జనరేటివ్ AI, AI ఏజెంట్లు మరియు ఏజెంటిక్ AI: నిజ జీవిత ఉదాహరణల ద్వారా తేడాను అర్థం చేసుకోవడం

మీరు బహుశా ఇప్పటికే జనరేటివ్ AI (Generative AI) ని ఉపయోగించి ఉంటారు.

బహుశా మీరు ChatGPT ని ఒక ఈమెయిల్‌ను తిరిగి రాయమని, ఒక డాక్యుమెంట్‌ను సంక్షిప్తం చేయమని, మీకు అర్థం కాని విషయాన్ని వివరించమని, లేదా ఒక ప్రెజెంటేషన్ సిద్ధం చేయడంలో సహాయం చేయమని అడిగి ఉంటారు.

అంతే సరళమైన ఒక ఉదాహరణతో మొదలుపెడదాం.

ఒక కస్టమర్ ఒక కంపెనీని సంప్రదిస్తారు:

“నా పార్శిల్ నిన్ననే రావాల్సింది. అది ఎక్కడ ఉంది?”

ఒక ఉద్యోగి AI అసిస్టెంట్‌ను అడుగుతారు:

“ఆలస్యానికి క్షమాపణ చెబుతూ ఒక మర్యాదపూర్వక జవాబు రాయండి.”

AI ఒక జవాబును తయారు చేస్తుంది.

ఇక్కడ ఏం జరిగింది?

AI ఏదో సృష్టించింది.

అది పార్శిల్ ఎక్కడ ఉందో తనిఖీ చేయలేదు. కస్టమర్ ఆర్డర్‌ను తెరవలేదు. కొరియర్‌ను సంప్రదించలేదు. కస్టమర్‌కు రీఫండ్ ఇవ్వాలా వద్దా అని నిర్ణయించలేదు. జవాబును పంపనూ లేదు.

ఉద్యోగి ఇంకా ఆ జవాబును సమీక్షించి, దానితో ఏం చేయాలో నిర్ణయించుకోవాల్సి వచ్చింది.

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

ఎడమ నుంచి కుడికి ప్రవాహం: ఒక కస్టమర్ తన పార్శిల్ ఎక్కడ ఉందని అడుగుతారు. ఒక ఉద్యోగి మర్యాదపూర్వక జవాబు రాయమని AI ని అడుగుతారు. జనరేటివ్ AI ఒక డ్రాఫ్ట్ జవాబును సృష్టిస్తుంది. డ్రాఫ్ట్ కేవలం టెక్స్ట్ మాత్రమే, ఏదీ తనిఖీ చేయలేదు, ఏదీ పంపలేదు. ఉద్యోగి డ్రాఫ్ట్‌ను సమీక్షించి, నిర్ణయించి, పంపుతారు.

సూత్రం: AI జవాబును సృష్టించింది, పని మాత్రం మనిషే చేశారు.

దృశ్య సూచిక: మనిషి, AI నమూనా, AI ఏజెంట్ (లూప్ లోపల ఉన్న నమూనా), లక్ష్యం (జెండా), టూల్ (గేర్), డేటా మూలం (సిలిండర్), బయటి వ్యవస్థ (స్క్రీన్), నిర్ణయం (వజ్రం ఆకారం), చర్య (బాణం బ్లాక్), విధానం (పత్రం) మరియు మానవ ఆమోదం (టిక్ గుర్తుతో ఉన్న వ్యక్తి).

జనరేటివ్ AI ని అర్థం చేసుకోవడానికి ఇది ఒక ఉపయోగకరమైన ప్రారంభ స్థానం.

జనరేటివ్ AI తనకు అందిన సమాచారం మరియు సూచనల నుంచి కొత్త కంటెంట్‌ను సృష్టిస్తుంది. ఆ కంటెంట్ టెక్స్ట్, కోడ్, చిత్రాలు, ఆడియో, వీడియో లేదా ఇతర రూపాల్లో ఉత్పత్తి అయిన అవుట్‌పుట్ కావచ్చు.

ఉదాహరణకు, ChatGPT ని రాయడం, తిరిగి రాయడం, సంక్షిప్తం చేయడం మరియు సమాచారాన్ని వివరించడం వంటి పనులకు ఉపయోగించవచ్చు.

కానీ మన ఉదాహరణలో ముఖ్యమైన విషయం ఇంకా సరళమైనది:

AI జవాబును సృష్టించింది. పని మాత్రం మనిషే చేశారు.

AI నే జవాబు కనుక్కోమని అడిగితే ఏమవుతుంది?

అభ్యర్థనను మార్చుదాం.

ఇలా చెప్పే బదులు:

“ఒక మర్యాదపూర్వక జవాబు రాయండి.”

మనం ఇలా చెబుతాం:

“ఆర్డర్ #1234 ఎందుకు ఆలస్యమైందో కనుక్కొని, సరైన జవాబును సిద్ధం చేయండి.”

ఇక్కడ ముఖ్యమైనదేదో మారింది.

కేవలం ప్రాంప్ట్ (prompt) నుంచి మాత్రమే AI సరిగ్గా జవాబు చెప్పలేదు.

దానికి ఇవి తెలియాల్సి రావచ్చు:

• ఆర్డర్ ఎప్పుడు పెట్టారు
• అది గిడ్డంగి నుంచి బయలుదేరిందా
• పార్శిల్ ఎక్కడ ఉందని కొరియర్ చెబుతోంది
• డెలివరీకి ప్రయత్నం జరిగిందా
• కస్టమర్ ఇంతకు ముందు సపోర్ట్‌ను సంప్రదించారా.

కాబట్టి మనం AI కి మరింత సమాచారానికి యాక్సెస్ ఇస్తాం.

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

కస్టమర్, తర్వాత ఆర్డర్ 1234 ఎందుకు ఆలస్యమైందో కనుక్కోమని AI ని అడిగే ఉద్యోగి, తర్వాత AI, తర్వాత సిద్ధం చేసిన జవాబు. పై నుంచి మూడు మూలాలు AI కి సమాచారం అందిస్తాయి: ఆర్డర్ వ్యవస్థ, కొరియర్ ట్రాకింగ్ మరియు కస్టమర్ చరిత్ర.

