এজেন্টিক এআই গ্রাহকের অভিজ্ঞতা এবং অপারেশনাল দক্ষতা পরিবর্তন করতে প্রস্তুত, নেতৃত্ব থেকে একটি নতুন কৌশলগত পদ্ধতির প্রয়োজন। কৃত্রিম বুদ্ধিমত্তার এই বিবর্তন সিস্টেমগুলিকে পরিকল্পনা করতে, কার্যকর করতে এবং কার্যগুলিতে অবিরত থাকার ক্ষমতা দেয়, সাধারণ সুপারিশগুলিকে অতিক্রম করে সক্রিয় পদক্ষেপে চলে যায়। UX টিম, প্রোডাক্ট ম্যানেজার এবং এক্সিকিউটিভদের জন্য, উদ্ভাবনের সুযোগ আনলক করার জন্য, ওয়ার্কফ্লোকে স্ট্রিমলাইন করার জন্য এবং প্রযুক্তি কীভাবে মানুষকে পরিষেবা দেয় তা পুনঃসংজ্ঞায়িত করার জন্য এই পরিবর্তনটি বোঝা অত্যন্ত গুরুত্বপূর্ণ। রোবোটিক প্রসেস অটোমেশন (RPA) এর সাথে Agentic AI কে বিভ্রান্ত করা সহজ, যা এমন প্রযুক্তি যা কম্পিউটারে সঞ্চালিত নিয়ম-ভিত্তিক কাজগুলিতে ফোকাস করে। পার্থক্যটি অনমনীয়তা বনাম যুক্তির মধ্যে রয়েছে। একটি কঠোর স্ক্রিপ্ট অনুসরণ করার ক্ষেত্রে RPA চমৎকার: যদি X হয়, Y করুন। এটি মানুষের হাতের অনুকরণ করে। এজেন্টিক এআই মানুষের যুক্তি নকল করে। এটি একটি রৈখিক স্ক্রিপ্ট অনুসরণ করে না; এটি একটি তৈরি করে। একটি নিয়োগ কর্মপ্রবাহ বিবেচনা করুন. একটি RPA বট একটি জীবনবৃত্তান্ত স্ক্যান করতে পারে এবং এটি একটি ডাটাবেসে আপলোড করতে পারে। এটি একটি পুনরাবৃত্তিমূলক কাজ নিখুঁতভাবে সম্পাদন করে। একটি এজেন্টিক সিস্টেম জীবনবৃত্তান্ত দেখে, প্রার্থী একটি নির্দিষ্ট শংসাপত্রের তালিকা করে, একটি নতুন ক্লায়েন্টের প্রয়োজনীয়তার সাথে ক্রস-রেফারেন্সগুলিকে লক্ষ্য করে এবং সেই ম্যাচটিকে হাইলাইট করে একটি ব্যক্তিগতকৃত আউটরিচ ইমেল খসড়া করার সিদ্ধান্ত নেয়। RPA একটি পূর্বনির্ধারিত পরিকল্পনা সম্পাদন করে; Agentic AI একটি লক্ষ্যের উপর ভিত্তি করে পরিকল্পনা প্রণয়ন করে। এই স্বায়ত্তশাসন এজেন্টদেরকে ভবিষ্যদ্বাণীমূলক সরঞ্জাম থেকে আলাদা করে যা আমরা গত এক দশক ধরে ব্যবহার করেছি। আরেকটি উদাহরণ হল মিটিং দ্বন্দ্ব পরিচালনা করা। আপনার ক্যালেন্ডারে একত্রিত একটি ভবিষ্যদ্বাণীমূলক মডেল আপনার মিটিং সময়সূচী এবং আপনার সহকর্মীদের সময়সূচী বিশ্লেষণ করতে পারে। এটি তখন সম্ভাব্য দ্বন্দ্বের পরামর্শ দিতে পারে, যেমন একই সময়ে নির্ধারিত দুটি গুরুত্বপূর্ণ মিটিং, বা একটি মূল অংশগ্রহণকারী যখন ছুটিতে থাকে তখন একটি মিটিং নির্ধারিত হয়। এটি আপনাকে তথ্য প্রদান করে এবং সম্ভাব্য সমস্যাগুলিকে পতাকাঙ্কিত করে, কিন্তু আপনি পদক্ষেপ নেওয়ার জন্য দায়ী৷ একটি এজেন্টিক এআই, একই পরিস্থিতিতে, শুধু দ্বন্দ্ব এড়ানোর পরামর্শ দেওয়ার বাইরে চলে যাবে। একজন মূল অংশগ্রহণকারীর সাথে দ্বন্দ্ব সনাক্ত করার পরে, এজেন্ট কাজ করতে পারে:
সমস্ত প্রয়োজনীয় অংশগ্রহণকারীদের প্রাপ্যতা পরীক্ষা করা হচ্ছে। প্রত্যেকের জন্য কাজ করে এমন বিকল্প সময় স্লট সনাক্ত করা। সমস্ত অংশগ্রহণকারীদের প্রস্তাবিত নতুন মিটিংয়ের আমন্ত্রণ পাঠানো হচ্ছে। যদি বিরোধ একটি বহিরাগত অংশগ্রহণকারীর সাথে হয়, তাহলে এজেন্ট একটি ইমেল খসড়া করতে এবং পাঠাতে পারে যাতে পুনঃনির্ধারণ করার প্রয়োজনীয়তা ব্যাখ্যা করা যায় এবং বিকল্প সময় প্রস্তাব করা যায়। একবার নিশ্চিত হয়ে গেলে নতুন মিটিং বিশদ সহ আপনার ক্যালেন্ডার এবং আপনার সহকর্মীদের ক্যালেন্ডার আপডেট করা হচ্ছে।
