مدیر SAP: ایجنت‌های هوش مصنوعی فقط تئوری نمی‌خوان؛ باید قلق واقعی شرکت شما رو بفهمن!

این‌که ایجنت‌های هوش مصنوعی فرآیندهای استاندارد مالی، تدارکات یا زنجیره تأمین را بلد باشند، به‌هیچ‌وجه برای اجرای مطمئن کار‌ها در دنیای واقعی کافی نیست. این سیستم‌ها علاوه بر تئوری، باید پیکربندی‌های خاص هر شرکت، سیاست‌های داخلی، روابط میان داده‌ها و حتی استثناهای روزمره را هم مو‌به‌مو درک کنند.

تِد وِی (Ted Way)، معاون ارشد و مدیر ارشد محصول در بخش مهندسی هوش مصنوعی تجاری شرکت SAP، معتقد است این موضوع مستلزم درک عمیق از «موجودیت‌های تجاری» و روابط بین آن‌ها است؛ در کنار قوانین و فیلترهای کنترلی سفت‌وسختی که تعیین می‌کنند ایجنت دقیقاً چه کار‌هایی اجازه دارد انجام دهد.

تِد وِی در این رابطه می‌گوید: «شاید یک ایجنت به بهترین شکل استانداردهای حسابداری جهانی مثل IFRS 15 یا US GAAP را بفهمد؛ اما وقتی نوبت به اجرای عملی کار می‌رسد، باید بداند شرکت شما چطور درآمدها را شناسایی و ثبت می‌کند، فرمول محاسباتش چیست، تاریخچه ثبت اسناد به چه صورت بوده و جریان اسناد و قراردادها چگونه پیش می‌رود.»

علاوه بر این، یک ایجنت هوشمند باید مراحل کاری اختصاصی شرکت، موارد استثنا و مقررات ویژه آن صنعت را هم به حساب بیاورد؛ چون همین جزئیات کوچک مشخص می‌کنند که آیا یک سند حسابداری یا پرداخت مالی به درستی ثبت شده یا نه. حالا هم که شرکت‌ها روزبه‌روز اختیارات و خودمختاری بیشتری به ایجنت‌ها در فرآیندهای قابل حسابرسی می‌دهند، حجم «بافتار و زمینه کاری» (Context) که این ایجنت‌ها باید بفهمند هم بزرگ و بزرگ‌تر می‌شود.

ایجنت‌های هوش مصنوعی قبل از اجرای فرآیندهای چندمرحله‌ای سازمانی به چه چیز‌هایی نیاز دارند؟

یک ایجنت هوش مصنوعی اساساً می‌تواند دو کار انجام دهد: یا صرفاً به سؤالات جواب دهد، یا دست به کار شود و یک خروجی واقعی تحویل دهد. رسیدن به حالت دوم، نیازمند دسترسی به بافتار کسب‌وکار در ترکیب با سازوکارهای حاکمیتی و نظارتی محکم است.

به گفته وِی: «یک ایجنت پایه و معمولی نهایتاً به کاربر می‌گوید: به نظرم بهتره فلان کار رو انجام بدی. اما ما داریم به سمتی می‌رویم که ایجنت بگوید: من مجوز انجام این کار را دارم، می‌دانم کدام سیستم‌ها درگیرند و می‌توانم با رعایت کامل فیلترها و استانداردهای نظارتی، خودِ کار را به سرانجام برسانم.»

فقط برای یک تراکنش پرداخت ساده، ایجنت باید مجموعه‌ای از موجودیت‌ها مثل مشتری، تأمین‌کننده، کالا، قرارداد، فاکتور و سفارش را زیر نظر بگیرد. از طرف دیگر، لایه‌های نظارتی هم شامل تأییدیه‌ها، سطوح دسترسی، الزامات قانونی و ثبت ردپای مو‌به‌موی هر اقدام ایجنت می‌شود. در این روند، ایجنت ابتدا وضعیت تأییدیه را گزارش می‌دهد، سپس انجام پرداخت را پیشنهاد می‌کند، مقدمات پرداخت را برای اقدام دستی کاربر آماده می‌سازد و در نهایت، تحت سیاست‌های سفت‌وسخت و با حضور انسان در چرخه تصمیم‌گیری (Human-in-the-loop)، پرداخت و تطبیق حساب را نهایی می‌کند؛ مرحله‌ای که تِد وِی آن را «اجرای کنترل‌شده و قانونمند» (Governed Execution) می‌نامد.

نتیجه و دستاورد این مدل، فقط گرفتن یک پاسخ بهتر نیست؛ بلکه کم کردن فاصله‌ی میان حرف تا عمل است. برای مثال، شرکت SAP اعلام کرده هوش مصنوعی تجاری‌اش برای یکی از مشتریان بزرگ یعنی مؤسسه PwC، زمان انجام یک فرآیند پیچیده صدور صورت‌حساب را از ۳۵ دقیقه به تنها ۵ دقیقه کاهش داده و هم‌زمان دقت کار را هم بالا برده است.