శీర్షిక: ఎక్కువ సమాచారం AI ని మరింత ఉపయోగకరంగా చేస్తుంది. తదుపరి దశను ఎవరు నిర్ణయిస్తారో ఇది ఇంకా చెప్పదు.

ఇప్పుడు AI ఇంకా చాలా చేయగలదు.

అది సమాచారాన్ని తెచ్చుకొని, జవాబు సిద్ధం చేసేటప్పుడు ఆ సమాచారాన్ని ఉపయోగించగలదు.

అంటే అది AI ఏజెంట్ (AI agent) అయిపోయినట్టేనా?

తప్పనిసరిగా కాదు.

ఒక టూల్ (tool) ఉపయోగించినంత మాత్రాన AI ఆటోమేటిక్‌గా ఏజెంట్ కాదు

AI చుట్టూ ఉన్న సాఫ్ట్‌వేర్‌ను ఇప్పటికే ఇలా చేసేలా ప్రోగ్రామ్ చేశారనుకోండి:

1. ఆర్డర్ నంబర్‌ను చదవడం.
2. ఆర్డర్‌ను వెతకడం.
3. కొరియర్ ట్రాకింగ్‌ను తనిఖీ చేయడం.
4. ఫలితాలను AI కి ఇవ్వడం.
5. జవాబు రాయమని AI ని అడగడం.

AI కి ఉపయోగకరమైన సమాచారానికి యాక్సెస్ ఉంది.

కానీ ఈ క్రమాన్ని ఎవరు నిర్ణయించారు?

సాఫ్ట్‌వేర్ నిర్ణయించింది.

మార్గాన్ని ముందే రూపొందించారు.

ఇతర టూల్స్ విషయంలోనూ ఇదే సమస్య కనిపిస్తుంది.

ఒక AI వ్యవస్థ వీటిని ఉపయోగించగలిగి ఉండవచ్చు:

• ఒక కాలిక్యులేటర్
• ఒక సెర్చ్ ఇంజిన్
• ఒక డేటాబేస్
• ఒక కంపెనీ API
• ఒక డాక్యుమెంట్ స్టోర్.

ఆ సామర్థ్యాలు వ్యవస్థను మరింత ఉపయోగకరంగా చేస్తాయి.

కానీ తర్వాత ఏం జరగాలో నిర్ణయించే అర్థవంతమైన బాధ్యత AI కి ఉందా లేదా అనేది అవి తమంతట తాము చెప్పవు.

ఆ తేడా ఇక్కడ ఉపయోగపడుతుంది.

ప్రశ్న కేవలం ఇది కాదు:

AI కి టూల్స్ ఉన్నాయా?

మంచి ప్రశ్న ఇది:

వాటితో ఏం చేయాలో ఎవరు నిర్ణయిస్తారు?

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

ఎడమ ప్యానెల్, ఏ సామర్థ్యాలు అందుబాటులో ఉన్నాయి: సెర్చ్, డేటాబేస్, ఫైళ్లు, API మరియు కాలిక్యులేటర్ AI కి అనుసంధానించబడి ఉన్నాయి.

కుడి ప్యానెల్, తర్వాత ఏం జరగాలో ఎవరు ఎంచుకుంటారు: ముందే కోడ్ చేసిన దశలతో కూడిన నిర్ణీత సాఫ్ట్‌వేర్ మార్గం, లేదా AI తాను గమనించిన దాని నుంచి నిర్ణయించి తదుపరి దశను తానే ఎంచుకోవడం.

సూత్రం: టూల్స్ ఉండటం అంటే ఏజెన్సీ ఉండటం కాదు.

ఇది మనకు ఒక ముఖ్యమైన సూత్రాన్ని ఇస్తుంది:

టూల్స్ ఉండటం అంటే ఏజెన్సీ ఉండటం కాదు.

సూచనలు ఇవ్వడానికి బదులు, దానికి ఒక లక్ష్యం ఇవ్వండి

కస్టమర్ సర్వీస్ అభ్యర్థనను మరోసారి మార్చుదాం.

ఈసారి మనం ఇలా చెబుతాం:

“ఈ కస్టమర్ డెలివరీ సమస్యను పరిష్కరించండి.”

ఏం మాయమైందో గమనించండి.

మనం ఇలా చెప్పలేదు:

ముందు ఆర్డర్ తనిఖీ చేయండి.
తర్వాత కొరియర్‌ను తనిఖీ చేయండి.
తర్వాత చిరునామాను పరిశీలించండి.
తర్వాత ఇది చేయండి.
తర్వాత అది చేయండి.

మనం వ్యవస్థకు ఒక లక్ష్యం (goal) ఇచ్చాం.

ఇప్పుడు ఆ లక్ష్యాన్ని సాధించడానికి అవసరమైన కొన్ని దశలను అది తానే నిర్ణయించగలదని ఊహించండి.

అది ఆర్డర్‌ను తనిఖీ చేస్తుంది.

పార్శిల్ గిడ్డంగి నుంచి బయలుదేరిందని ఆర్డర్ చెబుతోంది.

తర్వాత ఏం జరగాలి?

కొరియర్ ట్రాకింగ్ సంబంధితమని వ్యవస్థ నిర్ణయిస్తుంది.

డెలివరీ ప్రయత్నం విఫలమైందని కొరియర్ నివేదిస్తుంది.

ఇప్పుడు ఏంటి?

బహుశా అది చిరునామా సరైనదేనా అని తనిఖీ చేస్తుంది.

చిరునామా సరైనదే.

వ్యవస్థ వద్ద ఇప్పుడు కొత్త సమాచారం ఉంది, తర్వాత ఏం చేయాలో అది నిర్ణయించుకోవాలి.

ప్రక్రియ ఇప్పుడు భిన్నంగా కనిపించడం మొదలవుతుంది.

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

ఒక లక్ష్యం, డెలివరీ సమస్యను పరిష్కరించడం, నాలుగు స్టేషన్లతో కూడిన లూప్‌లోకి ప్రవేశిస్తుంది: తదుపరి దశను నిర్ణయించడం (ఏజెంట్), చర్య తీసుకోవడం (ఉదాహరణకు ఆర్డర్ తనిఖీ, కొరియర్ తనిఖీ, చిరునామా తనిఖీ), ఫలితాన్ని గమనించడం, మరియు పూర్తయిందా అనే ప్రశ్న. లేదు అయితే లూప్ కొనసాగుతుంది. అవును అయితే పని పూర్తవుతుంది, ఫలితాన్ని ఒక వ్యక్తి చూస్తారు.