এই এজেন্টিক AI লক্ষ্যটি বোঝে (মিটিং দ্বন্দ্ব সমাধান করা), পদক্ষেপগুলি পরিকল্পনা করে (প্রাপ্যতা পরীক্ষা করা, বিকল্পগুলি সন্ধান করা, আমন্ত্রণ পাঠানো), সেই পদক্ষেপগুলি সম্পাদন করে এবং দ্বন্দ্বের সমাধান না হওয়া পর্যন্ত স্থির থাকে, সমস্তই ন্যূনতম সরাসরি ব্যবহারকারীর হস্তক্ষেপের সাথে। এটি "এজেন্টিক" পার্থক্য প্রদর্শন করে: সিস্টেমটি ব্যবহারকারীকে তথ্য প্রদানের পরিবর্তে ব্যবহারকারীর জন্য সক্রিয় পদক্ষেপ নেয়। এজেন্টিক এআই সিস্টেমগুলি একটি লক্ষ্য বোঝে, এটি অর্জনের জন্য কয়েকটি পদক্ষেপের পরিকল্পনা করে, সেই পদক্ষেপগুলি সম্পাদন করে এবং এমনকি যদি কিছু ভুল হয়ে যায় তবে মানিয়ে নেয়। এটিকে একজন সক্রিয় ডিজিটাল সহকারীর মতো ভাবুন। অন্তর্নিহিত প্রযুক্তি প্রায়শই বোঝার এবং যুক্তির জন্য বৃহৎ ভাষা মডেল (এলএলএম) একত্রিত করে, পরিকল্পনা অ্যালগরিদমগুলির সাথে যা জটিল কাজগুলিকে পরিচালনাযোগ্য ক্রিয়ায় ভেঙে দেয়। এই এজেন্টরা তাদের উদ্দেশ্য পূরণের জন্য বিভিন্ন টুল, API, এবং এমনকি অন্যান্য AI মডেলের সাথে যোগাযোগ করতে পারে এবং সমালোচনামূলকভাবে, তারা একটি স্থির অবস্থা বজায় রাখতে পারে, যার অর্থ তারা পূর্ববর্তী ক্রিয়াগুলি মনে রাখে এবং সময়ের সাথে সাথে একটি লক্ষ্যের দিকে কাজ চালিয়ে যায়। এটি তাদের সাধারণ জেনারেটিভ এআই থেকে মৌলিকভাবে আলাদা করে তোলে, যা সাধারণত একটি একক অনুরোধ সম্পূর্ণ করে এবং তারপরে পুনরায় সেট করে। এজেন্টিক আচরণের একটি সহজ শ্রেণীবিন্যাস আমরা এজেন্ট আচরণকে স্বায়ত্তশাসনের চারটি স্বতন্ত্র মোডে শ্রেণীবদ্ধ করতে পারি। যদিও এগুলি প্রায়শই একটি অগ্রগতির মতো দেখায়, তারা স্বাধীন অপারেটিং মোড হিসাবে কাজ করে। একজন ব্যবহারকারী সময় নির্ধারণের জন্য স্বায়ত্তশাসিতভাবে কাজ করার জন্য একজন এজেন্টকে বিশ্বাস করতে পারেন, কিন্তু আর্থিক লেনদেনের জন্য এটিকে "পরামর্শ মোডে" রাখতে পারেন। ডিজিটাল ব্যবহারকারীর অভিজ্ঞতার প্রেক্ষাপটে স্বায়ত্তশাসিত যানবাহনের (SAE স্তর) জন্য শিল্পের মানগুলিকে অভিযোজিত করে আমরা এই স্তরগুলি অর্জন করেছি। পর্যবেক্ষণ এবং পরামর্শ এজেন্ট মনিটর হিসাবে কাজ করে। এটি ডেটা স্ট্রিম বিশ্লেষণ করে এবং অসঙ্গতি বা সুযোগগুলিকে ফ্ল্যাগ করে, কিন্তু শূন্য পদক্ষেপ নেয়। পার্থক্য পরবর্তী স্তরের বিপরীতে, এজেন্ট কোন জটিল পরিকল্পনা তৈরি করে না। এটি একটি সমস্যা নির্দেশ করে। ExampleA DevOps এজেন্ট একটি সার্ভার CPU স্পাইক লক্ষ্য করে এবং অন-কল ইঞ্জিনিয়ারকে সতর্ক করে। এটি কীভাবে বা এটি ঠিক করার চেষ্টা করে তা জানে না, তবে এটি জানে যে কিছু ভুল আছে। এই স্তরে নকশা এবং তদারকির জন্য প্রভাব,ডিজাইন এবং তত্ত্বাবধানে স্পষ্ট, অ-অনুপ্রবেশকারী বিজ্ঞপ্তি এবং ব্যবহারকারীদের পরামর্শের উপর কাজ করার জন্য একটি সু-সংজ্ঞায়িত প্রক্রিয়াকে অগ্রাধিকার দেওয়া উচিত। নিয়ন্ত্রণ না নিয়ে সময়োপযোগী এবং প্রাসঙ্গিক তথ্য দিয়ে ব্যবহারকারীকে ক্ষমতায়ন করার উপর ফোকাস করা হয়। UX অনুশীলনকারীদের পরামর্শগুলি পরিষ্কার এবং সহজে বোঝার উপর ফোকাস করা উচিত, যখন পণ্য পরিচালকদের নিশ্চিত করতে হবে যে সিস্টেমটি ব্যবহারকারীকে অভিভূত না করে মূল্য প্রদান করে। পরিকল্পনা এবং প্রস্তাব এজেন্ট একটি লক্ষ্য চিহ্নিত করে এবং এটি অর্জনের জন্য একটি বহু-পদক্ষেপ কৌশল তৈরি করে। এটি মানুষের পর্যালোচনার জন্য সম্পূর্ণ পরিকল্পনা উপস্থাপন করে। পার্থক্য এজেন্ট একটি কৌশলবিদ হিসাবে কাজ করে. এটি কার্যকর করে না; এটি সম্পূর্ণ পদ্ধতির অনুমোদনের জন্য অপেক্ষা করে। উদাহরণ একই DevOps এজেন্ট CPU স্পাইক লক্ষ্য করে, লগগুলি বিশ্লেষণ করে এবং একটি প্রতিকার পরিকল্পনা প্রস্তাব করে:
দুটি অতিরিক্ত দৃষ্টান্ত স্পিন আপ. লোড ব্যালেন্সার পুনরায় চালু করুন। পুরানো লগ সংরক্ষণাগার.
