Agentic AI ग्राहकांचा अनुभव आणि ऑपरेशनल कार्यक्षमता बदलण्यासाठी सज्ज आहे, नेतृत्वाकडून नवीन धोरणात्मक दृष्टीकोन आवश्यक आहे. आर्टिफिशियल इंटेलिजन्समधील ही उत्क्रांती सिस्टीमला योजना, कार्यान्वित आणि कार्यांमध्ये टिकून राहण्यासाठी, साध्या शिफारसींच्या पलीकडे सक्रिय कृती करण्यासाठी सक्षम करते. UX कार्यसंघ, उत्पादन व्यवस्थापक आणि अधिकारी यांच्यासाठी, नावीन्यपूर्ण संधी अनलॉक करण्यासाठी, कार्यप्रवाह सुव्यवस्थित करण्यासाठी आणि तंत्रज्ञान लोकांना कसे सेवा देते हे पुन्हा परिभाषित करण्यासाठी हे शिफ्ट समजून घेणे महत्त्वाचे आहे. Agentic AI ला रोबोटिक प्रोसेस ऑटोमेशन (RPA) सह गोंधळात टाकणे सोपे आहे, जे तंत्रज्ञान आहे जे संगणकांवर केलेल्या नियम-आधारित कार्यांवर लक्ष केंद्रित करते. भेद ताठरता विरुद्ध तर्कामध्ये आहे. कठोर स्क्रिप्टचे पालन करण्यात RPA उत्कृष्ट आहे: X घडल्यास, Y करा. ते मानवी हातांची नक्कल करते. एजंटिक एआय मानवी तर्काची नक्कल करते. हे रेखीय लिपीचे पालन करत नाही; ते एक तयार करते. भर्ती कार्यप्रवाह विचारात घ्या. RPA बॉट रेझ्युमे स्कॅन करू शकतो आणि डेटाबेसवर अपलोड करू शकतो. हे एक पुनरावृत्ती कार्य उत्तम प्रकारे करते. एजंटिक सिस्टीम रेझ्युमे पाहते, उमेदवार विशिष्ट प्रमाणपत्राची यादी करते, नवीन क्लायंटच्या आवश्यकतेसह क्रॉस-रेफरन्स देते आणि त्या जुळणीला हायलाइट करणाऱ्या वैयक्तिक आउटरीच ईमेलचा मसुदा तयार करण्याचे ठरवते. RPA पूर्वनिर्धारित योजना कार्यान्वित करते; एजंटिक एआय ध्येयावर आधारित योजना तयार करते. ही स्वायत्तता एजंटना आम्ही गेल्या दशकापासून वापरत असलेल्या भविष्यसूचक साधनांपासून वेगळे करते. दुसरे उदाहरण मीटिंग संघर्ष व्यवस्थापित करणे. तुमच्या कॅलेंडरमध्ये समाकलित केलेले भविष्यसूचक मॉडेल तुमच्या बैठकीचे वेळापत्रक आणि तुमच्या सहकाऱ्यांच्या वेळापत्रकांचे विश्लेषण करू शकते. ते नंतर संभाव्य विरोधाभास सुचवू शकते, जसे की एकाच वेळी शेड्यूल केलेल्या दोन महत्त्वाच्या मीटिंग किंवा मुख्य सहभागी सुट्टीवर असताना शेड्यूल केलेली मीटिंग. हे तुम्हाला माहिती प्रदान करते आणि संभाव्य समस्या दर्शवते, परंतु तुम्ही कारवाई करण्यासाठी जबाबदार आहात. एजंटिक AI, त्याच परिस्थितीत, फक्त संघर्ष टाळण्यासाठी सुचवण्यापलीकडे जाईल. मुख्य सहभागीसोबत संघर्ष ओळखल्यानंतर, एजंट पुढीलप्रमाणे कार्य करू शकतो:
सर्व आवश्यक सहभागींची उपलब्धता तपासत आहे. प्रत्येकासाठी कार्य करणारे पर्यायी वेळ स्लॉट ओळखणे. सर्व उपस्थितांना प्रस्तावित नवीन बैठकीची आमंत्रणे पाठवत आहे. विरोधाभास एखाद्या बाह्य सहभागीशी असल्यास, एजंट मसुदा तयार करू शकतो आणि एक ईमेल पाठवू शकतो ज्यात पुन्हा शेड्यूल करण्याची आणि पर्यायी वेळा ऑफर करण्याची आवश्यकता आहे. तुमचे कॅलेंडर आणि तुमच्या सहकाऱ्यांचे कॅलेंडर नवीन मीटिंग तपशीलांची पुष्टी झाल्यावर अपडेट करत आहे.