సూత్రం: జనరేటివ్ AI ఏదో ఉత్పత్తి చేస్తుంది. AI ఏజెంట్ ఏదో సాధించడానికి పని చేస్తుంది.

ఇక్కడే AI ఏజెంట్ అనే ఆలోచన ఉపయోగపడుతుంది.

AI ఏజెంట్‌ను అర్థం చేసుకోవడానికి ఒక ఆచరణాత్మక మార్గం:

AI ఏజెంట్ ఒక లక్ష్యాన్ని అందుకొని, దాన్ని సాధించడానికి అవసరమైన దశల్లో కనీసం కొన్నింటిని తానే నిర్ణయించగలదు.

Google AI ఏజెంట్లను లక్ష్యాలను సాధించడానికి మరియు పనులను పూర్తి చేయడానికి AI ని ఉపయోగించే సాఫ్ట్‌వేర్ వ్యవస్థలుగా వర్ణిస్తుంది, వీటిలో సాధారణంగా తర్కించడం, ప్రణాళిక వేయడం, మెమరీ మరియు కొంత మేర స్వయంప్రతిపత్తి వంటి సామర్థ్యాలు ఉంటాయి.

నేర్చుకోవడం కోసం, తేడాను మనం ఇలా గుర్తుపెట్టుకోవచ్చు:

జనరేటివ్ AI ఏదో ఉత్పత్తి చేస్తుంది. AI ఏజెంట్ ఏదో సాధించడానికి పని చేస్తుంది.

ఇది బోధన కోసం వాడిన సులభ మార్గం మాత్రమే, పరిశ్రమ అధికారిక నిర్వచనం కాదు.

నిజమైన వ్యవస్థలు ఒకదానితో ఒకటి కలిసిపోతాయి, హద్దు ఎప్పుడూ స్పష్టంగా ఉండదు.

కానీ ఇది మనకు ఒక ఉపయోగకరమైన మానసిక నమూనాను ఇస్తుంది.

ఒక పరిశోధన పని దీన్ని చూడటం సులభం చేస్తుంది

రెండు అభ్యర్థనలను పరిశీలించండి.

అభ్యర్థన A

“కెనడా ఎలక్ట్రిక్ వాహన మార్కెట్ గురించి చెప్పండి.”

AI నమూనా తనకు అందుబాటులో ఉన్న సమాచారం నుంచి జవాబు చెప్పగలదు.

ఇప్పుడు దీన్ని పరిశీలించండి:

అభ్యర్థన B

“కెనడా ఎలక్ట్రిక్ వాహన మార్కెట్‌పై పరిశోధన చేయండి. వినియోగం, ఛార్జింగ్ మౌలిక సదుపాయాలు, ప్రభుత్వ విధానం మరియు ప్రధాన అడ్డంకులను పోల్చండి. ఆధారాలతో కూడిన నివేదిక ఇవ్వండి.”

ఉపయోగకరమైన వ్యవస్థ ఇప్పుడు ఇవి చేయాల్సి రావచ్చు:

1. పరిశోధన లక్ష్యాన్ని అర్థం చేసుకోవడం
2. ఏ అంశాలను పరిశీలించాలో నిర్ణయించడం
3. సమాచారం కోసం వెతకడం
4. మూలాలను చదవడం
5. దొరికిన వాటిని పోల్చడం
6. లోపించిన ఆధారాలను గుర్తించడం
7. మళ్లీ వెతకడం
8. పరస్పర విరుద్ధ సమాచారాన్ని పరిష్కరించడం
9. ఫలితాలను క్రమబద్ధీకరించడం
10. నివేదికను సిద్ధం చేయడం.

ఆసక్తికరమైన భాగం అది వెతకగలదనేది మాత్రమే కాదు.

ఆసక్తికరమైన భాగం ప్రతి శోధన తర్వాత ఏం జరుగుతుందనేది.

వ్యవస్థ తాను నేర్చుకున్నదాన్ని పరిశీలించి, ఇంకా ఏం కావాలో నిర్ణయిస్తుందా?

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

నిలువు ప్రవాహం: పరిశోధన లక్ష్యం, ప్రణాళిక, శోధన, చదవడం, ఆపై తగినంత ఆధారం ఉందా అనే నిర్ణయం. లేదు అయితే వ్యవస్థ లోపాలను గుర్తించి మళ్లీ వెతుకుతుంది, శోధన దశకు తిరిగి వెళ్తుంది. అవును అయితే దొరికిన వాటిని పోల్చి, సంశ్లేషణ చేసి, ఆధారాలతో కూడిన నివేదికను తయారు చేస్తుంది.

శీర్షిక: ప్రశ్న ఏమిటంటే ప్రతి శోధన తర్వాత ఏం జరుగుతుంది.

ఇది ఏజెంట్ ప్రవర్తనకు చాలా దగ్గరగా ఉంది.

ఒక నిజమైన ఉదాహరణ: Gemini Deep Research

Google Gemini Deep Research ని స్వయంప్రతిపత్తి గల పరిశోధన ఏజెంట్‌గా వర్ణించింది.

దాని డాక్యుమెంట్ చేసిన ప్రవర్తనలో పరిశోధనను ప్రణాళిక వేయడం, సమాచారం కోసం వెతకడం, దొరికిన వాటిపై తర్కించడం మరియు పని చేస్తూనే తన పరిశోధనను మెరుగుపరచుకోవడం ఉన్నాయి.

పరిశోధన ముందుకు సాగే ముందు పరిశోధన ప్రణాళికను సమీక్షించగలిగే ఒక వినియోగదారు సమీక్ష దశను కూడా Google వర్ణించింది.

ఉత్పత్తి ఇంకా మారుతూనే ఉంటుంది, కానీ ఈ ప్రవర్తన మనం ఇప్పుడే నేర్చుకున్న ఆలోచనకు ఉపయోగకరమైన నిజ జీవిత ఉదాహరణను ఇస్తుంది.