মানুষ যুক্তি পর্যালোচনা করে এবং "পরিকল্পনা অনুমোদন করুন" এ ক্লিক করে। ডিজাইন এবং তত্ত্বাবধানের জন্য প্রভাব যে এজেন্টদের পরিকল্পনা এবং প্রস্তাব, নকশা নিশ্চিত করতে হবে যে প্রস্তাবিত পরিকল্পনাগুলি সহজে বোধগম্য এবং ব্যবহারকারীদের তাদের পরিবর্তন বা প্রত্যাখ্যান করার স্বজ্ঞাত উপায় রয়েছে। প্রস্তাবের গুণমান এবং এজেন্টের পরিকল্পনার যুক্তির উপর নজরদারি অত্যন্ত গুরুত্বপূর্ণ। UX অনুশীলনকারীদের প্রস্তাবিত পরিকল্পনাগুলির স্পষ্ট ভিজ্যুয়ালাইজেশন ডিজাইন করা উচিত এবং পণ্য পরিচালকদের অবশ্যই স্পষ্ট পর্যালোচনা এবং অনুমোদনের কার্যপ্রবাহ স্থাপন করতে হবে। নিশ্চিতকরণের সাথে কাজ করুন এজেন্ট সমস্ত প্রস্তুতিমূলক কাজ সম্পন্ন করে এবং চূড়ান্ত ক্রিয়াটি পর্যায়ক্রমে রাখে। এটি কার্যকরভাবে দরজা খোলা রাখে, একটি নডের জন্য অপেক্ষা করে। পার্থক্য এটি "পরিকল্পনা-এবং-প্রস্তাব" থেকে পৃথক কারণ কাজটি ইতিমধ্যেই সম্পন্ন এবং মঞ্চস্থ করা হয়েছে। এটি ঘর্ষণ কমায়। ব্যবহারকারী ফলাফল নিশ্চিত করে, কৌশল নয়। উদাহরণA নিয়োগকারী এজেন্ট পাঁচটি সাক্ষাত্কারের আমন্ত্রণ খসড়া তৈরি করে, ক্যালেন্ডারে খোলা সময় খুঁজে পায় এবং ক্যালেন্ডার ইভেন্ট তৈরি করে। এটি একটি "সমস্ত পাঠান" বোতাম উপস্থাপন করে। ব্যবহারকারী বাহ্যিক ক্রিয়াটি ট্রিগার করার জন্য চূড়ান্ত অনুমোদন প্রদান করে। নকশা এবং তত্ত্বাবধানের জন্য প্রভাব যখন এজেন্ট নিশ্চিতকরণের সাথে কাজ করে, তখন নকশাটি উদ্দেশ্যমূলক কর্মের স্বচ্ছ এবং সংক্ষিপ্ত সারসংক্ষেপ প্রদান করে, সম্ভাব্য পরিণতিগুলিকে স্পষ্টভাবে রূপরেখা দেয়। ওভারসাইটকে নিশ্চিত করতে হবে যে নিশ্চিতকরণ প্রক্রিয়াটি শক্তিশালী এবং ব্যবহারকারীদের অন্ধভাবে অ্যাকশন অনুমোদন করতে বলা হচ্ছে না। UX অনুশীলনকারীদের নিশ্চিতকরণ প্রম্পট ডিজাইন করা উচিত যা স্পষ্ট এবং সমস্ত প্রয়োজনীয় তথ্য সরবরাহ করে এবং পণ্য পরিচালকদের উচিত সমস্ত নিশ্চিত কর্মের জন্য একটি শক্তিশালী অডিট ট্রেইলকে অগ্রাধিকার দেওয়া। আইন-স্বায়ত্তশাসিতভাবে এজেন্ট সংজ্ঞায়িত সীমানার মধ্যে স্বাধীনভাবে কার্য সম্পাদন করে। পার্থক্য ব্যবহারকারী ক্রিয়াকলাপের ইতিহাস পর্যালোচনা করে, ক্রিয়াগুলি নিজেরাই নয়। উদাহরণ: নিয়োগকারী এজেন্ট একটি দ্বন্দ্ব দেখে, ইন্টারভিউটিকে একটি ব্যাকআপ স্লটে নিয়ে যায়, প্রার্থীকে আপডেট করে এবং নিয়োগকারী ব্যবস্থাপককে অবহিত করে। মানুষ শুধুমাত্র একটি বিজ্ঞপ্তি দেখতে পায়: সাক্ষাৎকারটি মঙ্গলবারের জন্য পুনর্নির্ধারিত। নকশা এবং তত্ত্বাবধানের জন্য প্রভাব স্বায়ত্তশাসিত এজেন্টদের জন্য, নকশাকে স্পষ্ট পূর্ব-অনুমোদিত সীমানা স্থাপন করতে হবে এবং শক্তিশালী পর্যবেক্ষণ সরঞ্জাম সরবরাহ করতে হবে। তদারকির জন্য এই সীমানার মধ্যে এজেন্টের কার্যকারিতার ক্রমাগত মূল্যায়ন প্রয়োজন, শক্তিশালী লগিং, পরিষ্কার ওভাররাইড প্রক্রিয়া এবং ব্যবহারকারীর নিয়ন্ত্রণ এবং বিশ্বাস বজায় রাখার জন্য ব্যবহারকারী-সংজ্ঞায়িত কিল সুইচগুলির জন্য একটি গুরুত্বপূর্ণ প্রয়োজন। UX অনুশীলনকারীদের স্বায়ত্তশাসিত এজেন্ট আচরণের নিরীক্ষণের জন্য কার্যকর ড্যাশবোর্ড ডিজাইন করার উপর ফোকাস করা উচিত, এবং পণ্য পরিচালকদের অবশ্যই সুস্পষ্ট শাসন এবং নৈতিক নির্দেশিকা রয়েছে তা নিশ্চিত করতে হবে।
এই মোডগুলিকে কার্যকরভাবে দেখতে HR প্রযুক্তিতে একটি বাস্তব-বিশ্বের অ্যাপ্লিকেশন দেখুন। নিয়োগের রসদ পরিচালনা করার জন্য ডিজাইন করা একটি "সাক্ষাৎকার সমন্বয় এজেন্ট" বিবেচনা করুন।
সাজেস্ট মোডে এজেন্ট লক্ষ্য করেন যে একজন ইন্টারভিউয়ার ডবল বুকড। এটি নিয়োগকারীর ড্যাশবোর্ডে দ্বন্দ্বকে হাইলাইট করে: "সতর্কতা: সারাকে 2 পিএম ইন্টারভিউয়ের জন্য ডাবল বুক করা হয়েছে।" প্ল্যান মোডে এজেন্ট সারার ক্যালেন্ডার এবং প্রার্থীর প্রাপ্যতা বিশ্লেষণ করে। এটি একটি সমাধান উপস্থাপন করে: "আমি বৃহস্পতিবার সকাল 10 টায় সাক্ষাত্কারটি সরানোর পরামর্শ দিচ্ছি৷ এর জন্য তার ম্যানেজারের সাথে সারার 1:1 সরানো প্রয়োজন৷" নিয়োগকারী এই যুক্তি পর্যালোচনা. নিশ্চিতকরণ মোডে এজেন্ট প্রার্থী এবং ম্যানেজারের কাছে ইমেলগুলি খসড়া করে। এটি ক্যালেন্ডারের আমন্ত্রণগুলি পূরণ করে৷ নিয়োগকারী একটি সারসংক্ষেপ দেখেন: "বৃহস্পতিবার পুনঃনির্ধারণ করতে প্রস্তুত। আপডেট পাঠাবেন?" নিয়োগকারী "নিশ্চিত করুন" এ ক্লিক করেন। স্বায়ত্তশাসিত মোডে এজেন্ট তাত্ক্ষণিকভাবে দ্বন্দ্ব পরিচালনা করে। এটি একটি পূর্ব-নির্ধারিত নিয়মকে সম্মান করে: "সর্বদা অভ্যন্তরীণ 1:1 সেকেন্ডের চেয়ে প্রার্থীর সাক্ষাত্কারকে অগ্রাধিকার দিন।" এটি মিটিংকে সরিয়ে দেয় এবং বিজ্ঞপ্তি পাঠায়। নিয়োগকারী একটি লগ এন্ট্রি দেখেন: "সমাধান করা হয়েছে৷প্রার্থী বি এর জন্য তফসিল দ্বন্দ্ব।"