हे एजंटिक AI ध्येय समजते (मीटिंगमधील संघर्ष सोडवणे), पायऱ्यांची योजना आखते (उपलब्धता तपासणे, पर्याय शोधणे, आमंत्रणे पाठवणे), त्या पायऱ्या अंमलात आणते आणि संघर्षाचे निराकरण होईपर्यंत टिकून राहते, हे सर्व कमीतकमी थेट वापरकर्त्याच्या हस्तक्षेपासह. हे "एजंटिक" फरक दर्शविते: वापरकर्त्याला फक्त माहिती देण्याऐवजी सिस्टम वापरकर्त्यासाठी सक्रिय पावले उचलते. एजंटिक एआय सिस्टीम एखादे ध्येय समजून घेतात, ते साध्य करण्यासाठी अनेक चरणांची योजना आखतात, त्या पायऱ्या अंमलात आणतात आणि काही चूक झाल्यास परिस्थितीशी जुळवून घेतात. सक्रिय डिजिटल सहाय्यकाप्रमाणे याचा विचार करा. अंतर्निहित तंत्रज्ञान बऱ्याचदा मोठ्या भाषा मॉडेल्स (LLMs) समजून घेण्यासाठी आणि तर्क करण्यासाठी, नियोजन अल्गोरिदमसह एकत्रित करते जे जटिल कार्यांना व्यवस्थापित करण्यायोग्य क्रियांमध्ये विभाजित करते. हे एजंट त्यांची उद्दिष्टे पूर्ण करण्यासाठी विविध साधने, API आणि अगदी इतर AI मॉडेल्सशी संवाद साधू शकतात आणि गंभीरपणे, ते कायमस्वरूपी स्थिती टिकवून ठेवू शकतात, म्हणजे ते मागील क्रिया लक्षात ठेवतात आणि कालांतराने ध्येयासाठी कार्य करणे सुरू ठेवतात. हे त्यांना सामान्य जनरेटिव्ह AI पेक्षा मूलभूतपणे वेगळे करते, जे सहसा एकच विनंती पूर्ण करते आणि नंतर रीसेट होते. एजंटिक वर्तनाची साधी वर्गीकरण आम्ही एजंटच्या वर्तनाचे वर्गीकरण स्वायत्ततेच्या चार वेगळ्या पद्धतींमध्ये करू शकतो. हे बऱ्याचदा प्रगतीसारखे दिसत असले तरी ते स्वतंत्र ऑपरेटिंग मोड म्हणून कार्य करतात. शेड्युलिंगसाठी स्वायत्तपणे कार्य करण्यासाठी वापरकर्ता एजंटवर विश्वास ठेवू शकतो, परंतु आर्थिक व्यवहारांसाठी "सूचना मोड" मध्ये ठेवा. स्वायत्त वाहनांसाठी (SAE स्तर) इंडस्ट्री स्टँडर्ड्सचे डिजिटल वापरकर्ता अनुभव संदर्भांशी जुळवून घेऊन आम्ही हे स्तर मिळवले आहेत. निरीक्षण करा आणि सुचवा एजंट मॉनिटर म्हणून कार्य करतो. हे डेटा प्रवाहांचे विश्लेषण करते आणि विसंगती किंवा संधी ध्वजांकित करते, परंतु शून्य कारवाई करते. भेद पुढील स्तराप्रमाणे, एजंट कोणतीही जटिल योजना तयार करत नाही. हे एका समस्येकडे निर्देश करते. ExampleA DevOps एजंट सर्व्हर CPU स्पाइक लक्षात घेतो आणि ऑन-कॉल अभियंत्याला अलर्ट करतो. हे कसे किंवा त्याचे निराकरण करण्याचा प्रयत्न माहित नाही, परंतु काहीतरी चुकीचे आहे हे माहित आहे. या स्तरावर डिझाइन आणि देखरेखीसाठी परिणाम,डिझाइन आणि पर्यवेक्षणाने स्पष्ट, अनाहूत सूचनांना प्राधान्य दिले पाहिजे आणि वापरकर्त्यांना सूचनांवर कार्य करण्यासाठी एक चांगली परिभाषित प्रक्रिया दिली पाहिजे. नियंत्रण न घेता वापरकर्त्याला वेळेवर आणि संबंधित माहिती देऊन सक्षम करण्यावर लक्ष केंद्रित केले आहे. UX प्रॅक्टिशनर्सनी सूचना स्पष्ट आणि समजण्यास सोप्या करण्यावर लक्ष केंद्रित केले पाहिजे, तर उत्पादन व्यवस्थापकांनी हे सुनिश्चित करणे आवश्यक आहे की प्रणाली वापरकर्त्याला दडपल्याशिवाय मूल्य प्रदान करते. योजना आणि प्रस्ताव एजंट एक ध्येय ओळखतो आणि ते साध्य करण्यासाठी एक बहु-चरण धोरण तयार करतो. हे मानवी पुनरावलोकनासाठी संपूर्ण योजना सादर करते. भेदभाव एजंट रणनीतिकार म्हणून काम करतो. ते चालवत नाही; तो संपूर्ण दृष्टिकोनाच्या मंजुरीची वाट पाहत आहे. उदाहरण त्याच DevOps एजंट CPU स्पाइक लक्षात घेतो, लॉगचे विश्लेषण करतो आणि उपाय योजना प्रस्तावित करतो:
दोन अतिरिक्त उदाहरणे फिरवा. लोड बॅलन्सर रीस्टार्ट करा. जुन्या नोंदी संग्रहित करा.