ఉత్పత్తి పేరుపై మాత్రమే దృష్టి పెట్టకండి.

నమూనాపై దృష్టి పెట్టండి:

లక్ష్యం → దశలను నిర్ణయించడం → అందుబాటులో ఉన్న సామర్థ్యాలను ఉపయోగించడం → ఏం జరుగుతుందో గమనించడం → తర్వాత ఏం చేయాలో నిర్ణయించడం.

మరి “ఏజెంటిక్ AI” (Agentic AI) అంటే ఏమిటి?

ఇక్కడే పదజాలం అంత చక్కగా ఉండదు.

మీకు ఇలాంటి పదాలు ఎదురుకావచ్చు:

• AI ఏజెంట్
• స్వయంప్రతిపత్తి గల ఏజెంట్
• ఏజెంటిక్ వర్క్‌ఫ్లో (agentic workflow)
• ఏజెంటిక్ వ్యవస్థ (agentic system)
• ఏజెంటిక్ AI.

పరిశ్రమ అంతటా ఈ పదాలను పూర్తిగా స్థిరమైన హద్దులతో ఉపయోగించడం లేదు.

ఉదాహరణకు, Anthropic నమూనాలు మరియు టూల్స్ ముందే నిర్వచించిన కోడ్ మార్గాల ద్వారా పని చేసే వర్క్‌ఫ్లోలను (workflows), నమూనా తన ప్రక్రియను మరియు టూల్ వినియోగాన్ని డైనమిక్‌గా నడిపించే ఏజెంట్ల నుంచి వేరు చేస్తుంది. రెండు రకాల ఆర్కిటెక్చర్ల గురించి మాట్లాడేటప్పుడు అది ఏజెంటిక్ వ్యవస్థలు అనే పదాన్ని మరింత విస్తృతంగా ఉపయోగిస్తుంది.

ఇతర సంస్థలు కొంత భిన్నమైన భాషను ఉపయోగిస్తాయి.

కాబట్టి విశ్వవ్యాప్తంగా ఆమోదించిన ఒకే మూడు పెట్టెల వర్గీకరణ ఉందని మనం నటించకూడదు.

బదులుగా, మన డెలివరీ సమస్యకు తిరిగి వెళ్దాం.

మన డెలివరీ ఏజెంట్ ఒక పెద్ద వ్యాపార వ్యవస్థ లోపల పని చేస్తోందని ఊహించండి.

అది వీటితో సంకర్షణ చెందవచ్చు:

• ఒక AI నమూనా
• ఆర్డర్ నిర్వహణ వ్యవస్థ
• కొరియర్ ట్రాకింగ్
• కస్టమర్ రికార్డులు
• కంపెనీ విధానాలు
• నిర్ణీత (deterministic) వ్యాపార నియమాలు
• ఆమోద పరిమితులు
• ఒక మానవ సపోర్ట్ ఉద్యోగి
• బహుశా ఇతర ప్రత్యేక AI సామర్థ్యాలు.

ఇప్పుడు ఆసక్తికరమైన ప్రశ్న ఇక కేవలం ఇది కాదు:

“నమూనా ఒక జవాబును ఉత్పత్తి చేయగలదా?”

నిర్వచించిన హద్దుల్లో నిర్ణయించుకుంటూ, సమన్వయం చేసుకుంటూ, చర్య తీసుకుంటూ ఒక లక్ష్యాన్ని సాధించడం చుట్టూ వ్యవస్థ నిర్మితమై ఉంది.

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

ఏజెంటిక్ వ్యవస్థ అని లేబుల్ చేసిన గుండ్రని చట్రంలో ఇవి ఉన్నాయి: పైన ఒక లక్ష్యం, దాని కింద AI ఏజెంట్, తర్వాత పక్కపక్కనే మూడు ఇన్‌పుట్‌లు, టూల్స్ (బయటి వ్యవస్థలు), డేటా (కస్టమర్ సందర్భం) మరియు విధానాలు (వ్యాపార నియమాలు), అన్నీ ఒక నిర్ణయానికి అందుతాయి. నిర్ణయం అనుమతి హద్దు గుండా వెళ్లి ఎడమవైపు చర్యకు లేదా కుడివైపు మానవ సమీక్షకు దారి తీస్తుంది.

కాబట్టి ఏజెంటిక్ AI ని అర్థం చేసుకోవడానికి ఒక ఉపయోగకరమైన మార్గం:

లక్ష్యాలను సాధించడానికి, నిర్ణయాలు తీసుకోవడానికి, అందుబాటులో ఉన్న సామర్థ్యాలను ఉపయోగించడానికి, మరియు కొంత మేర స్వతంత్రతతో చర్యలు తీసుకోవడానికి లేదా సమన్వయం చేయడానికి రూపొందించిన AI.

మళ్లీ చెబుతున్నాం, దీన్ని విశ్వవ్యాప్తంగా ప్రామాణీకరించిన నిర్వచనంగా కాకుండా ఆచరణాత్మక వివరణగా చూడండి.

మరియు ఈ సంబంధాన్ని ఇలా ఊహించుకోకండి:

Generative AI → AI Agent → Agentic AI

ఒక సాంకేతికత మునుపటి దాని స్థానాన్ని తీసుకున్నట్టుగా.

ఒక జనరేటివ్ నమూనా ఒక ఏజెంట్‌కు శక్తినివ్వవచ్చు.

ఒక ఏజెంట్ ఒక ఏజెంటిక్ వ్యవస్థ లోపల పని చేయవచ్చు.

ఆ వ్యవస్థలో సాధారణ సాఫ్ట్‌వేర్, నిర్ణీత నియమాలు, టూల్స్, విధానాలు మరియు మనుషులు కూడా ఉండవచ్చు.

ఈ భావనలు ఒకదానితో ఒకటి కలిసిపోతాయి.

AI చర్య తీసుకోగలిగినప్పుడు నిజమైన మార్పు మరింత స్పష్టమవుతుంది

మన కస్టమర్ సమస్యకు మరోసారి తిరిగి వెళ్దాం.