গবেষণা প্রাইমার: কি গবেষণা এবং কিভাবে প্রথাগত সফ্টওয়্যার বা এমনকি জেনারেটিভ এআই-এর তুলনায় কার্যকরী এজেন্টিক AI বিকাশ একটি স্বতন্ত্র গবেষণা পদ্ধতির দাবি করে। এআই এজেন্টদের স্বায়ত্তশাসিত প্রকৃতি, তাদের সিদ্ধান্ত নেওয়ার ক্ষমতা এবং সক্রিয় পদক্ষেপের জন্য তাদের সম্ভাব্যতা ব্যবহারকারীর প্রত্যাশা বোঝা, জটিল এজেন্ট আচরণ ম্যাপিং এবং সম্ভাব্য ব্যর্থতার জন্য বিশেষ পদ্ধতির প্রয়োজন। নিম্নলিখিত গবেষণা প্রাইমার এজেন্টিক এআই-এর এই অনন্য দিকগুলি পরিমাপ এবং মূল্যায়ন করার জন্য মূল পদ্ধতিগুলির রূপরেখা দেয়। মানসিক-মডেল ইন্টারভিউ এই সাক্ষাত্কারগুলি একজন এআই এজেন্টের কীভাবে আচরণ করা উচিত সে সম্পর্কে ব্যবহারকারীদের পূর্বকল্পিত ধারণাগুলি উন্মোচন করে। ব্যবহারকারীরা কী চান তা জিজ্ঞাসা করার পরিবর্তে, এজেন্টের ক্ষমতা এবং সীমাবদ্ধতাগুলির তাদের অভ্যন্তরীণ মডেলগুলি বোঝার উপর ফোকাস করা হয়। আমাদের অংশগ্রহণকারীদের সাথে "এজেন্ট" শব্দটি ব্যবহার করা এড়ানো উচিত। এটি সাই-ফাই ব্যাগেজ বহন করে বা এটি একটি শব্দ যা খুব সহজেই একটি মানব এজেন্টের সহায়তা বা পরিষেবা প্রদানের সাথে বিভ্রান্ত হয়। পরিবর্তে, "সহকারী" বা "সিস্টেম" এর চারপাশে আলোচনা ফ্রেম করুন। ব্যবহারকারীরা সহায়ক অটোমেশন এবং অনুপ্রবেশকারী নিয়ন্ত্রণের মধ্যে কোথায় লাইন আঁকেন তা আমাদের উদ্ঘাটন করতে হবে।
পদ্ধতি: ব্যবহারকারীদের বিভিন্ন অনুমানমূলক পরিস্থিতিতে এজেন্টের সাথে তাদের প্রত্যাশিত মিথস্ক্রিয়া বর্ণনা করতে, আঁকতে বা বর্ণনা করতে বলুন। মূল অনুসন্ধান (বিভিন্ন শিল্পের প্রতিফলন): কাঙ্ক্ষিত অটোমেশনের সীমানা এবং ওভার-অটোমেশনকে ঘিরে সম্ভাব্য উদ্বেগগুলি বুঝতে, জিজ্ঞাসা করুন: যদি আপনার ফ্লাইট বাতিল হয়, তাহলে আপনি সিস্টেমটি স্বয়ংক্রিয়ভাবে কী করতে চান? আপনার সুস্পষ্ট নির্দেশ ছাড়াই যদি এটি করে থাকে তবে আপনি কী চিন্তা করবেন?
এজেন্টের অভ্যন্তরীণ প্রক্রিয়া এবং প্রয়োজনীয় যোগাযোগ সম্পর্কে ব্যবহারকারীর বোঝার অন্বেষণ করতে, জিজ্ঞাসা করুন: কল্পনা করুন একজন ডিজিটাল সহকারী আপনার স্মার্ট হোম পরিচালনা করছে। যদি একটি প্যাকেজ বিতরণ করা হয়, তাহলে আপনি কল্পনা করেন যে এটি কোন পদক্ষেপ নেয় এবং আপনি কোন তথ্য পাওয়ার আশা করবেন?
একটি বহু-পদক্ষেপ প্রক্রিয়ার মধ্যে নিয়ন্ত্রণ এবং সম্মতির চারপাশে প্রত্যাশাগুলি উন্মোচন করতে, জিজ্ঞাসা করুন: আপনি যদি আপনার ডিজিটাল সহকারীকে একটি মিটিং শিডিউল করতে বলেন, তাহলে আপনি কি পদক্ষেপ নেওয়ার কথা ভাবছেন? কোন পয়েন্টে আপনি পরামর্শ বা পছন্দ দিতে চান?
পদ্ধতির সুবিধাগুলি: অন্তর্নিহিত অনুমান প্রকাশ করে, এমন ক্ষেত্রগুলিকে হাইলাইট করে যেখানে এজেন্টের পরিকল্পিত আচরণ ব্যবহারকারীর প্রত্যাশা থেকে বিচ্ছিন্ন হতে পারে এবং উপযুক্ত নিয়ন্ত্রণ এবং প্রতিক্রিয়া প্রক্রিয়ার নকশাকে অবহিত করে।
এজেন্ট জার্নি ম্যাপিং: প্রথাগত ব্যবহারকারীর যাত্রা ম্যাপিংয়ের মতো, এজেন্ট যাত্রা ম্যাপিং বিশেষভাবে ব্যবহারকারীর মিথস্ক্রিয়া সহ AI এজেন্টের প্রত্যাশিত ক্রিয়া এবং সিদ্ধান্তের পয়েন্টগুলিতে ফোকাস করে। এটি সক্রিয়ভাবে সম্ভাব্য ত্রুটিগুলি সনাক্ত করতে সহায়তা করে।
পদ্ধতি: একটি ভিজ্যুয়াল ম্যাপ তৈরি করুন যা একটি এজেন্টের অপারেশনের বিভিন্ন পর্যায়ের রূপরেখা দেয়, সূচনা থেকে শেষ পর্যন্ত, সমস্ত সম্ভাব্য ক্রিয়া, সিদ্ধান্ত এবং বহিরাগত সিস্টেম বা ব্যবহারকারীদের সাথে মিথস্ক্রিয়া সহ। মানচিত্রের মূল উপাদান: এজেন্ট ক্রিয়াকলাপ: এজেন্ট কোন নির্দিষ্ট কাজ বা সিদ্ধান্তগুলি সম্পাদন করে? তথ্য ইনপুট/আউটপুট: এজেন্টের কোন ডেটার প্রয়োজন হয় এবং এটি কোন তথ্য তৈরি করে বা যোগাযোগ করে? সিদ্ধান্তের পয়েন্ট: এজেন্ট কোথায় পছন্দ করে এবং সেই পছন্দগুলির মানদণ্ড কী? ব্যবহারকারীর ইন্টারঅ্যাকশন পয়েন্ট: ব্যবহারকারী কোথায় ইনপুট, পর্যালোচনা বা ক্রিয়া অনুমোদন করে? ব্যর্থতার পয়েন্ট: অত্যন্ত গুরুত্বপূর্ণভাবে, নির্দিষ্ট উদাহরণগুলি চিহ্নিত করুন যেখানে এজেন্ট নির্দেশের ভুল ব্যাখ্যা করতে পারে, একটি ভুল সিদ্ধান্ত নিতে পারে বা ভুল সত্তার সাথে যোগাযোগ করতে পারে। উদাহরণ: ভুল প্রাপক (যেমন, ভুল ব্যক্তির কাছে সংবেদনশীল তথ্য পাঠানো), ওভারড্রাফ্ট (যেমন, উপলব্ধ তহবিলের চেয়ে একটি স্বয়ংক্রিয় অর্থপ্রদান), অভিপ্রায়ের ভুল ব্যাখ্যা (যেমন, অস্পষ্ট ভাষার কারণে ভুল তারিখের জন্য একটি ফ্লাইট বুক করা)।
পুনরুদ্ধারের পথ: কিভাবে এজেন্ট বা ব্যবহারকারী এই ব্যর্থতা থেকে পুনরুদ্ধার করতে পারেন? সংশোধন বা হস্তক্ষেপের জন্য কি ব্যবস্থা আছে?