मनुष्य तर्काचे पुनरावलोकन करतो आणि "प्लॅन मंजूर करा" वर क्लिक करतो. डिझाइन आणि देखरेखीचे परिणाम जे एजंट्ससाठी योजना आखतात आणि प्रस्ताव देतात, डिझाइनने हे सुनिश्चित केले पाहिजे की प्रस्तावित योजना सहज समजण्यायोग्य आहेत आणि वापरकर्त्यांना त्या सुधारित करण्याचे किंवा नाकारण्याचे अंतर्ज्ञानी मार्ग आहेत. प्रस्तावांच्या गुणवत्तेवर आणि एजंटच्या नियोजन तर्कावर लक्ष ठेवण्यासाठी पर्यवेक्षण महत्त्वपूर्ण आहे. UX प्रॅक्टिशनर्सनी प्रस्तावित योजनांचे स्पष्ट व्हिज्युअलायझेशन डिझाइन केले पाहिजे आणि उत्पादन व्यवस्थापकांनी स्पष्ट पुनरावलोकन आणि मंजूरी वर्कफ्लो स्थापित करणे आवश्यक आहे. कृती-सह-पुष्टीकरण एजंट सर्व तयारीची कामे पूर्ण करतो आणि अंतिम क्रिया टप्प्याटप्प्याने करतो. होकाराची वाट पाहत ते प्रभावीपणे दार उघडे ठेवते. फरक हे "योजना-आणि-प्रस्ताव" पेक्षा वेगळे आहे कारण काम आधीच केले गेले आहे आणि स्टेज केलेले आहे. त्यामुळे घर्षण कमी होते. वापरकर्ता निकालाची पुष्टी करतो, धोरणाची नाही. उदाहरणए रिक्रूटिंग एजंट पाच मुलाखतीची आमंत्रणे तयार करतो, कॅलेंडरवर खुल्या वेळा शोधतो आणि कॅलेंडर इव्हेंट तयार करतो. हे "सर्व पाठवा" बटण सादर करते. बाह्य क्रिया ट्रिगर करण्यासाठी वापरकर्ता अंतिम अधिकृतता प्रदान करतो. डिझाइन आणि देखरेखीसाठी परिणाम जेंव्हा एजंट पुष्टीसह कार्य करतात, तेव्हा डिझाइनने संभाव्य परिणामांची स्पष्ट रूपरेषा देऊन, इच्छित कृतीचा पारदर्शक आणि संक्षिप्त सारांश प्रदान केला पाहिजे. देखरेखीसाठी पुष्टीकरण प्रक्रिया मजबूत आहे आणि वापरकर्त्यांना आंधळेपणाने कृती मंजूर करण्यास सांगितले जात नाही हे सत्यापित करणे आवश्यक आहे. UX प्रॅक्टिशनर्सनी पुष्टीकरण प्रॉम्प्ट डिझाइन केले पाहिजेत जे स्पष्ट आहेत आणि सर्व आवश्यक माहिती प्रदान करतात आणि उत्पादन व्यवस्थापकांनी सर्व पुष्टी केलेल्या क्रियांसाठी मजबूत ऑडिट ट्रेलला प्राधान्य दिले पाहिजे. कायदा - स्वायत्तपणे एजंट परिभाषित सीमांमध्ये स्वतंत्रपणे कार्ये पार पाडतो. भेद वापरकर्ता कृतींच्या इतिहासाचे पुनरावलोकन करतो, कृतींचे नाही. उदाहरण भर्ती एजंट संघर्ष पाहतो, मुलाखत बॅकअप स्लॉटमध्ये हलवतो, उमेदवार अपडेट करतो आणि नियुक्ती व्यवस्थापकाला सूचित करतो. मनुष्य फक्त एक सूचना पाहतो: मुलाखत मंगळवारपर्यंत शेड्यूल केली. डिझाइन आणि देखरेखीसाठी परिणाम स्वायत्त एजंटसाठी, डिझाइनला स्पष्ट पूर्व-मंजूर सीमा स्थापित करणे आणि मजबूत देखरेख साधने प्रदान करणे आवश्यक आहे. पर्यवेक्षणासाठी या सीमांमध्ये एजंटच्या कार्यप्रदर्शनाचे सतत मूल्यमापन करणे, वापरकर्त्याचे नियंत्रण आणि विश्वास राखण्यासाठी मजबूत लॉगिंग, स्पष्ट ओव्हरराइड यंत्रणा आणि वापरकर्ता-परिभाषित किल स्विचेसची गंभीर गरज आवश्यक आहे. UX प्रॅक्टिशनर्सनी स्वायत्त एजंटच्या वर्तनाचे परीक्षण करण्यासाठी प्रभावी डॅशबोर्ड डिझाइन करण्यावर लक्ष केंद्रित केले पाहिजे आणि उत्पादन व्यवस्थापकांनी स्पष्ट प्रशासन आणि नैतिक मार्गदर्शक तत्त्वे आहेत याची खात्री करणे आवश्यक आहे.
या पद्धती कृतीत पाहण्यासाठी एचआर तंत्रज्ञानातील वास्तविक-जागतिक अनुप्रयोग पाहू. भरतीची लॉजिस्टिक्स हाताळण्यासाठी डिझाइन केलेल्या "मुलाखत समन्वय एजंट" चा विचार करा.
सजेस्ट मोडमध्ये एजंटला लक्षात येते की मुलाखत घेणारा डबल-बुक केलेला आहे. हे रिक्रूटर्सच्या डॅशबोर्डवरील विरोधाभास हायलाइट करते: "चेतावणी: सारा 2 PM मुलाखतीसाठी डबल-बुक केली आहे." प्लॅन मोडमध्ये एजंट साराच्या कॅलेंडरचे आणि उमेदवाराच्या उपलब्धतेचे विश्लेषण करतो. तो एक उपाय सादर करतो: "मी गुरुवारी सकाळी 10 वाजता मुलाखत हलविण्याची शिफारस करतो. यासाठी तिच्या व्यवस्थापकासह साराचे 1:1 हलविणे आवश्यक आहे." भर्तीकर्ता या तर्काचे पुनरावलोकन करतो. पुष्टीकरण मोडमध्ये एजंट उमेदवार आणि व्यवस्थापकाला ईमेलचा मसुदा तयार करतो. हे कॅलेंडर आमंत्रणे भरते. भर्ती करणारा सारांश पाहतो: "गुरुवारपर्यंत पुन्हा शेड्यूल करण्यास तयार आहात. अपडेट पाठवायचे?" भर्तीकर्ता "पुष्टी करा" वर क्लिक करतो. स्वायत्त मोडमध्ये एजंट संघर्ष त्वरित हाताळतो. हे प्री-सेट नियमाचा आदर करते: "नेहमी अंतर्गत 1:1s पेक्षा उमेदवारांच्या मुलाखतींना प्राधान्य द्या." ते मीटिंग हलवते आणि सूचना पाठवते. भर्तीकर्त्याला लॉग एंट्री दिसते: “निराकरणउमेदवार B साठी वेळापत्रक संघर्ष.