మనం వ్యవస్థకు ఇలా చెప్పామనుకోండి:

“సాధారణ డెలివరీ సమస్యలను నిర్వహించండి. మన విధానం రీప్లేస్‌మెంట్‌ను అనుమతిస్తే, దాన్ని ఏర్పాటు చేయండి. మినహాయింపులను ఒక వ్యక్తికి ఎస్కలేట్ చేయండి.”

వ్యవస్థ తప్పిపోయిన పార్శిల్ గురించి విచారిస్తుంది.

షిప్‌మెంట్ బహుశా పోయిందని అది నిర్ధారిస్తుంది.

అది కంపెనీ విధానాన్ని తనిఖీ చేస్తుంది.

కస్టమర్ రీప్లేస్‌మెంట్‌కు అర్హులు.

ఇప్పుడు మనం ఒక ముఖ్యమైన ప్రశ్న వద్దకు చేరుకుంటాం:

రీప్లేస్‌మెంట్ ఆర్డర్‌ను AI తానే సృష్టించడానికి అనుమతి ఉందా?

అది కేవలం సిఫార్సు చేయడం కంటే భిన్నమైనది.

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

ఏజెంట్ విచారించి, షిప్‌మెంట్ బహుశా పోయిందని నిర్ణయిస్తుంది. అది ఒక చర్యను ప్రతిపాదిస్తుంది, రీప్లేస్‌మెంట్ ఆర్డర్ సృష్టించడం. విధానం, పరిమితులు మరియు సున్నితత్వం ప్రకారం దీనికి అనుమతి ఉందా అని ఒక నిర్ణయం అడుగుతుంది. అవును అయితే AI చర్య తీసుకుంటుంది, బయటి వ్యవస్థ మారుతుంది: ఇప్పుడు నిజమైన ఆర్డర్ ఉంది. లేదు అయితే, లేదా కేసు సున్నితమైనదైతే, ఒక వ్యక్తి సమీక్షించి ఆమోదిస్తారు లేదా తిరస్కరిస్తారు.

శీర్షిక: సిఫార్సు తప్పు కావచ్చు. చర్య తప్పు కావచ్చు మరియు నిజమైనదేదో మార్చేయవచ్చు.

ఒక AI వ్యవస్థ మరో వ్యవస్థను మార్చగలిగిన తర్వాత, దాని నిర్ణయాల పర్యవసానాలు మరింత ముఖ్యమవుతాయి.

ఉత్పత్తి చేసిన ఒక వాక్యం తప్పు కావచ్చు.

ఒక వ్యవస్థ చర్య తప్పు కావచ్చు మరియు నిజమైన వర్క్‌ఫ్లోలో ఏదో మార్చేయవచ్చు.

అందుకే అధికారం (authority) ముఖ్యం.

మంచి ప్రశ్న అడగండి: AI కి ఏం చేయడానికి అనుమతి ఉంది?

ఒక ఉత్పత్తిలో “AI ఏజెంట్” ఉందని ఎవరైనా మీకు చెబితే, ఆ లేబుల్ దగ్గరే ఆగిపోకండి.

AI నిజంగా ఏం చేయగలదో అడగండి.

వ్యవస్థను పరిశీలించడానికి ఒక ఉపయోగకరమైన మార్గం:

సృష్టించడం (CREATE)

అది టెక్స్ట్, చిత్రాలు, కోడ్ లేదా ఇతర కంటెంట్‌ను ఉత్పత్తి చేయగలదా?

చదవడం (READ)

అది ఫైళ్లు, డేటాబేస్‌లు, వెబ్‌సైట్లు లేదా అప్లికేషన్ల నుంచి సమాచారాన్ని తెచ్చుకోగలదా?

నిర్ణయించడం (DECIDE)

తర్వాత ఏ దశ జరగాలో అది ఎంచుకోగలదా?

చర్య తీసుకోవడం (ACT)

అది మరో వ్యవస్థను మార్చగలదా, ఏదైనా పంపగలదా, ఏదైనా సృష్టించగలదా, ఏదైనా ఆమోదించగలదా లేదా ఒక ఆపరేషన్‌ను అమలు చేయగలదా?

కొనసాగించడం (CONTINUE)

ప్రతి ఒక్క చర్యను ఒక వ్యక్తి నిర్దేశించకుండానే అది అనేక దశల పాటు పని చేస్తూ ఉండగలదా?

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

మొదటి వరుస, సామర్థ్యం: సృష్టించడం, చదవడం, నిర్ణయించడం, చర్య తీసుకోవడం. రెండో వరుస, అధికారం: మనిషి చర్య చేయడం నుంచి AI అనుమతించిన చర్య చేయడం వరకు ఒక స్కేల్. మూడో వరుస, స్వతంత్రత: ఒక జవాబు నుంచి అనేక దశల పాటు లక్ష్యాన్ని సాధించడం వరకు ఒక స్కేల్.

శీర్షిక: అది ఏం నిర్ణయించగలదు, దేన్ని యాక్సెస్ చేయగలదు, ఏం మార్చగలదు?

ప్రతి AI ఉత్పత్తిని ఒక శాశ్వత వర్గంలో పెట్టడానికి ప్రయత్నించడం కంటే ఇది ఎక్కువ ఉపయోగకరం.

అడగండి:

అది ఏం నిర్ణయించగలదు?

అది దేన్ని యాక్సెస్ చేయగలదు?

అది ఏం మార్చగలదు?

మార్కెటింగ్ లేబుల్ కంటే ఈ ప్రశ్నలు వ్యవస్థ గురించి చాలా ఎక్కువ వెల్లడిస్తాయి.

కానీ ఇది కేవలం ఆటోమేషన్ కాదా?

కొన్నిసార్లు అవును.

మరియు కొన్నిసార్లు AI అనేది ఒక సంప్రదాయ ఆటోమేటెడ్ ప్రక్రియలో ఒక భాగం మాత్రమే.

ఒక కంపెనీకి ఈ నియమం ఉందనుకోండి:

ఇన్‌వాయిస్ మొత్తం $10,000 కంటే ఎక్కువైతే, దాన్ని మేనేజర్ ఆమోదానికి పంపండి.

అది ఆటోమేషన్ (automation).

మార్గం ముందే నిర్ణయించబడింది.