পদ্ধতির সুবিধা: এজেন্টের অপারেশনাল প্রবাহের একটি সামগ্রিক দৃষ্টিভঙ্গি প্রদান করে, লুকানো নির্ভরতা উন্মোচন করে এবং নেতিবাচক ফলাফল প্রতিরোধ বা প্রশমিত করার জন্য সুরক্ষা, ত্রুটি পরিচালনা, এবং ব্যবহারকারীর হস্তক্ষেপ পয়েন্টগুলির সক্রিয় নকশার জন্য অনুমতি দেয়।
সিমুলেটেড অসদাচরণ পরীক্ষা: এআই এজেন্ট ব্যর্থ হলে বা প্রত্যাশা থেকে বিচ্যুত হলে এই পদ্ধতিটি সিস্টেমের চাপ-পরীক্ষা এবং ব্যবহারকারীর প্রতিক্রিয়া পর্যবেক্ষণ করার জন্য ডিজাইন করা হয়েছে। এটি প্রতিকূল পরিস্থিতিতে বিশ্বাস মেরামত এবং মানসিক প্রতিক্রিয়া বোঝার বিষয়ে।
পদ্ধতি: নিয়ন্ত্রিত ল্যাব স্টাডিতে, ইচ্ছাকৃতভাবে এমন পরিস্থিতি উপস্থাপন করুন যেখানে এজেন্ট ভুল করে, একটি আদেশের ভুল ব্যাখ্যা করে বা অপ্রত্যাশিতভাবে আচরণ করে। অনুকরণ করার জন্য "দুর্ব্যবহার" এর প্রকারগুলি: আদেশভুল ব্যাখ্যা: এজেন্ট ব্যবহারকারীর উদ্দেশ্য থেকে সামান্য ভিন্ন একটি ক্রিয়া সম্পাদন করে (যেমন, একটির পরিবর্তে দুটি আইটেম অর্ডার করা)। তথ্য ওভারলোড/আন্ডারলোড: এজেন্ট অত্যধিক অপ্রাসঙ্গিক তথ্য বা যথেষ্ট সমালোচনামূলক বিবরণ প্রদান করে না। অযাচিত পদক্ষেপ: এজেন্ট এমন একটি পদক্ষেপ নেয় যা ব্যবহারকারী স্পষ্টভাবে চান না বা আশা করেন না (যেমন, অনুমোদন ছাড়াই স্টক কেনা)। সিস্টেম ব্যর্থতা: এজেন্ট ক্র্যাশ হয়, প্রতিক্রিয়াহীন হয়ে পড়ে বা একটি ত্রুটি বার্তা প্রদান করে। নৈতিক দ্বিধা: এজেন্ট নৈতিক প্রভাব সহ একটি সিদ্ধান্ত নেয় (যেমন, একটি অপ্রত্যাশিত মেট্রিকের উপর ভিত্তি করে অন্য একটি কাজকে অগ্রাধিকার দেওয়া)।
পর্যবেক্ষণ ফোকাস: ব্যবহারকারীর প্রতিক্রিয়া: ব্যবহারকারীরা কীভাবে আবেগগতভাবে প্রতিক্রিয়া দেখায় (হতাশা, রাগ, বিভ্রান্তি, বিশ্বাসের ক্ষতি)? পুনরুদ্ধারের প্রচেষ্টা: ব্যবহারকারীরা এজেন্টের আচরণ সংশোধন করতে বা তার ক্রিয়াগুলি পূর্বাবস্থায় ফিরিয়ে আনতে কী পদক্ষেপ নেয়? ট্রাস্ট মেরামত প্রক্রিয়া: সিস্টেমের অন্তর্নির্মিত পুনরুদ্ধার বা প্রতিক্রিয়া প্রক্রিয়া কি বিশ্বাস পুনরুদ্ধার করতে সাহায্য করে? ব্যবহারকারীরা কিভাবে ত্রুটি সম্পর্কে অবহিত হতে চান? মানসিক মডেল শিফট: দুর্ব্যবহার কি এজেন্টের ক্ষমতা বা সীমাবদ্ধতা সম্পর্কে ব্যবহারকারীর বোঝার পরিবর্তন করে?
পদ্ধতির সুবিধা: ত্রুটি পুনরুদ্ধার, প্রতিক্রিয়া, এবং ব্যবহারকারী নিয়ন্ত্রণ সম্পর্কিত নকশা ফাঁক সনাক্ত করার জন্য গুরুত্বপূর্ণ। এটি এজেন্ট ব্যর্থতার জন্য ব্যবহারকারীরা কতটা স্থিতিস্থাপক এবং বিশ্বাস বজায় রাখতে বা পুনর্নির্মাণের জন্য কী প্রয়োজন তার অন্তর্দৃষ্টি প্রদান করে, যা আরও শক্তিশালী এবং ক্ষমাশীল এজেন্টিক সিস্টেমের দিকে পরিচালিত করে।
এই গবেষণা পদ্ধতিগুলিকে একীভূত করার মাধ্যমে, UX অনুশীলনকারীরা কেবলমাত্র এজেন্টিক সিস্টেমগুলিকে ব্যবহারযোগ্য করে তাদের বিশ্বস্ত, নিয়ন্ত্রণযোগ্য এবং জবাবদিহি করতে, ব্যবহারকারী এবং তাদের এআই এজেন্টদের মধ্যে একটি ইতিবাচক এবং উত্পাদনশীল সম্পর্ক গড়ে তুলতে পারে। মনে রাখবেন যে এজেন্টিক AI কার্যকরভাবে অন্বেষণ করার জন্য এইগুলিই প্রাসঙ্গিক একমাত্র পদ্ধতি নয়। অন্যান্য অনেক পদ্ধতি বিদ্যমান, তবে এগুলি নিকটবর্তী মেয়াদে অনুশীলনকারীদের কাছে সর্বাধিক অ্যাক্সেসযোগ্য। আমি এর আগে উইজার্ড অফ ওজ পদ্ধতিটি কভার করেছি, ধারণা পরীক্ষার একটি সামান্য বেশি উন্নত পদ্ধতি, যা এজেন্টিক এআই ধারণাগুলি অন্বেষণ করার জন্য একটি মূল্যবান হাতিয়ারও। গবেষণা পদ্ধতিতে নৈতিক বিবেচনা এজেন্টিক AI গবেষণা করার সময়, বিশেষ করে যখন অসদাচরণ বা ত্রুটিগুলি অনুকরণ করা হয়, তখন নৈতিক বিবেচনাগুলিকে বিবেচনায় নেওয়া গুরুত্বপূর্ণ। Smashing Magazine-এর জন্য আমার লেখা একটি নিবন্ধ, UX ডিজাইন ইন্সটিটিউটের এই নির্দেশিকা এবং Inclusive Design Toolkit-এর এই পৃষ্ঠা সহ নৈতিক UX গবেষণার উপর ফোকাস করে এমন অনেক প্রকাশনা রয়েছে। এজেন্টিক এআই-এর জন্য মূল মেট্রিক্স এজেন্টিক এআই সিস্টেমের কার্যকারিতা এবং নির্ভরযোগ্যতা কার্যকরভাবে মূল্যায়ন করতে আপনার কী মেট্রিক্সের একটি বিস্তৃত সেটের প্রয়োজন হবে। এই মেট্রিকগুলি ব্যবহারকারীর বিশ্বাস, সিস্টেমের সঠিকতা এবং সামগ্রিক ব্যবহারকারীর অভিজ্ঞতার অন্তর্দৃষ্টি প্রদান করে। এই সূচকগুলি ট্র্যাক করে, বিকাশকারী এবং ডিজাইনাররা উন্নতির জন্য ক্ষেত্রগুলি সনাক্ত করতে পারে এবং নিশ্চিত করতে পারে যে এআই এজেন্টরা নিরাপদে এবং দক্ষতার সাথে কাজ করে। 