संशोधन प्राइमर: काय संशोधन करावे आणि कसे प्रभावी एजंटिक एआय विकसित करण्यासाठी पारंपारिक सॉफ्टवेअर किंवा अगदी जनरेटिव्ह एआयच्या तुलनेत वेगळ्या संशोधन पद्धतीची आवश्यकता आहे. एआय एजंट्सचे स्वायत्त स्वरूप, त्यांची निर्णय घेण्याची क्षमता आणि सक्रिय कृतीची त्यांची क्षमता यामुळे वापरकर्त्याच्या अपेक्षा समजून घेण्यासाठी, एजंटच्या जटिल वर्तनांचे मॅपिंग करण्यासाठी आणि संभाव्य अपयशाची अपेक्षा करण्यासाठी विशेष पद्धती आवश्यक आहेत. खालील संशोधन प्राइमर एजंटिक AI च्या या अद्वितीय पैलूंचे मोजमाप आणि मूल्यमापन करण्यासाठी मुख्य पद्धतींची रूपरेषा देते. मानसिक-मॉडेल मुलाखती एआय एजंटने कसे वागावे याविषयी वापरकर्त्यांच्या पूर्वकल्पित कल्पना या मुलाखती उघड करतात. वापरकर्त्यांना काय हवे आहे हे विचारण्याऐवजी, एजंटच्या क्षमता आणि मर्यादांबद्दल त्यांचे अंतर्गत मॉडेल समजून घेण्यावर लक्ष केंद्रित केले जाते. आम्ही सहभागींसोबत "एजंट" शब्द वापरणे टाळले पाहिजे. यात साय-फाय सामान असते किंवा हा शब्द एखाद्या मानवी एजंटला सपोर्ट किंवा सेवा ऑफर करताना अगदी सहज गोंधळलेला असतो. त्याऐवजी, "सहाय्यक" किंवा "सिस्टम" भोवती चर्चा फ्रेम करा. वापरकर्ते उपयुक्त ऑटोमेशन आणि अनाहूत नियंत्रण यांच्यातील रेषा कोठे काढतात ते आम्हाला उघड करणे आवश्यक आहे.
पद्धत: वापरकर्त्यांना विविध काल्पनिक परिस्थितींमध्ये एजंटशी त्यांच्या अपेक्षित संवादाचे वर्णन करण्यास, रेखाटण्यास किंवा कथन करण्यास सांगा. मुख्य प्रोब (विविध उद्योगांचे प्रतिबिंब): इच्छित ऑटोमेशनच्या सीमा आणि ओव्हर-ऑटोमेशनच्या आसपासच्या संभाव्य चिंता समजून घेण्यासाठी, विचारा: तुमची फ्लाइट रद्द झाली असल्यास, तुम्ही सिस्टमने आपोआप काय करू इच्छिता? तुमच्या स्पष्ट सूचनेशिवाय असे केले तर तुम्हाला काय काळजी वाटेल?
एजंटच्या अंतर्गत प्रक्रिया आणि आवश्यक संवादाविषयी वापरकर्त्याची समज जाणून घेण्यासाठी, विचारा: कल्पना करा की एक डिजिटल सहाय्यक तुमचे स्मार्ट घर व्यवस्थापित करत आहे. जर एखादे पॅकेज वितरीत केले गेले, तर त्यासाठी कोणती पावले उचलावी लागतील अशी तुमची कल्पना आहे आणि तुम्हाला कोणती माहिती मिळण्याची अपेक्षा आहे?
एकाधिक-चरण प्रक्रियेत नियंत्रण आणि संमतीच्या आसपासच्या अपेक्षा उघड करण्यासाठी, विचारा: तुम्ही तुमच्या डिजिटल असिस्टंटला मीटिंग शेड्यूल करायला सांगितल्यास, तुम्ही कोणती पावले उचलण्याची कल्पना करता? तुम्हाला कोणत्या मुद्द्यांवर सल्ला घ्यायचा आहे किंवा निवडी द्यायच्या आहेत?
पद्धतीचे फायदे: अंतर्निहित गृहितके प्रकट करते, एजंटचे नियोजित वर्तन वापरकर्त्याच्या अपेक्षांपासून वेगळे होऊ शकते अशा क्षेत्रांना हायलाइट करते आणि योग्य नियंत्रणे आणि अभिप्राय यंत्रणेच्या डिझाइनची माहिती देते.
एजंट जर्नी मॅपिंग: पारंपारिक वापरकर्ता प्रवास मॅपिंग प्रमाणेच, एजंट ट्रॅव्हल मॅपिंग विशेषतः AI एजंटच्या अपेक्षित क्रिया आणि निर्णयाच्या मुद्द्यांवर, वापरकर्त्याच्या परस्परसंवादासह लक्ष केंद्रित करते. हे संभाव्य तोटे ओळखण्यास सक्रियपणे मदत करते.
पद्धत: एक व्हिज्युअल नकाशा तयार करा जो एजंटच्या ऑपरेशनच्या विविध टप्प्यांची रूपरेषा, आरंभापासून पूर्ण होईपर्यंत, सर्व संभाव्य क्रिया, निर्णय आणि बाह्य प्रणाली किंवा वापरकर्त्यांसह परस्परसंवादांसह. नकाशाचे प्रमुख घटक: एजंट क्रिया: एजंट कोणती विशिष्ट कार्ये किंवा निर्णय करतो? माहिती इनपुट/आउटपुट: एजंटला कोणता डेटा आवश्यक आहे आणि तो कोणती माहिती व्युत्पन्न करतो किंवा संप्रेषण करतो? निर्णयाचे मुद्दे: एजंट निवडी कोठे करतो आणि त्या निवडींचे निकष काय आहेत? वापरकर्ता परस्परसंवाद गुण: वापरकर्ता इनपुट, पुनरावलोकन किंवा कृती कोठे प्रदान करतो? अयशस्वी होण्याचे मुद्दे: महत्त्वपूर्णपणे, विशिष्ट उदाहरणे ओळखा जिथे एजंट सूचनांचा चुकीचा अर्थ लावू शकतो, चुकीचा निर्णय घेऊ शकतो किंवा चुकीच्या घटकाशी संवाद साधू शकतो. उदाहरणे: चुकीचा प्राप्तकर्ता (उदा. चुकीच्या व्यक्तीला संवेदनशील माहिती पाठवणे), ओव्हरड्राफ्ट (उदा. उपलब्ध निधीपेक्षा स्वयंचलित पेमेंट), हेतूचा चुकीचा अर्थ लावणे (उदा. अस्पष्ट भाषेमुळे चुकीच्या तारखेसाठी फ्लाइट बुक करणे).
