بناء بيئة المؤسسات للذكاء الاصطناعي الوكيل

أجرت إنتل آلاف التجارب على مهام الذكاء الاصطناعي العامل (Agentic AI)، وخلصت إلى خمسة دروس لقادة المؤسسات. وتجادل بأن الذكاء الاصطناعي العامل يمثل مشكلة أنظمة أوسع، وليس مجرد استدلال (inference)، وأن معظم الأدوات الحالية لا تقيس أداء النظام الكلي. يجب تخطيط السعة باستخدام كثافة العوامل لكل نواة وحدة معالجة مركزية (vCPU)، وليس عدد العوامل. كما أن مراقبة زمن استجابة المهام للعامل (P95) أكثر إفادة من متوسط استخدام وحدة المعالجة المركزية. يُنصح بأن تكون الأنظمة التي تستضيف العوامل موجهة افتراضيًا نحو التوسع الأفقي (scale-out)، مع الاحتفاظ بالتوسع الرأسي (scale-up) لأحمال العمل ذات المعالجة الأثقل لكل عامل. قامت إنتل بتوسيع المعيار Terminal-Bench لقياس مهام الذكاء الاصطناعي العامل، باستخدام إعادة تشغيل حتمية (deterministic record-replay) لاستجابات نموذج اللغة الكبير (LLM) لفصل أداء العامل عن تباين النموذج. تضمنت مجموعة المهام التجميع، والاختبار، وعمليات قواعد البيانات، وغيرها. يجب أن يتم نشر الذكاء الاصطناعي العامل على ثلاث مراحل: التخطيط حسب كثافة العامل، واعتماد مراقبة جديدة تركز على زمن الاستجابة P95، والتوسع أفقيًا افتراضيًا. كما يحدد المقال شخصيات المؤسسات للذكاء الاصطناعي العامل: القادة المسؤولون الذين يعملون على تحسين زمن الدورة، والإنتاجية، وإدارة التكاليف.