નિયંત્રણક્ષમ અને જવાબદાર બનાવવા માટે ઉપયોગી બનાવવાથી આગળ વધી શકે છે, વપરાશકર્તાઓ અને તેમના AI એજન્ટો વચ્ચે સકારાત્મક અને ઉત્પાદક સંબંધોને પ્રોત્સાહન આપી શકે છે. નોંધ કરો કે એજન્ટિક AI ને અસરકારક રીતે અન્વેષણ કરવા માટે આ એકમાત્ર પદ્ધતિઓ સંબંધિત નથી. અન્ય ઘણી પદ્ધતિઓ અસ્તિત્વમાં છે, પરંતુ નજીકના ગાળામાં આ પ્રેક્ટિશનરો માટે સૌથી વધુ સુલભ છે. મેં અગાઉ વિઝાર્ડ ઓફ ઓઝ પદ્ધતિને આવરી લીધી છે, જે ખ્યાલ પરીક્ષણની થોડી વધુ અદ્યતન પદ્ધતિ છે, જે એજન્ટિક AI વિભાવનાઓનું અન્વેષણ કરવા માટેનું મૂલ્યવાન સાધન પણ છે. સંશોધન પદ્ધતિમાં નૈતિક વિચારણાઓ એજન્ટિક AI નું સંશોધન કરતી વખતે, ખાસ કરીને જ્યારે ગેરવર્તણૂક અથવા ભૂલોનું અનુકરણ કરતી વખતે, નૈતિક બાબતોને ધ્યાનમાં લેવાની ચાવી છે. નૈતિક UX સંશોધન પર ધ્યાન કેન્દ્રિત કરતા ઘણા પ્રકાશનો છે, જેમાં મેં સ્મેશિંગ મેગેઝિન માટે લખેલો લેખ, UX ડિઝાઇન ઇન્સ્ટિટ્યૂટની આ માર્ગદર્શિકા અને સમાવેશી ડિઝાઇન ટૂલકિટમાંથી આ પૃષ્ઠનો સમાવેશ થાય છે. Agentic AI માટે મુખ્ય મેટ્રિક્સ એજન્ટિક AI સિસ્ટમ્સના પ્રભાવ અને વિશ્વસનીયતાનું અસરકારક રીતે મૂલ્યાંકન કરવા માટે તમારે મુખ્ય મેટ્રિક્સના વ્યાપક સેટની જરૂર પડશે. આ મેટ્રિક્સ વપરાશકર્તાના વિશ્વાસ, સિસ્ટમની ચોકસાઈ અને એકંદર વપરાશકર્તા અનુભવની આંતરદૃષ્ટિ પ્રદાન કરે છે. આ સૂચકાંકોને ટ્રૅક કરીને, વિકાસકર્તાઓ અને ડિઝાઇનરો સુધારણા માટેના ક્ષેત્રોને ઓળખી શકે છે અને ખાતરી કરી શકે છે કે AI એજન્ટો સુરક્ષિત અને અસરકારક રીતે કાર્ય કરે છે. 1. હસ્તક્ષેપ દર સ્વાયત્ત એજન્ટો માટે, અમે મૌન દ્વારા સફળતાને માપીએ છીએ. જો કોઈ એજન્ટ કોઈ કાર્ય કરે છે અને વપરાશકર્તા સેટ વિન્ડો (દા.ત., 24 કલાક) ની અંદર ક્રિયામાં હસ્તક્ષેપ કે ઉલટાવી નાખતો નથી, તો અમે તેને સ્વીકૃતિ તરીકે ગણીએ છીએ. અમે હસ્તક્ષેપ દરને ટ્રૅક કરીએ છીએ: એજન્ટને રોકવા અથવા સુધારવા માટે માણસ કેટલી વાર કૂદી પડે છે? ઉચ્ચ હસ્તક્ષેપ દર વિશ્વાસ અથવા તર્કમાં ખોટી ગોઠવણીનો સંકેત આપે છે. 