पुनर्प्राप्ती मार्ग: एजंट किंवा वापरकर्ता या अपयशांमधून कसे पुनर्प्राप्त करू शकतात? सुधारणा किंवा हस्तक्षेप करण्यासाठी कोणत्या यंत्रणा आहेत?
पद्धतीचे फायदे: एजंटच्या ऑपरेशनल फ्लोचे सर्वांगीण दृश्य प्रदान करते, लपलेले अवलंबित्व उघड करते आणि नकारात्मक परिणाम टाळण्यासाठी किंवा कमी करण्यासाठी सुरक्षा उपाय, त्रुटी हाताळणी आणि वापरकर्ता हस्तक्षेप बिंदूंच्या सक्रिय डिझाइनसाठी अनुमती देते.
सिम्युलेटेड गैरवर्तन चाचणी: जेव्हा एआय एजंट अयशस्वी होतो किंवा अपेक्षेपासून विचलित होतो तेव्हा सिस्टमची तणाव-चाचणी करण्यासाठी आणि वापरकर्त्याच्या प्रतिक्रियांचे निरीक्षण करण्यासाठी हा दृष्टिकोन तयार केला गेला आहे. हे प्रतिकूल परिस्थितीत विश्वास दुरुस्ती आणि भावनिक प्रतिसाद समजून घेण्याबद्दल आहे.
पद्धत: नियंत्रित प्रयोगशाळेच्या अभ्यासामध्ये, एजंटने चूक केली असेल, आदेशाचा चुकीचा अर्थ लावला असेल किंवा अनपेक्षितपणे वागेल अशा परिस्थितीची जाणीवपूर्वक ओळख करून द्या. अनुकरण करण्यासाठी "गैरवर्तन" चे प्रकार: आज्ञाचुकीचा अर्थ लावणे: एजंट वापरकर्त्याच्या हेतूपेक्षा थोडी वेगळी कृती करतो (उदा. एका ऐवजी दोन आयटम ऑर्डर करणे). माहिती ओव्हरलोड/अंडरलोड: एजंट खूप अप्रासंगिक माहिती किंवा पुरेसे गंभीर तपशील प्रदान करतो. अवांछित कृती: एजंट वापरकर्त्याला स्पष्टपणे नको असलेली किंवा अपेक्षित नसलेली कृती करतो (उदा. मंजुरीशिवाय स्टॉक खरेदी करणे). सिस्टम अयशस्वी: एजंट क्रॅश होतो, प्रतिसाद देत नाही किंवा त्रुटी संदेश देतो. नैतिक दुविधा: एजंट नैतिक परिणामांसह निर्णय घेतो (उदा., अनपेक्षित मेट्रिकच्या आधारावर एका कामाला दुसऱ्यापेक्षा प्राधान्य देणे).
निरीक्षण फोकस: वापरकर्त्याच्या प्रतिक्रिया: वापरकर्ते भावनिक कसे प्रतिक्रिया देतात (निराशा, राग, गोंधळ, विश्वास कमी होणे)? पुनर्प्राप्ती प्रयत्न: एजंटचे वर्तन सुधारण्यासाठी किंवा त्याच्या कृती पूर्ववत करण्यासाठी वापरकर्ते कोणती पावले उचलतात? ट्रस्ट रिपेअर मेकॅनिझम: सिस्टमची बिल्ट-इन रिकव्हरी किंवा फीडबॅक यंत्रणा विश्वास पुनर्संचयित करण्यात मदत करतात? वापरकर्त्यांना त्रुटींबद्दल माहिती कशी मिळवायची आहे? मानसिक मॉडेल शिफ्ट: गैरवर्तणूक एजंटच्या क्षमता किंवा मर्यादांबद्दल वापरकर्त्याच्या समजात बदल करते का?
पद्धतीचे फायदे: त्रुटी पुनर्प्राप्ती, अभिप्राय आणि वापरकर्ता नियंत्रणाशी संबंधित डिझाइन अंतर ओळखण्यासाठी महत्त्वपूर्ण. हे एजंटच्या अपयशासाठी वापरकर्ते किती लवचिक आहेत आणि विश्वास टिकवून ठेवण्यासाठी किंवा पुनर्बांधणी करण्यासाठी काय आवश्यक आहे याबद्दल अंतर्दृष्टी प्रदान करते, ज्यामुळे अधिक मजबूत आणि क्षमाशील एजंटिक प्रणाली बनते.