1. হস্তক্ষেপের হার স্বায়ত্তশাসিত এজেন্টদের জন্য, আমরা নীরবতার মাধ্যমে সাফল্য পরিমাপ করি। যদি কোনো এজেন্ট কোনো কাজ সম্পাদন করে এবং ব্যবহারকারী একটি সেট উইন্ডোর মধ্যে (যেমন, 24 ঘন্টা) হস্তক্ষেপ না করে বা ক্রিয়াটি বিপরীত না করে, তাহলে আমরা এটিকে গ্রহণযোগ্যতা হিসেবে গণনা করি। আমরা হস্তক্ষেপের হার ট্র্যাক করি: একজন মানুষ কত ঘন ঘন এজেন্টকে থামাতে বা সংশোধন করতে ঝাঁপিয়ে পড়ে? একটি উচ্চ হস্তক্ষেপ হার বিশ্বাস বা যুক্তিতে একটি ভুল সংকেত দেয়। 2. প্রতি 1,000টি টাস্কে অনিচ্ছাকৃত অ্যাকশনের ফ্রিকোয়েন্সি এই সমালোচনামূলক মেট্রিক AI এজেন্টের দ্বারা সম্পাদিত ক্রিয়াগুলির সংখ্যা নির্ধারণ করে যা ব্যবহারকারীর দ্বারা কাঙ্ক্ষিত বা প্রত্যাশিত ছিল না, প্রতি 1,000টি সম্পূর্ণ কাজগুলির জন্য স্বাভাবিক করা হয়েছে৷ অনিচ্ছাকৃত ক্রিয়াকলাপের একটি কম ফ্রিকোয়েন্সি একটি সু-সংযুক্ত AI নির্দেশ করে যা ব্যবহারকারীর অভিপ্রায়কে সঠিকভাবে ব্যাখ্যা করে এবং সংজ্ঞায়িত সীমার মধ্যে কাজ করে। এই মেট্রিকটি প্রসঙ্গ সম্পর্কে AI এর বোঝার, কমান্ডগুলিকে দ্ব্যর্থহীন করার ক্ষমতা এবং এর সুরক্ষা প্রোটোকলগুলির দৃঢ়তার সাথে ঘনিষ্ঠভাবে আবদ্ধ। 3. রোলব্যাক বা পূর্বাবস্থায় রেটগুলি এই মেট্রিকটি ট্র্যাক করে কত ঘন ঘন ব্যবহারকারীদের AI দ্বারা সম্পাদিত একটি ক্রিয়াকে বিপরীত বা পূর্বাবস্থায় ফেরাতে হবে৷ উচ্চ রোলব্যাক রেটগুলি পরামর্শ দেয় যে AI ঘন ঘন ত্রুটি করছে, নির্দেশাবলীর ভুল ব্যাখ্যা করছে বা এমনভাবে কাজ করছে যা ব্যবহারকারীর প্রত্যাশার সাথে সামঞ্জস্যপূর্ণ নয়। এই রোলব্যাকগুলির পিছনের কারণগুলি বিশ্লেষণ করা AI এর অ্যালগরিদমগুলিকে উন্নত করার জন্য, ব্যবহারকারীর পছন্দগুলি বোঝার এবং পছন্দসই ফলাফলের পূর্বাভাস দেওয়ার ক্ষমতার জন্য মূল্যবান প্রতিক্রিয়া প্রদান করতে পারে। কেন তা বোঝার জন্য, আপনাকে পূর্বাবস্থায় ফেরানোর জন্য একটি মাইক্রোসর্ভে প্রয়োগ করতে হবে। উদাহরণস্বরূপ, যখন একজন ব্যবহারকারী একটি সময়সূচী পরিবর্তন করে, তখন একটি সাধারণ প্রম্পট জিজ্ঞাসা করতে পারে: "ভুল সময়? ভুল ব্যক্তি? নাকি আপনি নিজেই এটি করতে চেয়েছিলেন?" ব্যবহারকারীকে তাদের যুক্তির সাথে সবচেয়ে ভালো সঙ্গতিপূর্ণ বিকল্পটিতে ক্লিক করার অনুমতি দেওয়া। 4. একটি ত্রুটি এই মেট্রিকের পরে সমাধান করার সময়AI দ্বারা করা একটি ত্রুটি সংশোধন করতে বা AI সিস্টেম নিজেই একটি ভুল অবস্থা থেকে পুনরুদ্ধার করতে ব্যবহারকারীর জন্য সময়কাল পরিমাপ করে। রেজোলিউশনের জন্য স্বল্প সময় একটি দক্ষ এবং ব্যবহারকারী-বান্ধব ত্রুটি পুনরুদ্ধার প্রক্রিয়া নির্দেশ করে, যা ব্যবহারকারীর হতাশা প্রশমিত করতে এবং উত্পাদনশীলতা বজায় রাখতে পারে। এর মধ্যে রয়েছে ত্রুটি শনাক্ত করার সহজতা, পূর্বাবস্থায় ফেরানো বা সংশোধন করার পদ্ধতির অ্যাক্সেসযোগ্যতা এবং AI দ্বারা প্রদত্ত ত্রুটির বার্তাগুলির স্পষ্টতা।
এজেন্ট অ্যাকশন আইডি ট্র্যাক করার জন্য এই মেট্রিকগুলি সংগ্রহ করার জন্য আপনার সিস্টেমকে ইনস্ট্রুমেন্টিং করতে হবে। এজেন্টের দ্বারা নেওয়া প্রতিটি স্বতন্ত্র পদক্ষেপ, যেমন একটি সময়সূচী প্রস্তাব করা বা একটি ফ্লাইট বুক করা, অবশ্যই একটি অনন্য আইডি তৈরি করতে হবে যা লগগুলিতে টিকে থাকে। হস্তক্ষেপের হার পরিমাপ করার জন্য, আমরা অবিলম্বে ব্যবহারকারীর প্রতিক্রিয়া খুঁজি না। আমরা একটি সংজ্ঞায়িত উইন্ডোর মধ্যে একটি পাল্টা কর্মের অনুপস্থিতির জন্য সন্ধান করি৷ যদি একটি অ্যাকশন আইডি সকাল 9:00 এ জেনারেট করা হয় এবং পরের দিন 9:00 AM এর মধ্যে কোনো মানব ব্যবহারকারী সেই নির্দিষ্ট আইডিটিকে সংশোধন