2. પ્રતિ 1,000 કાર્યો માટે અનિચ્છનીય ક્રિયાઓની આવર્તન આ નિર્ણાયક મેટ્રિક એઆઈ એજન્ટ દ્વારા કરવામાં આવતી ક્રિયાઓની સંખ્યાને પરિમાણિત કરે છે જે વપરાશકર્તા દ્વારા ઇચ્છિત અથવા અપેક્ષિત ન હોય, 1,000 પૂર્ણ કરેલા કાર્યો દીઠ સામાન્ય કરવામાં આવે છે. અનિચ્છનીય ક્રિયાઓની ઓછી આવર્તન એ સારી રીતે સંરેખિત AI સૂચવે છે જે વપરાશકર્તાના ઉદ્દેશ્યનું ચોક્કસ અર્થઘટન કરે છે અને નિર્ધારિત સીમાઓની અંદર કાર્ય કરે છે. આ મેટ્રિક એઆઈની સંદર્ભની સમજ, આદેશોને અસંદિગ્ધ કરવાની તેની ક્ષમતા અને તેના સુરક્ષા પ્રોટોકોલની મજબૂતાઈ સાથે ગાઢ રીતે જોડાયેલું છે. 3. રોલબેક અથવા પૂર્વવત્ દરો આ મેટ્રિક ટ્રેક કરે છે કે વપરાશકર્તાઓને એઆઈ દ્વારા કરવામાં આવતી ક્રિયાને કેટલી વાર રિવર્સ અથવા પૂર્વવત્ કરવાની જરૂર છે. ઉચ્ચ રોલબેક દર સૂચવે છે કે AI વારંવાર ભૂલો કરી રહ્યું છે, સૂચનાઓનું ખોટું અર્થઘટન કરી રહ્યું છે અથવા એવી રીતે કાર્ય કરી રહ્યું છે જે વપરાશકર્તાની અપેક્ષાઓ સાથે સંરેખિત નથી. આ રોલબેક પાછળના કારણોનું પૃથ્થકરણ કરવાથી AI ના અલ્ગોરિધમ્સમાં સુધારો કરવા, વપરાશકર્તાની પસંદગીઓની સમજ અને ઇચ્છનીય પરિણામોની આગાહી કરવાની તેની ક્ષમતા માટે મૂલ્યવાન પ્રતિસાદ મળી શકે છે. શા માટે તે સમજવા માટે, તમારે પૂર્વવત્ ક્રિયા પર માઇક્રોસર્વેનો અમલ કરવો આવશ્યક છે. ઉદાહરણ તરીકે, જ્યારે વપરાશકર્તા શેડ્યુલિંગ ફેરફારને ઉલટાવે છે, ત્યારે એક સરળ પ્રોમ્પ્ટ પૂછી શકે છે: "ખોટો સમય? ખોટો વ્યક્તિ? અથવા તમે તેને જાતે કરવા માંગો છો?" વપરાશકર્તાને તેમના તર્ક સાથે શ્રેષ્ઠ અનુરૂપ વિકલ્પ પર ક્લિક કરવાની મંજૂરી આપે છે. 4. ભૂલ આ મેટ્રિક પછી રિઝોલ્યુશનનો સમયAI દ્વારા કરવામાં આવેલી ભૂલને સુધારવા માટે અથવા AI સિસ્ટમને જ ભૂલભરેલી સ્થિતિમાંથી પુનઃપ્રાપ્ત કરવા માટે વપરાશકર્તાને લાગતો સમયગાળો માપે છે. રિઝોલ્યુશન માટેનો ટૂંકો સમય એક કાર્યક્ષમ અને વપરાશકર્તા-મૈત્રીપૂર્ણ ભૂલ પુનઃપ્રાપ્તિ પ્રક્રિયા સૂચવે છે, જે વપરાશકર્તાની હતાશાને ઘટાડી શકે છે અને ઉત્પાદકતા જાળવી શકે છે. આમાં ભૂલને ઓળખવામાં સરળતા, પૂર્વવત્ અથવા સુધારણા પદ્ધતિઓની સુલભતા અને AI દ્વારા પ્રદાન કરવામાં આવેલ ભૂલ સંદેશાઓની સ્પષ્ટતાનો સમાવેશ થાય છે.