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

ఇన్‌వాయిస్, తర్వాత మొత్తం 10,000 డాలర్ల కంటే ఎక్కువా అనే తనిఖీ, తర్వాత అవును, తర్వాత మేనేజర్ ఆమోదం.

ఇప్పుడు AI ఒక స్కాన్ చేసిన ఇన్‌వాయిస్‌ను చదివి మొత్తాన్ని తీస్తుందనుకోండి.

ప్రక్రియలో AI సహాయపడింది.

కానీ మార్గం ఇంకా ముందే నిర్ణయించినదే కావచ్చు:

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

ఇన్‌వాయిస్, తర్వాత AI మొత్తాన్ని తీస్తుంది, తర్వాత ఉన్న వ్యాపార నియమం వర్తిస్తుంది, తర్వాత మేనేజర్ ఆమోదం.

AI ని జోడించినంత మాత్రాన వర్క్‌ఫ్లో ఆటోమేటిక్‌గా ఏజెంట్‌గా మారలేదు.

ఇప్పుడు వేరే లక్ష్యాన్ని పరిశీలించండి:

“ఈ ఇన్‌వాయిస్ ఎందుకు అసాధారణంగా కనిపిస్తోందో విచారించండి.”

వ్యవస్థ వీటిని పరిశీలించాలని నిర్ణయించవచ్చు:

• పర్చేస్ ఆర్డర్
• మునుపటి ఇన్‌వాయిస్‌లు
• పరిమాణాలు
• ధరల చరిత్ర
• సరఫరాదారు సమాచారం
• మద్దతు పత్రాలు.

అది తర్వాత ఏం తనిఖీ చేస్తుందనేది అది ఏం కనుగొంటుందనే దానిపై ఆధారపడి ఉండవచ్చు.

అది భిన్నమైన ప్రవర్తన.

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

ఎడమ ప్యానెల్, సంప్రదాయ వర్క్‌ఫ్లో: ఇన్‌పుట్, దశ A, దశ B, నియమం, దశ C, స్థిర క్రమంలో. మార్గాన్ని ముందే రూపొందించారు.

కుడి ప్యానెల్, ఏజెంట్: లక్ష్యం, ఏం పరిశీలించాలో నిర్ణయించడం, టూల్ ఉపయోగించడం, గమనించడం, తదుపరి దశ, నిర్ణయించడానికి తిరిగి వెళ్లే లూప్‌తో. మార్గం అది ఏం కనుగొంటుందనే దానిపై ఆధారపడి ఉంటుంది.

శీర్షిక: ఆటోమేషన్ మనం రూపొందించిన మార్గాన్ని అనుసరిస్తుంది. ఏజెంట్‌కు మార్గాన్ని ఎంచుకోవడంలో కొంత బాధ్యత ఉండవచ్చు.

వర్క్‌ఫ్లోలు మరియు ఏజెంట్ల మధ్య Anthropic చూపిన తేడా ఇక్కడ ఉపయోగపడుతుంది: వర్క్‌ఫ్లోలు ముందే నిర్వచించిన కోడ్ మార్గాలను ఉపయోగిస్తాయి, ఏజెంట్లు ప్రక్రియలోని భాగాలను మరియు టూల్ వినియోగాన్ని నమూనా డైనమిక్‌గా నడిపించడానికి అనుమతిస్తాయి.

దీన్ని గుర్తుంచుకోవడానికి ఒక సులభ మార్గం:

ఆటోమేషన్ మనం రూపొందించిన మార్గాన్ని అనుసరిస్తుంది. ఏజెంట్‌కు మార్గాన్ని ఎంచుకోవడంలో కొంత బాధ్యత ఉండవచ్చు.

మళ్లీ చెబుతున్నాం, ఇది బోధన కోసం వాడిన భాష మాత్రమే, ప్రతి నిజమైన వ్యవస్థ ఏదో ఒక వైపు చక్కగా సరిపోతుందనే వాదన కాదు.

ఆచరణలో, బలమైన వ్యవస్థలు తరచుగా రెండింటినీ కలుపుతాయి.

కొన్ని నిర్ణయాలను నిర్ణీత సాఫ్ట్‌వేర్ బాగా నిర్వహిస్తుంది.

కొన్ని పనులకు AI తర్కం ఉపయోగపడుతుంది.

ప్రతి నిర్ణయానికీ AI అవసరం లేదు.

ఏజెంట్‌ను మొదలుపెట్టడానికి ఎప్పుడూ ఒక వ్యక్తి అవసరమా?

లేదు.

ఇప్పటివరకు, మన ఉదాహరణలు ఒక వ్యక్తి ఏదో అడగడంతో మొదలయ్యాయి.

కానీ ఒక IT వ్యవస్థను ఊహించండి.

తెల్లవారుజామున 2:15 a.m. కి, ఒక అప్లికేషన్ అందుబాటులో లేకుండా పోయిందని మానిటరింగ్ గుర్తిస్తుంది.

చాట్‌బాట్ వద్ద కూర్చొని ఇలా టైప్ చేసే ఉద్యోగి ఎవరూ లేరు:

“దయచేసి ఈ అంతరాయాన్ని విచారించండి.”

మానిటరింగ్ ఈవెంట్ అదే పనిని ప్రేరేపించగలదు.

ఒక ఏజెంట్ బహుశా ఇవి చేయగలదు:

1. ఇన్సిడెంట్‌ను స్వీకరించడం
2. మానిటరింగ్ సమాచారాన్ని పరిశీలించడం
3. ఇటీవలి మార్పులను పరిశీలించడం
4. ఆపరేషనల్ పరిజ్ఞానాన్ని సంప్రదించడం
5. ఇలాంటి ఇన్సిడెంట్లను పోల్చడం
6. తగిన తదుపరి దశను నిర్ణయించడం
7. అనుమతించిన చర్యలు చేయడం లేదా ఎస్కలేట్ చేయడం.

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

తెల్లవారుజామున 2:15 a.m. కి ఒక వ్యవస్థ ఈవెంట్, అప్లికేషన్ అందుబాటులో లేదు, ఏ చాట్ ప్రాంప్ట్ లేకుండానే ఏజెంట్‌ను ప్రేరేపిస్తుంది. ఏజెంట్ మానిటరింగ్ డేటా మరియు ఇటీవలి మార్పులను విచారించి, మూల్యాంకనం చేసి, నిర్ణయించి, ఆపై అనుమతించిన చర్య చేస్తుంది లేదా ఒక వ్యక్తికి ఎస్కలేట్ చేస్తుంది.

శీర్షిక: ఏజెంటిక్ AI చాట్‌బాట్‌లా కనిపించాల్సిన అవసరం లేదు.

Microsoft Copilot Studio లో స్వయంప్రతిపత్తి గల ఏజెంట్ నమూనాలను డాక్యుమెంట్ చేస్తుంది, ఇక్కడ ఏజెంట్లు తమకు కాన్ఫిగర్ చేసిన ట్రిగ్గర్లు, సూచనలు మరియు హద్దులకు లోబడి, వినియోగదారు ప్రాంప్ట్ కోసం ఎదురు చూడకుండా ఈవెంట్లకు స్పందించగలవు, నిర్ణయాలు తీసుకోగలవు మరియు పనులను అమలు చేయగలవు.

ఇది మనకు ముఖ్యమైన విషయాన్ని నేర్పుతుంది:

ఏజెంటిక్ AI చాట్‌బాట్‌లా కనిపించాల్సిన అవసరం లేదు.

మరో వ్యవస్థలో ఏదో జరిగినందువల్ల పని మొదలు కావచ్చు.

మనం మనిషిని తొలగించాలా?

తప్పనిసరిగా కాదు.

మన డెలివరీ ఏజెంట్ రీప్లేస్‌మెంట్లు జారీ చేయగలదని ఊహించండి.

ఒక కంపెనీ ఇలా నిర్ణయించవచ్చు:

$100 వరకు రీప్లేస్‌మెంట్ విలువ: విధాన షరతులన్నీ నెరవేరితే ఏజెంట్ ముందుకు వెళ్లవచ్చు.

కానీ:

$4,000 రీప్లేస్‌మెంట్ విలువ: మానవ ఆమోదం (human approval) తప్పనిసరి.

AI ఇంకా విచారణలో చాలా భాగాన్ని చేయగలదు.

ముఖ్యమైన హద్దు అధికారం.

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

ప్రతిపాదిత చర్య, రీప్లేస్‌మెంట్ జారీ చేయడం, అధికార పరిధిలో ఉందా అనే ప్రశ్న వద్దకు చేరుతుంది. అవును అయితే, ఉదాహరణకు విధాన షరతులన్నీ నెరవేరిన 100 డాలర్ల వరకు రీప్లేస్‌మెంట్, ఏజెంట్ చర్య తీసుకుంటుంది. లేదు అయితే, ఉదాహరణకు 4,000 డాలర్ల రీప్లేస్‌మెంట్, ఒక వ్యక్తి సమీక్షించి ఆమోదిస్తారు లేదా తిరస్కరిస్తారు.

శీర్షిక: AI ఏ నిర్ణయాలు తీసుకోవచ్చు, ఏవి మనుషుల వద్దే ఉండాలి?

ఇది తప్పనిసరిగా ఏజెంట్‌లో బలహీనత కాదు.

ఇది ఉద్దేశపూర్వక వ్యవస్థ రూపకల్పన కావచ్చు.

స్వయంప్రతిపత్తి గల ఏజెంట్ల కోసం Microsoft మార్గదర్శకత్వం పరిమిత అనుమతులు, స్పష్టమైన నిర్ణయ హద్దులు మరియు కీలక చర్యలకు మానవ పర్యవేక్షణను నొక్కి చెబుతుంది.

కాబట్టి ఉపయోగకరమైన ప్రశ్న ఇది కాదు:

“మనం మనిషిని తొలగించగలమా?”

ఇది:

“AI ఏ నిర్ణయాలు తీసుకోవచ్చు, ఏ నిర్ణయాలు మనుషుల వద్దే ఉండాలి?”

మానవ సమీక్ష (human review) సహాయపడుతుంది, కానీ అది మాయాజాలం కాదు

మరో ముఖ్యమైన పరిమితి ఉంది.

ఇలా చెప్పే ఒక రేఖాచిత్రాన్ని రూపొందించడం సులభం:

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

ప్రమాదకర చర్య, తర్వాత మానవ సమీక్ష, తర్వాత సురక్షితం.

వాస్తవం మరింత సంక్లిష్టంగా ఉంటుంది.

AI ప్రవర్తన సంభావ్యతపై (probabilistic) ఆధారపడి ఉండవచ్చు.

Microsoft హెచ్చరించింది, కంప్యూటర్ వినియోగ ఏజెంట్లకు మానవ పర్యవేక్షణ సందర్భంలో, ఒక వ్యక్తి అది ఆగుతుందని ఆశించే ప్రతి పరిస్థితిలోనూ ఏజెంట్ ఎల్లప్పుడూ మానవ సమీక్షను కోరకపోవచ్చని.

అంటే మానవ ఆమోదం ఒక ముఖ్యమైన నియంత్రణ, కానీ దాన్ని మాయాజాల హామీగా భావించకూడదు.

వ్యవస్థ యొక్క వాస్తవ ప్రమాదాలు మరియు అధికారం చుట్టూ నియంత్రణలను రూపొందించాలి.

ఏజెంట్ ఏదైనా తప్పు చేస్తే?

మరో కస్టమర్ సందేశాన్ని పరిశీలించండి:

“మీరు వాగ్దానం చేసిన రీఫండ్ నాకు ఇంకా అందలేదు.”

AI ఖాతా చరిత్రను తప్పుగా అర్థం చేసుకుందనుకోండి.

అది కేవలం జవాబును డ్రాఫ్ట్ చేస్తుంటే, ఏదైనా జరగక ముందే ఒక వ్యక్తి ఆ తప్పును పట్టుకోవచ్చు.

కానీ రీఫండ్లు జారీ చేయడానికి వ్యవస్థకు అధికారం ఉందని ఊహించండి.

ఇప్పుడు మార్గం ఇలా మారవచ్చు:

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

గొలుసు: రీఫండ్ గురించి కస్టమర్ అభ్యర్థన, AI ఖాతా చరిత్రను తప్పుగా చదివే తప్పు అవగాహన, రీఫండ్ ఇవ్వాల్సి ఉందనే తప్పు నిర్ణయం, AI తానే రీఫండ్ జారీ చేసే తప్పు చర్య, మరియు డబ్బు కదిలిన బయటి వ్యవస్థ మార్పు.