या संशोधन पद्धतींचे एकत्रिकरण करून, UX प्रॅक्टिशनर्स एजंटिक सिस्टीम वापरण्यायोग्य बनवण्यापलीकडे जाऊन त्यांना विश्वासार्ह, नियंत्रणीय आणि जबाबदार बनवू शकतात, वापरकर्ते आणि त्यांचे एआय एजंट यांच्यातील सकारात्मक आणि उत्पादक संबंध वाढवू शकतात. लक्षात घ्या की एजंटिक एआय प्रभावीपणे एक्सप्लोर करण्यासाठी या एकमेव पद्धती नाहीत. इतर बऱ्याच पद्धती अस्तित्वात आहेत, परंतु या नजीकच्या काळात प्रॅक्टिशनर्ससाठी सर्वात प्रवेशयोग्य आहेत. मी याआधी विझार्ड ऑफ ओझ पद्धत, संकल्पना चाचणीची थोडी अधिक प्रगत पद्धत कव्हर केली आहे, जी एजंटिक एआय संकल्पना एक्सप्लोर करण्यासाठी देखील एक मौल्यवान साधन आहे. संशोधन पद्धतीमध्ये नैतिक विचार एजंटिक AI चे संशोधन करताना, विशेषत: गैरवर्तन किंवा त्रुटींचे अनुकरण करताना, नैतिक बाबी विचारात घेणे महत्त्वाचे आहे. नैतिक UX संशोधनावर लक्ष केंद्रित करणारी अनेक प्रकाशने आहेत, ज्यात मी Smashing Magazine साठी लिहिलेला लेख, UX Design Institute ची मार्गदर्शक तत्त्वे आणि समावेशी डिझाइन टूलकिट मधील हे पृष्ठ समाविष्ट आहे. Agentic AI साठी मुख्य मेट्रिक्स एजंटिक एआय सिस्टीमच्या कार्यप्रदर्शन आणि विश्वासार्हतेचे प्रभावीपणे मूल्यांकन करण्यासाठी तुम्हाला मुख्य मेट्रिक्सच्या सर्वसमावेशक संचाची आवश्यकता असेल. हे मेट्रिक्स वापरकर्त्याचा विश्वास, सिस्टम अचूकता आणि एकूण वापरकर्ता अनुभव याविषयी अंतर्दृष्टी प्रदान करतात. या निर्देशकांचा मागोवा घेऊन, विकासक आणि डिझाइनर सुधारणेसाठी क्षेत्र ओळखू शकतात आणि AI एजंट सुरक्षितपणे आणि कार्यक्षमतेने कार्य करतात याची खात्री करू शकतात. 1. स्वायत्त एजंटसाठी हस्तक्षेप दर, आम्ही शांततेने यश मोजतो. एजंट एखादे कार्य पार पाडत असल्यास आणि वापरकर्त्याने सेट विंडोमध्ये हस्तक्षेप केला नाही किंवा क्रिया उलट केली नाही (उदा. 24 तास), आम्ही ते स्वीकृती म्हणून मोजतो. आम्ही हस्तक्षेप दराचा मागोवा घेतो: एजंटला थांबवण्यासाठी किंवा दुरुस्त करण्यासाठी माणूस किती वेळा उडी मारतो? उच्च हस्तक्षेप दर विश्वास किंवा तर्कामध्ये चुकीचे संरेखन दर्शवते. 2. प्रति 1,000 कार्यांमागे अनपेक्षित क्रियांची वारंवारता हे गंभीर मेट्रिक एआय एजंटद्वारे केलेल्या क्रियांची संख्या ठरवते ज्या वापरकर्त्याने इच्छित किंवा अपेक्षित नसलेल्या, प्रति 1,000 पूर्ण केलेल्या कार्यांमागे सामान्य केल्या जातात. अनपेक्षित क्रियांची कमी वारंवारता हे सु-संरेखित एआय दर्शवते जे वापरकर्त्याच्या हेतूचा अचूक अर्थ लावते आणि परिभाषित सीमांमध्ये कार्य करते. हे मेट्रिक AI च्या संदर्भाची समज, कमांड्स डिसमॅग्वेट करण्याची क्षमता आणि त्याच्या सुरक्षा प्रोटोकॉलच्या मजबूततेशी जवळून जोडलेले आहे. 3. रोलबॅक किंवा पूर्ववत दर हे मेट्रिक वापरकर्त्यांना AI द्वारे केलेली क्रिया किती वेळा उलट करणे किंवा पूर्ववत करणे आवश्यक आहे याचा मागोवा घेते. उच्च रोलबॅक दर सूचित करतात की AI वारंवार चुका करत आहे, सूचनांचा चुकीचा अर्थ लावत आहे किंवा वापरकर्त्याच्या अपेक्षांशी जुळत नसलेल्या मार्गांनी कार्य करत आहे. या रोलबॅकमागील कारणांचे विश्लेषण केल्याने AI चे अल्गोरिदम सुधारणे, वापरकर्त्याची प्राधान्ये समजून घेणे आणि इष्ट परिणामांचा अंदाज लावण्याची त्याची क्षमता यासाठी मौल्यवान अभिप्राय मिळू शकतो. का हे समजून घेण्यासाठी, तुम्ही पूर्ववत कृतीवर मायक्रोसर्व्हे अंमलात आणणे आवश्यक आहे. उदाहरणार्थ, जेव्हा वापरकर्ता शेड्यूलिंग बदल उलट करतो, तेव्हा एक साधा प्रॉम्प्ट विचारू शकतो: "चुकीची वेळ? चुकीची व्यक्ती? किंवा तुम्हाला ते स्वतः करायचे होते?" वापरकर्त्याला त्यांच्या तर्काशी उत्तम प्रकारे जुळणाऱ्या पर्यायावर क्लिक करण्याची अनुमती देणे. 4. त्रुटी नंतर निराकरण करण्यासाठी वेळ या मेट्रिकएआयने केलेली त्रुटी सुधारण्यासाठी वापरकर्त्याला लागणाऱ्या कालावधीचे मोजमाप करते किंवा एआय सिस्टीमलाच चुकीच्या स्थितीतून सावरण्यासाठी. रिझोल्यूशनसाठी कमी वेळ ही एक कार्यक्षम आणि वापरकर्ता-अनुकूल त्रुटी पुनर्प्राप्ती प्रक्रिया दर्शवते, जी वापरकर्त्याची निराशा कमी करू शकते आणि उत्पादकता राखू शकते. यात त्रुटी ओळखण्याची सुलभता, पूर्ववत करणे किंवा सुधारणेच्या यंत्रणेची सुलभता आणि AI द्वारे प्रदान केलेल्या त्रुटी संदेशांची स्पष्टता समाविष्ट आहे.
