سوامی سیواسوبرامانیان، نایب رئیس بخش Agentic AI در AWS، تأکید کرد که سازمان‌ها برای استقرار موفقیت‌آمیز عوامل خودمختار (Autonomous Agents) در مقیاس وسیع، باید از مرحله آزمایش‌های بی‌پایان عبور کرده و سرمایه‌گذاری‌های خود را بر روی تعداد محدودی از پروژه‌های قابل اندازه‌گیری متمرکز کنند.
چالش «شکوفایی هزار گل» در استراتژی‌های AI
بسیاری از سازمان‌ها رویکردی استراتژیک را در پیش می‌گیرند که در آن به تیم‌ها اجازه داده می‌شود به‌طور گسترده با هوش مصنوعی آزمایش کنند، بدون اینکه ابتدا معیارهای موفقیت را تعریف کرده باشند. این رویکرد منجر به ایجاد تعداد زیادی نمونه اولیه (Prototype) و دموهای نمایشی می‌شود که در نهایت نتوانند بازگشت سرمایه (ROI) یا نتایج ملموسی ایجاد کنند.
تمرکز بر زیرساخت‌های مشترک و معیارهای تجاری
به گفته سیواسوبرامانیان، رهبران کسب‌وکار و فناوری باید ابتدا بر روی معیارهایی متمرکز شوند که مستقیماً با مزایای مشتری، فروش، درآمد یا بهره‌وری مرتبط هستند. سپس باید منابع خود را بر روی دو یا سه پروژه کلیدی متمرکز کنند تا یک زیرساخت مشترک ایجاد شود که سایر تیم‌ها نیز بتوانند از آن استفاده کنند.
او این بخش از کار را «زیرساخت‌های خسته‌کننده» (Boring Infrastructure) می‌نامد؛ بخشی که اگر یک‌بار به‌صورت متمرکز ساخته شود، مانع از آن می‌شود که هر تیم مجبور به بازسازی زیرساخت‌های پایه باشد و در نتیجه باعث ایجاد یک شتاب تکاملی در کل سازمان می‌گردد.
قابلیت‌های Agentic AI در AWS
تیم تحت مدیریت سیواسوبرامانیان بر توسعه عواملی تمرکز دارد که قادرند به‌طور خودمختار مسائل پیچیده تجاری را بررسی کرده، استدلال کنند و برای حل آن‌ها اقدام نمایند. از جمله قابلیت‌های توسعه‌یافته در این حوزه می‌توان به موارد زیر اشاره کرد:
- Amazon Bedrock AgentCore
- Security Agent (عامل امنیت)
- DevOps Agent (عامل دواپس)
- Amazon Transform و Kiro