বা প্রত্যাবর্তন না করে, সিস্টেমটি যৌক্তিকভাবে এটিকে গৃহীত হিসাবে ট্যাগ করে। এটি আমাদের সক্রিয় নিশ্চিতকরণের পরিবর্তে ব্যবহারকারীর নীরবতার উপর ভিত্তি করে সাফল্যের পরিমাণ নির্ধারণ করতে দেয়। রোলব্যাক রেটগুলির জন্য, কাঁচা সংখ্যা অপর্যাপ্ত কারণ তাদের প্রসঙ্গ নেই৷ অন্তর্নিহিত কারণ ক্যাপচার করতে, আপনাকে অবশ্যই আপনার অ্যাপ্লিকেশনের পূর্বাবস্থায় ফেরানো বা প্রত্যাবর্তন ফাংশনে ইন্টারসেপ্ট লজিক প্রয়োগ করতে হবে। যখন একজন ব্যবহারকারী একটি এজেন্ট দ্বারা শুরু করা ক্রিয়াকে বিপরীত করে, তখন একটি হালকা মাইক্রোসার্ভে ট্রিগার করুন৷ এটি একটি সাধারণ ত্রি-বিকল্প মডেল হতে পারে যা ব্যবহারকারীকে ত্রুটিটিকে প্রকৃতপক্ষে ভুল, প্রসঙ্গ অনুপস্থিত বা ম্যানুয়ালি কাজটি পরিচালনা করার জন্য একটি সাধারণ পছন্দ হিসাবে শ্রেণীবদ্ধ করতে বলে। এটি গুণগত অন্তর্দৃষ্টির সাথে পরিমাণগত টেলিমেট্রিকে একত্রিত করে। এটি ইঞ্জিনিয়ারিং দলগুলিকে একটি ভাঙা অ্যালগরিদম এবং ব্যবহারকারীর পছন্দের অমিলের মধ্যে পার্থক্য করতে সক্ষম করে৷ এই মেট্রিকগুলি, যখন ধারাবাহিকভাবে ট্র্যাক করা হয় এবং সামগ্রিকভাবে বিশ্লেষণ করা হয়, তখন এজেন্টিক এআই সিস্টেমগুলির কার্যকারিতা মূল্যায়নের জন্য একটি শক্তিশালী কাঠামো প্রদান করে, যা নিয়ন্ত্রণ, সম্মতি এবং জবাবদিহিতার ক্রমাগত উন্নতির অনুমতি দেয়। প্রতারণার বিরুদ্ধে ডিজাইনিং এজেন্টরা ক্রমবর্ধমানভাবে সক্ষম হয়ে উঠলে, আমরা একটি নতুন ঝুঁকির সম্মুখীন হই: এজেন্টিক স্লাজ। ঐতিহ্যগত স্লাজ ঘর্ষণ তৈরি করে যা একটি সদস্যতা বাতিল করা বা একটি অ্যাকাউন্ট মুছে ফেলা কঠিন করে তোলে। এজেন্টিক স্লাজ বিপরীতভাবে কাজ করে। এটি একটি ত্রুটির ঘর্ষণকে সরিয়ে দেয়, ব্যবহারকারীর পক্ষে তাদের নিজস্ব স্বার্থের পরিবর্তে ব্যবসার উপকার করে এমন একটি কর্মে সম্মত হওয়া খুব সহজ করে তোলে। ভ্রমণ বুকিংয়ে সহায়তাকারী এজেন্টকে বিবেচনা করুন। পরিষ্কার রেললাইন ছাড়া, সিস্টেমটি একটি অংশীদার এয়ারলাইন বা একটি উচ্চ মার্জিন হোটেলকে অগ্রাধিকার দিতে পারে। এটি এই পছন্দটিকে সর্বোত্তম পথ হিসাবে উপস্থাপন করে। ব্যবহারকারী, সিস্টেমের কর্তৃপক্ষের উপর আস্থা রেখে, যাচাই-বাছাই ছাড়াই সুপারিশ গ্রহণ করে। এটি একটি প্রতারণামূলক প্যাটার্ন তৈরি করে যেখানে সিস্টেমটি সুবিধার আড়ালে রাজস্বের জন্য অপ্টিমাইজ করে। মিথ্যা কল্পনা করা যোগ্যতার ঝুঁকি প্রতারণা দূষিত অভিপ্রায় থেকে নাও হতে পারে। এটি প্রায়শই AI-তে কল্পনাকৃত যোগ্যতা হিসাবে প্রকাশ পায়। বৃহৎ ভাষার মডেলগুলি প্রায়শই কর্তৃত্বপূর্ণ শোনায় এমনকি ভুল হলেও। তারা একটি মিথ্যা বুকিং নিশ্চিতকরণ বা একটি ভুল সারসংক্ষেপ একটি যাচাইকৃত সত্য হিসাবে একই আত্মবিশ্বাসের সাথে উপস্থাপন করে। ব্যবহারকারীরা স্বাভাবিকভাবেই এই আত্মবিশ্বাসী সুরে বিশ্বাস করতে পারে। এই অমিল সিস্টেমের ক্ষমতা এবং ব্যবহারকারীর প্রত্যাশার মধ্যে একটি বিপজ্জনক ব্যবধান তৈরি করে। এই ব্যবধান পূরণ করার জন্য আমাদের অবশ্যই বিশেষভাবে ডিজাইন করতে হবে। যদি একটি এজেন্ট একটি কাজ সম্পূর্ণ করতে ব্যর্থ হয়, ইন্টারফেস অবশ্যই সেই ব্যর্থতাকে স্পষ্টভাবে সংকেত দেবে। যদি সিস্টেমটি অনিশ্চিত হয়, তবে এটিকে পালিশ গদ্য দিয়ে মুখোশ না করে অনিশ্চয়তা প্রকাশ করতে হবে। Primitives মাধ্যমে স্বচ্ছতা স্লাজ এবং হ্যালুসিনেশন উভয়েরই প্রতিষেধক হল প্রোভেন্যান্স। প্রতিটি স্বায়ত্তশাসিত কর্মের জন্য সিদ্ধান্তের উত্স ব্যাখ্যা করে একটি নির্দিষ্ট মেটাডেটা ট্যাগ প্রয়োজন। ব্যবহারকারীদের ফলাফলের পিছনে লজিক চেইন পরিদর্শন করার ক্ষমতা প্রয়োজন। এটি অর্জনের জন্য, আমাদের অবশ্যই আদিমকে ব্যবহারিক উত্তরে অনুবাদ করতে হবে। সফ্টওয়্যার ইঞ্জিনিয়ারিং-এ, আদিম তথ্য বা ক্রিয়াকলাপের মূল ইউনিটগুলিকে নির্দেশ করে যা একজন এজেন্ট সম্পাদন করে। ইঞ্জিনিয়ারের কাছে, এটি একটি API কল বা লজিক গেটের মতো দেখায়। ব্যবহারকারীর কাছে, এটি অবশ্যই একটি স্পষ্ট ব্যাখ্যা হিসাবে উপস্থিত হবে। ডিজাইনের চ্যালেঞ্জটি এই প্রযুক্তিগত