हे मेट्रिक्स गोळा करण्यासाठी तुमच्या सिस्टमला एजंट ॲक्शन आयडीचा मागोवा घेण्यासाठी इंस्ट्रुमेंट करणे आवश्यक आहे. एजंट करत असलेल्या प्रत्येक वेगळ्या कृती, जसे की वेळापत्रक प्रस्तावित करणे किंवा फ्लाइट बुक करणे, एक अद्वितीय आयडी तयार करणे आवश्यक आहे जो लॉगमध्ये कायम राहील. हस्तक्षेप दर मोजण्यासाठी, आम्ही त्वरित वापरकर्त्याची प्रतिक्रिया शोधत नाही. आम्ही एका परिभाषित विंडोमध्ये प्रति-कृतीची अनुपस्थिती शोधतो. जर एक्शन आयडी सकाळी 9:00 वाजता व्युत्पन्न झाला असेल आणि दुसऱ्या दिवशी सकाळी 9:00 पर्यंत कोणत्याही मानवी वापरकर्त्याने तो विशिष्ट आयडी सुधारला किंवा परत केला नाही, तर सिस्टीम तार्किकदृष्ट्या त्याला स्वीकारलेले म्हणून टॅग करते. हे आम्हाला सक्रिय पुष्टीकरणाऐवजी वापरकर्त्याच्या शांततेवर आधारित यशाचे प्रमाण मोजण्याची अनुमती देते. रोलबॅक दरांसाठी, कच्ची संख्या अपुरी आहे कारण त्यात संदर्भ नसतो. मूळ कारण कॅप्चर करण्यासाठी, तुम्ही तुमच्या ॲप्लिकेशनच्या पूर्ववत किंवा रिव्हर्ट फंक्शन्सवर इंटरसेप्ट लॉजिक लागू करणे आवश्यक आहे. जेव्हा वापरकर्ता एजंटने सुरू केलेली कारवाई उलट करतो, तेव्हा हलके मायक्रोसर्व्हे ट्रिगर करा. हे एक साधे तीन-पर्याय मॉडेल असू शकते जे वापरकर्त्याला त्रुटीचे वस्तुस्थितीनुसार चुकीचे, संदर्भ नसलेले किंवा व्यक्तिचलितपणे कार्य हाताळण्यासाठी सोपे प्राधान्य म्हणून वर्गीकरण करण्यास सांगते. हे गुणात्मक अंतर्दृष्टीसह परिमाणात्मक टेलिमेट्री एकत्र करते. हे अभियांत्रिकी कार्यसंघांना तुटलेले अल्गोरिदम आणि वापरकर्ता प्राधान्य जुळत नसलेला फरक ओळखण्यास सक्षम करते. हे मेट्रिक्स, जेव्हा सातत्याने ट्रॅक केले जातात आणि सर्वांगीण विश्लेषण केले जातात तेव्हा, एजंटिक एआय सिस्टमच्या कार्यक्षमतेचे मूल्यमापन करण्यासाठी एक मजबूत फ्रेमवर्क प्रदान करते, ज्यामुळे नियंत्रण, संमती आणि उत्तरदायित्वात सतत सुधारणा होऊ शकते. फसवणूक विरुद्ध रचना एजंट अधिकाधिक सक्षम होत असताना, आम्हाला नवीन जोखमीचा सामना करावा लागतो: एजंटिक स्लज. पारंपारिक गाळामुळे घर्षण निर्माण होते ज्यामुळे सदस्यता रद्द करणे किंवा खाते हटवणे कठीण होते. एजंटिक गाळ उलट कार्य करते. ते दोषाचे घर्षण काढून टाकते, वापरकर्त्याला त्यांच्या स्वतःच्या हितसंबंधांऐवजी व्यवसायाला लाभ देणाऱ्या कृतीशी सहमत होणे खूप सोपे होते. प्रवास बुकिंगसाठी मदत करणाऱ्या एजंटचा विचार करा. स्पष्ट रेलिंगशिवाय, सिस्टम भागीदार एअरलाइन किंवा उच्च मार्जिन हॉटेलला प्राधान्य देऊ शकते. तो ही निवड इष्टतम मार्ग म्हणून सादर करतो. वापरकर्ता, सिस्टमच्या अधिकारावर विश्वास ठेवून, छाननीशिवाय शिफारस स्वीकारतो. हे एक भ्रामक नमुना तयार करते जेथे प्रणाली सोयीच्या नावाखाली कमाईसाठी अनुकूल करते. खोट्या कल्पना केलेल्या क्षमतेचा धोका फसवणूक दुर्भावनापूर्ण हेतूने होऊ शकत नाही. हे बहुधा AI मध्ये कल्पित क्षमता म्हणून प्रकट होते. मोठ्या भाषेचे मॉडेल चुकीचे असले तरीही ते वारंवार अधिकृत वाटतात. ते खोटे बुकिंग पुष्टीकरण किंवा चुकीचा सारांश एका सत्यापित तथ्याप्रमाणेच आत्मविश्वासाने सादर करतात. वापरकर्ते स्वाभाविकपणे या आत्मविश्वास टोनवर विश्वास ठेवू शकतात. या विसंगतीमुळे सिस्टम क्षमता आणि वापरकर्त्याच्या अपेक्षा यांच्यात एक धोकादायक अंतर निर्माण होते. हे अंतर भरून काढण्यासाठी आपण विशेषत: डिझाइन केले पाहिजे. एजंट एखादे कार्य पूर्ण करण्यात अयशस्वी झाल्यास, इंटरफेसने ते अपयश स्पष्टपणे सूचित केले पाहिजे. प्रणाली अनिश्चित असल्यास, पॉलिश गद्य सह मुखवटा ऐवजी अनिश्चितता व्यक्त करणे आवश्यक आहे. Primitives द्वारे पारदर्शकता गाळ आणि भ्रम या दोहोंवर उतारा आहे. प्रत्येक स्वायत्त क्रियेसाठी निर्णयाचे मूळ स्पष्ट करणारा विशिष्ट मेटाडेटा टॅग आवश्यक असतो. वापरकर्त्यांना निकालामागील लॉजिक चेन तपासण्याची क्षमता आवश्यक आहे. हे साध्य करण्यासाठी, आपण प्राइमिटीव्हचे व्यावहारिक उत्तरांमध्ये भाषांतर केले पाहिजे. सॉफ्टवेअर अभियांत्रिकीमध्ये, आदिम माहिती किंवा एजंट करत असलेल्या क्रियांच्या मुख्य युनिट्सचा संदर्भ घेतात. अभियंत्यांना, हे API कॉल किंवा लॉजिक गेटसारखे दिसते. वापरकर्त्यासाठी, ते स्पष्ट स्पष्टीकरण म्हणून दिसणे आवश्यक आहे. या तांत्रिक पायऱ्या मानवी-वाचनीय तर्कांसाठी मॅप करणे हे डिझाइनचे आव्हान आहे. एजंटने विशिष्ट फ्लाइटची शिफारस केल्यास, वापरकर्त्याला याचे कारण माहित असणे आवश्यक आहे. इंटरफेस सामान्य सूचना मागे लपवू शकत नाही. हे अंतर्निहित आदिम उघड करणे आवश्यक आहे: तर्कशास्त्र: स्वस्त_प्रत्यक्ष_फ्लाइट किंवा तर्कशास्त्र: भागीदार_एअरलाइन_प्राधान्य. आकृती 4 हा अनुवाद प्रवाह स्पष्ट करतो. आम्ही कच्ची प्रणाली आदिम घेतो — वास्तविक कोड लॉजिक — आणि त्यास वापरकर्त्याच्या तोंडी असलेल्या स्ट्रिंगवर मॅप करतो. उदाहरणार्थ, मीटिंगचे कॅलेंडर शेड्यूल तपासणे हे एक स्पष्ट विधान बनते: मी 4 PM प्रस्तावित केले आहेबैठक पारदर्शकतेचा हा स्तर एजंटच्या कृती तार्किक आणि फायदेशीर असल्याचे सुनिश्चित करते. हे वापरकर्त्याला एजंटने त्यांच्या सर्वोत्कृष्ट हितासाठी कार्य केले आहे हे सत्यापित करण्यास अनुमती देते. आदिम गोष्टींचा पर्दाफाश करून, आम्ही वापरकर्त्यांना त्यांच्या स्वतःच्या डिजिटल जीवनावर अंतिम अधिकार असल्याचे सुनिश्चित करून, ब्लॅक बॉक्सचे काचेच्या बॉक्समध्ये रूपांतर करतो.