આ મેટ્રિક્સ એકત્રિત કરવા માટે એજન્ટ એક્શન ID ને ટ્રૅક કરવા માટે તમારી સિસ્ટમને સાધનની જરૂર છે. એજન્ટ દ્વારા લેવામાં આવતી દરેક વિશિષ્ટ ક્રિયા, જેમ કે સમયપત્રકનો પ્રસ્તાવ મૂકવો અથવા ફ્લાઇટ બુક કરવી, એક અનન્ય ID જનરેટ કરવું આવશ્યક છે જે લોગમાં ચાલુ રહે. હસ્તક્ષેપ દરને માપવા માટે, અમે તાત્કાલિક વપરાશકર્તાની પ્રતિક્રિયા માટે જોતા નથી. અમે નિર્ધારિત વિન્ડોની અંદર કાઉન્ટર-એક્શનની ગેરહાજરી શોધીએ છીએ. જો એક્શન ID સવારે 9:00 વાગ્યે જનરેટ થાય છે અને બીજા દિવસે સવારે 9:00 વાગ્યા સુધીમાં કોઈ માનવ વપરાશકર્તા તે ચોક્કસ IDને સુધારતો નથી અથવા પાછો ફેરવતો નથી, તો સિસ્ટમ તાર્કિક રીતે તેને સ્વીકાર્ય તરીકે ટેગ કરે છે. આ અમને સક્રિય પુષ્ટિકરણને બદલે વપરાશકર્તા મૌન પર આધારિત સફળતાનું પ્રમાણ નક્કી કરવાની મંજૂરી આપે છે. રોલબેક દરો માટે, કાચી ગણતરીઓ અપૂરતી છે કારણ કે તેમાં સંદર્ભનો અભાવ છે. અંતર્ગત કારણ કેપ્ચર કરવા માટે, તમારે તમારી એપ્લિકેશનના પૂર્વવત્ અથવા રિવર્ટ ફંક્શન્સ પર ઇન્ટરસેપ્ટ લોજિક લાગુ કરવું આવશ્યક છે. જ્યારે વપરાશકર્તા એજન્ટ દ્વારા શરૂ કરાયેલી ક્રિયાને ઉલટાવે છે, ત્યારે હળવા વજનના માઇક્રોસર્વેને ટ્રિગર કરો. આ એક સરળ ત્રણ-વિકલ્પ મોડલ હોઈ શકે છે જે વપરાશકર્તાને હકીકતમાં ખોટી, સંદર્ભનો અભાવ અથવા કાર્યને મેન્યુઅલી હેન્ડલ કરવા માટે સરળ પસંદગી તરીકે વર્ગીકૃત કરવા માટે કહે છે. આ ગુણાત્મક આંતરદૃષ્ટિ સાથે માત્રાત્મક ટેલિમેટ્રીને જોડે છે. તે એન્જિનિયરિંગ ટીમોને તૂટેલા અલ્ગોરિધમ અને વપરાશકર્તાની પસંદગીની મેળ ખાતી વચ્ચે તફાવત કરવા સક્ષમ બનાવે છે. આ મેટ્રિક્સ, જ્યારે સતત ટ્રૅક કરવામાં આવે છે અને સર્વગ્રાહી રીતે વિશ્લેષણ કરવામાં આવે છે, ત્યારે એજેન્ટિક AI સિસ્ટમ્સના પ્રદર્શનનું મૂલ્યાંકન કરવા માટે એક મજબૂત માળખું પૂરું પાડે છે, જે નિયંત્રણ, સંમતિ અને જવાબદારીમાં સતત સુધારણા માટે પરવાનગી આપે છે. છેતરપિંડી સામે ડિઝાઇન જેમ જેમ એજન્ટો વધુને વધુ સક્ષમ બને છે તેમ, અમે એક નવા જોખમનો સામનો કરીએ છીએ: એજન્ટિક સ્લજ. પરંપરાગત કાદવ ઘર્ષણ બનાવે છે જે સબ્સ્ક્રિપ્શન રદ કરવું અથવા એકાઉન્ટ કાઢી નાખવું મુશ્કેલ બનાવે છે. એજન્ટી કાદવ વિપરીત કાર્ય કરે છે. તે ઘર્ષણને દોષને દૂર કરે છે, જે વપરાશકર્તા માટે તેમના પોતાના હિતોને બદલે વ્યવસાયને લાભ આપતી ક્રિયા માટે સહમત થવાનું ખૂબ સરળ બનાવે છે. ટ્રાવેલ બુકિંગમાં મદદ કરતા એજન્ટને ધ્યાનમાં લો. સ્પષ્ટ ગાર્ડરેલ્સ વિના, સિસ્ટમ ભાગીદાર એરલાઇન અથવા ઉચ્ચ માર્જિનવાળી હોટલને પ્રાથમિકતા આપી શકે છે. તે આ પસંદગીને શ્રેષ્ઠ માર્ગ તરીકે રજૂ કરે છે. વપરાશકર્તા, સિસ્ટમની સત્તા પર વિશ્વાસ રાખીને, તપાસ કર્યા વિના ભલામણ સ્વીકારે છે. આ એક ભ્રામક પેટર્ન બનાવે છે જ્યાં સિસ્ટમ સગવડની આડમાં આવક માટે ઑપ્ટિમાઇઝ કરે છે. ખોટી રીતે કલ્પના કરેલ યોગ્યતાનું જોખમ છેતરપિંડી દૂષિત ઇરાદાથી ઉભી ન હોઈ શકે. તે ઘણીવાર AI માં કલ્પનાની યોગ્યતા તરીકે પ્રગટ થાય છે. મોટા ભાષાના મોડલ ખોટા હોવા છતાં પણ વારંવાર અધિકૃત લાગે છે. તેઓ ચકાસાયેલ હકીકત જેવા જ વિશ્વાસ સાથે ખોટી બુકિંગ પુષ્ટિ અથવા અચોક્કસ સારાંશ રજૂ કરે છે. વપરાશકર્તાઓ સ્વાભાવિક રીતે આ આત્મવિશ્વાસપૂર્ણ સ્વર પર વિશ્વાસ કરી શકે છે. આ મિસમેચ સિસ્ટમ ક્ષમતા અને વપરાશકર્તા અપેક્ષાઓ વચ્ચે ખતરનાક અંતર બનાવે છે. આ અંતરને ભરવા માટે આપણે ખાસ ડિઝાઇન કરવી જોઈએ. જો કોઈ એજન્ટ કોઈ કાર્ય પૂર્ણ કરવામાં નિષ્ફળ જાય, તો ઈન્ટરફેસે તે નિષ્ફળતાનો સ્પષ્ટ સંકેત આપવો જોઈએ. જો સિસ્ટમ અનિશ્ચિત હોય, તો તેણે પોલિશ્ડ ગદ્ય સાથે તેને ઢાંકવાને બદલે અનિશ્ચિતતા વ્યક્ત કરવી જોઈએ. આદિમ દ્વારા પારદર્શિતા કાદવ અને ભ્રામકતા બંને માટે મારણ પ્રોવેનન્સ છે. દરેક સ્વાયત્ત ક્રિયા માટે નિર્ણયના મૂળને સમજાવતા ચોક્કસ મેટાડેટા ટેગની જરૂર હોય છે. વપરાશકર્તાઓને પરિણામ પાછળની તર્ક સાંકળનું નિરીક્ષણ કરવાની ક્ષમતાની જરૂર છે. આ હાંસલ કરવા માટે, આપણે આદિમને વ્યવહારુ જવાબોમાં અનુવાદિત કરવું જોઈએ. સૉફ્ટવેર એન્જિનિયરિંગમાં, આદિકાળ એ એજન્ટ કરે છે તે માહિતી અથવા ક્રિયાઓના મુખ્ય એકમોનો સંદર્ભ આપે છે. એન્જિનિયર માટે, આ API કૉલ અથવા લોજિક ગેટ જેવું લાગે છે. વપરાશકર્તા માટે, તે સ્પષ્ટ સમજૂતી તરીકે દેખાવા જોઈએ. ડિઝાઇન પડકાર આ તકનીકી પગલાઓને માનવ-વાંચી શકાય તેવા તર્ક સાથે મેપ કરવામાં આવેલું છે. જો કોઈ એજન્ટ ચોક્કસ ફ્લાઇટની ભલામણ કરે છે, તો વપરાશકર્તાએ તેનું કારણ જાણવાની જરૂર છે. ઈન્ટરફેસ સામાન્ય સૂચન પાછળ છુપાવી શકતું નથી. તે અંતર્ગત આદિમ: તર્ક: સસ્તી_ડાયરેક્ટ_ફ્લાઇટ અથવા તર્ક: ભાગીદાર_એરલાઇન_પ્રાયોરિટીને છતી કરવી આવશ્યક છે. આકૃતિ 4 આ અનુવાદ પ્રવાહને દર્શાવે છે. અમે કાચી સિસ્ટમને આદિમ લઈએ છીએ — વાસ્તવિક કોડ લોજિક — અને તેને વપરાશકર્તા-સામનોવાળી સ્ટ્રિંગ પર મેપ કરીએ છીએ. દાખલા તરીકે, મીટિંગના કેલેન્ડર શેડ્યૂલની પ્રાથમિક તપાસ એ સ્પષ્ટ નિવેદન બની જાય છે: મેં 4 PMનો પ્રસ્તાવ મૂક્યો છેમીટિંગ પારદર્શિતાનું આ સ્તર સુનિશ્ચિત કરે છે કે એજન્ટની ક્રિયાઓ તાર્કિક અને ફાયદાકારક દેખાય. તે વપરાશકર્તાને ચકાસવાની મંજૂરી આપે છે કે એજન્ટે તેમના શ્રેષ્ઠ હિતમાં કામ કર્યું છે. આદિમને ઉજાગર કરીને, અમે બ્લેક બોક્સને ગ્લાસ બોક્સમાં રૂપાંતરિત કરીએ છીએ, ખાતરી કરીએ છીએ કે વપરાશકર્તાઓ તેમના પોતાના ડિજિટલ જીવન પર અંતિમ સત્તા રહે.
ડિઝાઇન માટે સ્ટેજ સેટ કરી રહ્યું છે એજન્ટ સિસ્ટમ બનાવવા માટે મનોવૈજ્ઞાનિક અને વર્તણૂકીય સમજણના નવા સ્તરની જરૂર છે. તે અમને પરંપરાગત ઉપયોગિતા પરીક્ષણથી આગળ અને વિશ્વાસ, સંમતિ અને જવાબદારીના ક્ષેત્રમાં આગળ વધવા દબાણ કરે છે. અમે જે સંશોધન પદ્ધતિઓની ચર્ચા કરી છે, માનસિક મોડલ્સની તપાસથી લઈને ગેરવર્તણૂકનું અનુકરણ કરવા અને નવા મેટ્રિક્સ સ્થાપિત કરવા સુધી, જરૂરી પાયો પૂરો પાડે છે. સ્વાયત્ત સિસ્ટમ ક્યાં નિષ્ફળ થઈ શકે છે તે ઓળખવા માટે આ પ્રથાઓ આવશ્યક સાધનો છે અને, વધુ મહત્ત્વની વાત એ છે કે જ્યારે તે થાય ત્યારે