ایجنت‌های هوش مصنوعی به داده‌های یکپارچه‌شده میان نرم‌افزارها نیاز دارند

بخش اعظم اطلاعات و بافتاری که یک ایجنت نیاز دارد، معمولاً بین برنامه‌ها و نرم‌افزارهای مختلف پراکنده است. برای نمونه، یک تأمین‌کننده ممکن است در هر نرم‌افزار با نام و شناسه متفاوتی ثبت شده باشد؛ در یک سند نامش IBM آمده، در دیگری International Business Machines و در سومی IBM Inc درج شده است.

وِی توضیح می‌دهد: «شاید مفهوم «تأمین‌کننده حیاتی» در شرکت من یک معنا داشته باشد و در شرکت شما چیزی کاملاً متفاوت باشد. به همین دلیل است که هستی‌شناسی (Ontology)، گراف دانش و یکپارچه‌سازی داده‌ها تا این حد اهمیت دارند. ما اصلاً نمی‌خواهیم استراتژی‌مان این باشد که بگوییم: دست به دعا می‌شویم تا شانس بیاوریم و شاید مدل زبانی خودش همه‌چیز را بفهمد!»

صرفاً ریختن داده‌های بیش‌تر به پای ایجنت فایده‌ای ندارد؛ ایجنت باید بفهمد این داده‌ها چه معنایی دارند و چطور به هم مربوط می‌شوند. راه‌حل این چالش، ایجاد یک «لایه بافتار» (Context Layer) بالای داده‌های خام است؛ لایه‌ای که سوابق پراکنده هر موجودیت را در یک پروفایل موثق و واحد ادغام کرده و به ایجنت نشان می‌دهد این هویت چگونه به بقیه بخش‌ها متصل است.

به‌روز نگه داشتن اطلاعات و بافتار کاری ایجنت‌ها

سازمان‌ها مدام داده‌های جدید اضافه می‌کنند و فرآیندهای کاری‌شان را تغییر می‌دهند؛ بنابراین اطلاعاتی که ایجنت به آن تکیه می‌کند خیلی زود قدیمی و بلااستفاده می‌شود. برای به‌روز نگه داشتن این بافتار، باید سوابق مدام با هم تطبیق داده شوند و مشخص شود کدام منابع معتبرتر و تازه‌تر هستند. همچنین باید روی نحوه اجرای عملی فرآیندهای کسب‌وکار و جریان‌های کاری ایجنتی نظارت لحظه‌ای وجود داشته باشد.

هر زمان که یک ایجنت به خط قرمزی برسد که اجازه ندارد به تنهایی از آن عبور کند، یک اعلان برای بازبینی یا تأیید ارسال می‌کند. این آستانه‌ها و خطوط قرمز را خود شرکت‌ها تعیین می‌کنند. برای مثال در فرآیندهای مالی تحت نظارت، شرکت‌ها می‌توانند تعیین کنند که برخی مراحل باید در هر شرایطی دقیقاً به یک شکل ثابت و بدون تغییر اجرا شوند.

تِد وِی می‌گوید: «برخی مراحل به دلایل قانونی و نظارتی باید همیشه دقیقاً مثل دفعه قبل تکرار شوند و ما در آن بخش‌ها اصلاً به خلاقیت ایجنت نیازی نداریم! اما هر جا فضایی برای حل مسئله وجود داشته باشد، ایجنت می‌تواند انعطاف‌پذیر عمل کند؛ و این مشتریان هستند که مرز این دو را مشخص می‌کنند.»

بافتار اطلاعاتی باید پا‌به‌پای کار حرکت کند

بافتار و اطلاعات اختصاصی سازمان زمانی بیش‌ترین بازدهی را دارد که بتواند همگام با جریان کار، میان نرم‌افزارها، سیستم‌ها و بخش‌های مختلف جا‌به‌جا شود. این همان فلسفه اصلی پشت دستیاران ارتقایافته جول (Joule Assistants) شرکت SAP است؛ سیستمی که به جای محدود ماندن به یک نرم‌افزار واحد، ایجنت‌های تخصصی را حول یک هدف تجاری مشخص هماهنگ می‌کند.

وِی می‌گوید: «دستیاران جول فرآیند کسب‌وکار را دنبال می‌کنند، نه نمودار سازمانی نرم‌افزارها را. هر دستیار چندین ایجنت جول (Joule Agents) را رهبری و هدایت می‌کند و هر ایجنت، فرآیند مشخصی را در سیستم‌های SAP و سیستم‌های متفرقه به اجرا درمی‌آورد.»

یک وضعیت اضطراری و غیرمنتظره در بخش لجستیک را در نظر بگیرید: اگر موجودی لازم برای یک سفارش در جای خودش نباشد، حل مشکل فقط به پیدا کردن یک انبار دیگر ختم نمی‌شود. ایجنت باید بداند چه کالاهایی در سایر انبارها موجود است، آیا آن کالاها قبلاً برای سفارش دیگری رزرو شده‌اند یا خیر، تاریخ انقضا چگونه مدیریت می‌شود، چه روش‌های حمل‌ونقل جایگزینی در دسترس است و کدام تصمیمات به تأییدیه مدیر نیاز دارند.

به گفته وِی، یکی از مشتریان SAP که مواد اولیه طبیعی برای کارخانه‌ها تأمین می‌کند، با همین رویکرد توانست بحران‌ها و دوندگی‌های طاقت‌فرسای لجستیکی را به یک فرآیند تک‌کلیکی تبدیل کند و نزدیک به یک‌سوم از وقت کاری تیم را نجات دهد.

همین رویکرد در بخش مالی هم حاکم است. دستیار شناسایی درآمد SAP (SAP’s Revenue Recognition Assistant) هنگام دسته‌بندی تراکنش‌ها طبق استانداردهای IFRS 15 و US GAAP، از تنظیمات داخلی، فرمول‌ها، سوابق ثبت و گردش اسنادِ خود آن شرکت استفاده می‌کند. از سوی دیگر، سرویس SAP Pay (با پشتیبانی ترینا، از شرکت‌های زیرمجموعه SAP) این مدل را فراتر برده و با اجرای قانونمند و تحت کنترل، پرداخت‌های تأییدشده را انجام داده و با حفظ الزامات نظارتی، حساب‌ها را تطبیق می‌دهد.

تأثیر این تحول حتی از خودکارسازی کار‌های انفرادی هم فراتر می‌رود. شرکت SAP اعلام کرده دایملر تراکس آمریکای شمالی (Daimler Trucks North America) توانسته نرخ برنده شدن در مناقصات قراردادهای ناوگان خود را از حدود ۱۰ درصد به بیش از ۴۰ درصد برساند که این رقم در طول ۱۲ ماه، سود و اثر مالی نزدیک به ۷۰ میلیون دلاری برای آن‌ها داشته است.

در پس‌زمینه این فرآیندها، دستیار جول از طریق ابزار SAP Reltio در بستر ابری داده‌های تجاری SAP و همچنین گراف دانش اختصاصی‌اش (SAP Knowledge Graph)، موجودیت‌های تجاری یکپارچه‌شده و روابط معنایی بین آن‌ها را استخراج می‌کند. ابزار SAP Reltio با مکانیزمی به نام «تعیین پویای داده‌های معتبر» (Dynamic Survivorship)، با در نظر گرفتن اعتبار منبع، تازگی داده و تجمیع اطلاعات، سوابق را به‌طور مداوم تطبیق می‌دهد؛ در حالی که SAP Signavio می‌تواند فرآیندهای تجاری و جریان‌های کاری ایجنتی را به صورت زنده حین اجرا رصد کند.

وِی با خنده می‌گوید: «مشتریان پیش ما می‌آیند و می‌گویند ما فقط یک فرآیند خرید تا پرداخت داریم! اما ما سیستم Signavio را اجرا می‌کنیم و به آن‌ها نشان می‌دهیم که در واقعیت ۴۰۰ مدل فرآیند خرید تا پرداخت مختلف دارید!»

بافتار کاری باید از مرز سیستم‌ها و شرکت‌های مختلف عبور کند

ماجرا زمانی پیچیده‌تر می‌شود که یک جریان کاری، پای خود را از نرم‌افزارها و ایجنت‌های یک شرکت سازنده فراتر بگذارد. شرکت SAP برای این چالش از پروتکل ارتباطی ایجنت با ایجنت (Agent2Agent یا A2A) استفاده می‌کند تا به جول اجازه دهد با ایجنت‌های خارج از اکوسیستم SAP هم تعامل داشته باشد؛ به گفته وِی، اتصال دوطرفه جول با پلتفرم مایکروسافت تیمز (Microsoft Teams) یک نمونه درخشان از این قابلیت است.

اما چالش اصلی فقط این نیست که دو ایجنت بتوانند با هم صحبت کنند؛ بلکه مسأله این است که بافتار کاری که یک عملیات را مطمئن و قابل اعتماد می‌کند (یعنی معنای واقعی داده‌ها، روابط میان موجودیت‌ها، سیاست‌های شرکت و فیلترهای کنترلی)، هنگام انتقال کار بین سیستم‌های گوناگون هم کاملاً دست‌نخورده و زنده باقی بماند.

تِد وِی تأیید می‌کند که شرکت‌های انگشت‌شماری هستند که تمام کارهایشان را فقط در چارچوب یک پشته فناوری واحد پیش ببرند. همین امر باعث می‌شود سازگاری و تعامل‌پذیری به موضوعی بسیار فراتر از یک اتصال نرم‌افزاری ساده تبدیل شود. اگر قرار است ایجنت‌ها کار‌ها را در سیستم‌های مختلف به سرانجام برسانند، معنای داده‌ها، روابط، سیاست‌ها و کنترل‌هایی که به آن‌ها تکیه دارند هم باید همگام با آن‌ها جابه‌جا شوند.

بنابراین چالش بزرگ ایجنت‌های سازمانی، فقط یاد گرفتن این نیست که یک فرآیند کاری روی کاغذ چگونه باید پیش برود؛ چالش اصلی این است که دقیقاً بفهمند آن سازمان در دنیای واقعی چگونه کار می‌کند و حتی با تغییر و تحول مداوم آن سازمان، باز هم خودشان را با واقعیت‌های می‌دانی هماهنگ نگه دارند.