با گسترش استفاده از عامل‌های هوشمند (Autonomous AI Agents) در سازمان‌ها، هزینه‌های عملیاتی مربوط به مصرف توکن (Token) و پردازش‌های سنگین مدل‌های زبانی بزرگ (LLM) به یکی از چالش‌های اصلی تبدیل شده است. عامل‌های کامپیوتری که وظایف را مشابه انسان انجام می‌دهند، اغلب فرآیندهای مشابهی را تکرار می‌کنند که منجر به فراخوانی‌های مکرر و پرهزینه مدل‌های هوش مصنوعی می‌شود.
شرکت Simular با معرفی روشی مبتنی بر هوش مصنوعی نوروسیمبولیک (Neuro-Symbolic AI)، راهکاری برای اجرای ارزان‌تر این عامل‌ها ارائه داده است. این رویکرد با ترکیب شبکه‌های عصبی (Neural Networks) که برای پردازش زبان طبیعی استفاده می‌شوند، با منطق و قوانین هوش مصنوعی نمادین (Symbolic AI)، نوعی «حافظه عضلانی» (Muscle Memory) برای عامل‌ها ایجاد می‌کند.
تفاوت با رویکردهای سنتی
در حالی که برخی پلتفرم‌ها مانند Amazon Bedrock از هوش مصنوعی نمادین برای بررسی دقت پاسخ‌ها استفاده می‌کنند، رویکرد Simular متفاوت است. در این روش، لایه نمادین در واقع کدی است که مدل هوش مصنوعی برای انجام یک وظیفه می‌نویسد. این لایه به جای قضاوت‌های ساده «درست یا غلط»، تکرارپذیری را تضمین می‌کند؛ به این معنا که عامل به جای شروع مجدد فرآیند از صفر، گام‌های یادگرفته شده را از طریق کد دنبال می‌کند.
بهره‌وری و امنیت عملیاتی
- کاهش هزینه‌ها: طبق بنچمارک‌های انجام شده، این روش می‌تواند هزینه‌ها را در مقایسه با استفاده صرف از مدل‌های پیشرفته‌ای مانند Claude Opus تا ۲۱۷ برابر کاهش دهد.
- امنیت و کنترل: برای جلوگیری از تغییرات ناخواسته، این سیستم از یک «تاییدکننده پیش از اقدام» (Pre-action Verifier) استفاده می‌کند تا تصمیم بگیرد آیا یک تغییر خاص باید اجرا شود یا خیر.
- تعامل انسانی: برای وظایف پیچیده، این مدل همچنان بر رویکرد «انسان در چرخه» (Human-in-the-loop) تاکید دارد تا کاربران بتوانند بر مراحل فرآیند نظارت کرده و بازخورد ارائه دهند.
اگرچه این روش برای وظایف با ساختار مشخص عملکرد بهتری دارد، اما پتانسیل بالایی برای تبدیل شدن به استانداردی در مدیریت عامل‌های هوشمند سازمانی در آینده نزدیک دارد.