વપરાશકર્તા-એજન્ટ સંબંધને કેવી રીતે સુધારવો. એજન્ટિક AI માં શિફ્ટ એ વપરાશકર્તા-સિસ્ટમ સંબંધની પુનઃવ્યાખ્યા છે. અમે હવે એવા ટૂલ્સ માટે ડિઝાઇન કરી રહ્યા નથી જે ફક્ત આદેશોને પ્રતિસાદ આપે છે; અમે ભાગીદારો માટે ડિઝાઇન કરી રહ્યા છીએ જે અમારા વતી કાર્ય કરે છે. આ કાર્યક્ષમતા અને ઉપયોગમાં સરળતાથી લઈને પારદર્શિતા, અનુમાનિતતા અને નિયંત્રણમાં ડિઝાઇનની આવશ્યકતામાં ફેરફાર કરે છે. જ્યારે AI અંતિમ ક્લિક વિના ફ્લાઇટ બુક કરી શકે છે અથવા સ્ટોકનો વેપાર કરી શકે છે, ત્યારે તેના "ઓન-રૅમ્પ્સ" અને "ઑફ-રૅમ્પ્સ" ની ડિઝાઇન સર્વોપરી બની જાય છે. તે સુનિશ્ચિત કરવાની અમારી જવાબદારી છે કે વપરાશકર્તાઓને લાગે કે તેઓ ડ્રાઇવરની સીટ પર છે, પછી ભલે તેઓ વ્હીલ સોંપે. આ નવી વાસ્તવિકતા UX સંશોધકની ભૂમિકાને પણ વધારે છે. એજન્ટની સ્વાયત્તતાના માળખાને વ્યાખ્યાયિત કરવા અને ચકાસવા માટે અમે ઇજનેરો અને પ્રોડક્ટ મેનેજરો સાથે સહયોગથી કામ કરીને વપરાશકર્તાના વિશ્વાસના રક્ષકો બનીએ છીએ. સંશોધકો હોવા ઉપરાંત, અમે વિકાસ પ્રક્રિયામાં વપરાશકર્તા નિયંત્રણ, પારદર્શિતા અને નૈતિક સુરક્ષાના હિમાયતી બનીએ છીએ. પ્રાયોગિક પ્રશ્નોમાં આદિમનું ભાષાંતર કરીને અને સૌથી ખરાબ પરિસ્થિતિનું અનુકરણ કરીને, અમે મજબૂત અને સલામત બંને સિસ્ટમો બનાવી શકીએ છીએ. આ લેખમાં એજન્ટ AI પર સંશોધન કરવા માટે "શું" અને "શા માટે" રૂપરેખા આપવામાં આવી છે. તે દર્શાવે છે કે અમારી પરંપરાગત ટૂલકીટ અપૂરતી છે અને આપણે નવી, આગળ દેખાતી પદ્ધતિઓ અપનાવવી જોઈએ. આગળનો લેખ આ પાયા પર નિર્માણ કરશે, ચોક્કસ ડિઝાઇન પેટર્ન અને સંગઠનાત્મક પ્રથાઓ પ્રદાન કરશે જે વપરાશકર્તાઓ માટે એજન્ટની ઉપયોગિતાને પારદર્શક બનાવે છે, ખાતરી કરે છે કે તેઓ વિશ્વાસ અને નિયંત્રણ સાથે એજન્ટિક AIની શક્તિનો ઉપયોગ કરી શકે છે. UX નું ભાવિ સિસ્ટમને વિશ્વાસપાત્ર બનાવવા વિશે છે. એજન્ટિક AI ની વધારાની સમજ માટે, તમે નીચેના સંસાધનોનું અન્વેષણ કરી શકો છો:
Agentic AI પર Google AI બ્લોગ AI એજન્ટો પર માઇક્રોસોફ્ટનું સંશોધન