डिझाइनसाठी स्टेज सेट करणे एजंटिक प्रणाली तयार करण्यासाठी नवीन स्तरावर मानसिक आणि वर्तणूक समज आवश्यक आहे. हे आम्हाला पारंपारिक उपयोगिता चाचणीच्या पलीकडे आणि विश्वास, संमती आणि जबाबदारीच्या क्षेत्रात जाण्यास भाग पाडते. आम्ही चर्चा केलेल्या संशोधन पद्धती, मानसिक मॉडेल्सची तपासणी करण्यापासून ते गैरवर्तनाचे अनुकरण करणे आणि नवीन मेट्रिक्स स्थापित करणे, एक आवश्यक पाया प्रदान करते. स्वायत्त प्रणाली कोठे अयशस्वी होऊ शकते आणि अधिक महत्त्वाचे म्हणजे, जेव्हा ते होते तेव्हा वापरकर्ता-एजंट संबंध कसे दुरुस्त करायचे ते सक्रियपणे ओळखण्यासाठी या पद्धती आवश्यक साधने आहेत. एजंटिक एआय कडे शिफ्ट ही वापरकर्ता-प्रणाली संबंधांची पुनर्व्याख्या आहे. आम्ही यापुढे अशा साधनांसाठी डिझाइन करत नाही जे फक्त आदेशांना प्रतिसाद देतात; आम्ही आमच्या वतीने कार्य करणाऱ्या भागीदारांसाठी डिझाइन करत आहोत. हे डिझाइनची अत्यावश्यकता कार्यक्षमतेपासून आणि वापराच्या सुलभतेपासून पारदर्शकता, अंदाज आणि नियंत्रणापर्यंत बदलते. जेव्हा एआय अंतिम क्लिक न करता फ्लाइट बुक करू शकते किंवा स्टॉक ट्रेड करू शकते, तेव्हा त्याच्या “ऑन-रॅम्प” आणि “ऑफ-रॅम्प” ची रचना सर्वोपरि बनते. वापरकर्त्यांनी चाक सोपवले तरीही ते ड्रायव्हरच्या सीटवर आहेत हे सुनिश्चित करणे ही आमची जबाबदारी आहे. हे नवीन वास्तव UX संशोधकाची भूमिका देखील उंचावते. एजंटच्या स्वायत्ततेच्या रेलिंगची व्याख्या आणि चाचणी करण्यासाठी आम्ही अभियंते आणि उत्पादन व्यवस्थापकांसोबत सहकार्याने काम करत, वापरकर्त्याच्या विश्वासाचे संरक्षक बनतो. संशोधक असण्यापलीकडे, आम्ही वापरकर्ता नियंत्रण, पारदर्शकता आणि विकास प्रक्रियेतील नैतिक संरक्षणाचे समर्थक बनतो. प्राथमिक प्रश्नांचे व्यावहारिक प्रश्नांमध्ये भाषांतर करून आणि सर्वात वाईट परिस्थितीचे अनुकरण करून, आम्ही शक्तिशाली आणि सुरक्षित अशा दोन्ही मजबूत प्रणाली तयार करू शकतो. या लेखात एजंटिक एआय संशोधनाचे "काय" आणि "का" वर्णन केले आहे. आमची पारंपारिक टूलकिट्स अपुरी आहेत आणि आपण नवीन, पुढे दिसणाऱ्या पद्धतींचा अवलंब केला पाहिजे हे यातून दिसून आले आहे. पुढील लेख या पायावर आधारित, विशिष्ट डिझाइन पॅटर्न आणि संस्थात्मक पद्धती प्रदान करेल जे वापरकर्त्यांसाठी एजंटची उपयुक्तता पारदर्शक बनवतात, ते सुनिश्चित करतात की ते एजंटिक AI च्या सामर्थ्याचा आत्मविश्वास आणि नियंत्रणासह वापर करू शकतात. UX चे भविष्य सिस्टीमला विश्वासार्ह बनवण्याबद्दल आहे. एजंटिक AI च्या अतिरिक्त समजासाठी, तुम्ही खालील संसाधने एक्सप्लोर करू शकता:
Agentic AI वर Google AI ब्लॉग मायक्रोसॉफ्टचे एआय एजंट्सवर संशोधन