পদক্ষেপগুলিকে মানব-পাঠযোগ্য যুক্তিতে ম্যাপ করার মধ্যে রয়েছে। যদি কোনো এজেন্ট একটি নির্দিষ্ট ফ্লাইটের সুপারিশ করে, তাহলে ব্যবহারকারীকে কেন জানতে হবে। ইন্টারফেস একটি সাধারণ পরামর্শের পিছনে লুকাতে পারে না। এটি অন্তর্নিহিত আদিম প্রকাশ করতে হবে: যুক্তি: সস্তা_ডাইরেক্ট_ফ্লাইট বা যুক্তি: অংশীদার_এয়ারলাইন_প্রধান। চিত্র 4 এই অনুবাদ প্রবাহকে চিত্রিত করে। আমরা কাঁচা সিস্টেমটিকে আদিম গ্রহণ করি — প্রকৃত কোড লজিক — এবং এটিকে একটি ব্যবহারকারী-মুখী স্ট্রিং-এ ম্যাপ করি। উদাহরণস্বরূপ, একটি ক্যালেন্ডারের সময়সূচী পরীক্ষা করা একটি প্রাথমিক মিটিং একটি স্পষ্ট বিবৃতি হয়ে ওঠে: আমি একটি 4 PM প্রস্তাব করেছিমিটিং স্বচ্ছতার এই স্তরটি নিশ্চিত করে যে এজেন্টের ক্রিয়াগুলি যৌক্তিক এবং উপকারী হবে। এটি ব্যবহারকারীকে যাচাই করতে দেয় যে এজেন্ট তাদের সর্বোত্তম স্বার্থে কাজ করেছে। আদিম বিষয়গুলিকে উন্মোচিত করে, আমরা একটি কালো বাক্সকে একটি কাচের বাক্সে রূপান্তরিত করি, ব্যবহারকারীদের তাদের নিজস্ব ডিজিটাল জীবনের চূড়ান্ত কর্তৃত্ব বজায় রাখার বিষয়টি নিশ্চিত করে৷
ডিজাইনের জন্য স্টেজ সেট করা একটি এজেন্টিক সিস্টেম তৈরি করার জন্য একটি নতুন স্তরের মনস্তাত্ত্বিক এবং আচরণগত বোঝার প্রয়োজন। এটি আমাদেরকে প্রচলিত ব্যবহারযোগ্যতা পরীক্ষার বাইরে এবং বিশ্বাস, সম্মতি এবং জবাবদিহিতার ক্ষেত্রে যেতে বাধ্য করে। আমরা যে গবেষণা পদ্ধতিগুলি নিয়ে আলোচনা করেছি, মানসিক মডেলগুলি পরীক্ষা করা থেকে শুরু করে দুর্ব্যবহার অনুকরণ করা এবং নতুন মেট্রিক্স প্রতিষ্ঠা করা, একটি প্রয়োজনীয় ভিত্তি প্রদান করে৷ একটি স্বায়ত্তশাসিত সিস্টেম কোথায় ব্যর্থ হতে পারে এবং আরও গুরুত্বপূর্ণভাবে, ব্যবহারকারী-এজেন্ট সম্পর্ককে কীভাবে মেরামত করা যায় তা সক্রিয়ভাবে সনাক্ত করার জন্য এই অনুশীলনগুলি অপরিহার্য সরঞ্জাম। এজেন্টিক AI-তে স্থানান্তর হল ব্যবহারকারী-সিস্টেম সম্পর্কের একটি পুনঃসংজ্ঞা। আমরা আর এমন সরঞ্জামগুলির জন্য ডিজাইন করছি না যা কেবলমাত্র কমান্ডগুলিতে সাড়া দেয়; আমরা এমন অংশীদারদের জন্য ডিজাইন করছি যারা আমাদের পক্ষে কাজ করে। এটি দক্ষতা এবং ব্যবহারের সহজতা থেকে স্বচ্ছতা, পূর্বাভাসযোগ্যতা এবং নিয়ন্ত্রণে ডিজাইনের প্রয়োজনীয়তা পরিবর্তন করে। যখন একটি AI একটি ফ্লাইট বুক করতে পারে বা চূড়ান্ত ক্লিক ছাড়াই একটি স্টক লেনদেন করতে পারে, তখন এর "অন-র্যাম্প" এবং "অফ-র্যাম্প" এর ডিজাইন সর্বোপরি হয়ে ওঠে। চাকা হস্তান্তর করার পরেও ব্যবহারকারীরা মনে করেন যে তারা চালকের আসনে আছেন তা নিশ্চিত করা আমাদের দায়িত্ব। এই নতুন বাস্তবতা UX গবেষকের ভূমিকাকেও উন্নত করে। আমরা ব্যবহারকারীর আস্থার রক্ষক হয়ে উঠি, একজন এজেন্টের স্বায়ত্তশাসনের রক্ষকগুলিকে সংজ্ঞায়িত করতে এবং পরীক্ষা করার জন্য প্রকৌশলী এবং পণ্য পরিচালকদের সাথে যৌথভাবে কাজ করি। গবেষক হওয়ার পাশাপাশি, আমরা উন্নয়ন প্রক্রিয়ার মধ্যে ব্যবহারকারী নিয়ন্ত্রণ, স্বচ্ছতা এবং নৈতিক সুরক্ষার জন্য উকিল হয়ে উঠি। আদিম বিষয়গুলিকে ব্যবহারিক প্রশ্নে অনুবাদ করে এবং সবচেয়ে খারাপ পরিস্থিতির অনুকরণ করে, আমরা শক্তিশালী এবং নিরাপদ উভয়ই শক্তিশালী সিস্টেম তৈরি করতে পারি। এই নিবন্ধটি এজেন্টিক এআই গবেষণার "কি" এবং "কেন" রূপরেখা দিয়েছে। এটি দেখিয়েছে যে আমাদের ঐতিহ্যবাহী টুলকিটগুলি অপর্যাপ্ত এবং আমাদের অবশ্যই নতুন, দূরদর্শী পদ্ধতিগুলি গ্রহণ করতে হবে। পরবর্তী নিবন্ধটি এই ভিত্তির উপর ভিত্তি করে তৈরি করবে, নির্দিষ্ট নকশার নিদর্শন এবং সাংগঠনিক অনুশীলনগুলি প্রদান করবে যা ব্যবহারকারীদের কাছে এজেন্টের উপযোগিতাকে স্বচ্ছ করে তোলে, নিশ্চিত করে যে তারা আস্থা ও নিয়ন্ত্রণের সাথে এজেন্টিক AI-এর শক্তিকে কাজে লাগাতে পারে। ইউএক্সের ভবিষ্যত হল সিস্টেমগুলিকে বিশ্বস্ত করা। এজেন্টিক এআই সম্পর্কে অতিরিক্ত বোঝার জন্য, আপনি নিম্নলিখিত সংস্থানগুলি অন্বেষণ করতে পারেন:
এজেন্টিক এআই-এ গুগল এআই ব্লগ এআই এজেন্ট নিয়ে মাইক্রোসফটের গবেষণা