పక్క గమనిక: AI కేవలం జవాబును డ్రాఫ్ట్ చేస్తే, ఒక వ్యక్తి ముందుగా తప్పును పట్టుకోగలరు. రీఫండ్లు జారీ చేయడానికి AI కి అధికారం ఉంటే, అదే తప్పు నిజమైన వ్యవస్థను మారుస్తుంది.

శీర్షిక: మూలంలో ఉన్న తప్పు ఒకేలా ఉండవచ్చు. పర్యవసానం మాత్రం కాదు.

మూలంలో ఉన్న AI తప్పు ఒకేలా ఉండవచ్చు.

పర్యవసానం మాత్రం కాదు.

అందుకే AI వ్యవస్థలకు అధికారం పెరిగే కొద్దీ అనుమతులు, పరిమితులు మరియు ఆడిట్ సామర్థ్యం మరింత ముఖ్యమవుతాయి.

AI ఏజెంట్ భద్రతపై NIST పని ఏజెంట్ గుర్తింపు, అధికారీకరణ, డెలిగేషన్, టూల్స్ మరియు అప్లికేషన్లకు యాక్సెస్, ఆడిటింగ్ మరియు ప్రాంప్ట్ ఇంజెక్షన్ (prompt injection) వంటి దాడులతో సహా పలు అంశాలను ముందుకు తెచ్చింది.

గుర్తుంచుకోవాల్సిన ఒక ఉపయోగకరమైన సంబంధం:

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

వరుసగా మూడు పేర్చిన పట్టీలు: ఎక్కువ అధికారం (AI ఎక్కువ వ్యవస్థలను మార్చగలదు), ఎక్కువ సాధ్యమైన పర్యవసానం (తప్పు నిర్ణయం మరింత దూరం చేరుతుంది), బలమైన నియంత్రణలు (వ్యవస్థ ఏం మార్చగలదో దానికి తగ్గట్టు). ఆరు నియంత్రణలు జాబితా చేశారు: అనుమతులు, హద్దులు, ఆమోదాలు, మానిటరింగ్, ఆడిట్ మరియు రికవరీ.

శీర్షిక: వ్యవస్థ ఏం మార్చగలదో దానికి తగ్గట్టు నియంత్రణలు ఉండాలి.

స్వయంప్రతిపత్తి గల వ్యవస్థలు ఆటోమేటిక్‌గా అసురక్షితమని దీని అర్థం కాదు.

వ్యవస్థ ఏం మార్చగలదో దానికి తగ్గట్టు నియంత్రణలు ఉండాలని దీని అర్థం.

ఏం జరుగుతోందో మీరు గుర్తించగలరా?

ముగించే ముందు, ఈ ఉదాహరణలను ప్రయత్నించండి.

లేబుల్ కంటే మూడు ప్రశ్నలు ఎక్కువ ఉపయోగకరం

జనరేటివ్ AI, AI ఏజెంట్లు మరియు ఏజెంటిక్ AI ఉపయోగకరమైన పదాలు.

కానీ హద్దులు పరిపూర్ణంగా లేవు.

ఉత్పత్తులు సామర్థ్యాలను కలుపుతాయి.

నిర్వచనాలు మారుతూనే ఉంటాయి.

మరియు విక్రేతలు ఎప్పుడూ పదజాలాన్ని సరిగ్గా ఒకే విధంగా ఉపయోగించరు.

కాబట్టి మీకు కొత్త “AI ఏజెంట్” ఎదురైనప్పుడు, లేబుల్ గురించి వాదించడంతో మొదలుపెట్టకండి.

మూడు ప్రశ్నలతో మొదలుపెట్టండి:

అది ఏం నిర్ణయించగలదు?

అది దేన్ని యాక్సెస్ చేయగలదు?

అది ఏం మార్చగలదు?

AI కి నిజంగా ఎంత బాధ్యత ఉందో ఈ ప్రశ్నలు మీకు చెబుతాయి.

సహజంగానే నాలుగో ప్రశ్న వస్తుంది:

మానవ అధికారం ఎక్కడ మిగిలి ఉంటుంది?

వ్యవస్థ కేవలం డ్రాఫ్ట్ మాత్రమే సృష్టిస్తే, జవాబు సాపేక్షంగా సరళం.

అది పరిశోధన చేసి, దశలను ఎంచుకొని, టూల్స్‌ను పిలిచి, నిర్ణయాలు తీసుకొని, బయటి వ్యవస్థలను మార్చగలిగితే, రూపకల్పన సమస్య చాలా ఆసక్తికరంగా మారుతుంది.

ఈ చిత్రానికి అందుబాటు టెక్స్ట్ ప్రత్యామ్నాయం

వరుసగా మూడు కార్డులు. జనరేటివ్ AI: నేను మీ కోసం ఏం సృష్టించగలను? AI ఏజెంట్: మనం ఏ లక్ష్యాన్ని సాధించాలనుకుంటున్నాం, నేను తర్వాత ఏం చేయాలి? ఏజెంటిక్ ఆపరేషన్: ఆ లక్ష్యాన్ని సాధించడంలో సహాయపడటానికి AI ఏ హద్దుల్లో ఏం నిర్ణయించి చేయగలదు?

గమనిక: ఇది కఠినమైన నిచ్చెన కాదు, ఎక్కువ బాధ్యతతో AI పాత్ర ఎలా మారుతుందో గమనించే మార్గం.

దీన్ని కఠినమైన పరిపక్వత నిచ్చెనగా చదవకండి.

మనం AI కి ఎక్కువ బాధ్యత ఇచ్చే కొద్దీ AI పాత్ర ఎలా మారుతుందో గమనించే ఒక మార్గంగా దీన్ని చదవండి.

ఆ తేడా స్పష్టమైన తర్వాత, మరో ప్రశ్న చాలా ఆసక్తికరంగా మారుతుంది:

ఇదంతా పని చేయడానికి తెర వెనుక నిజంగా ఏం జరుగుతోంది?

అక్కడే సాంకేతిక ప్రయాణం మొదలవుతుంది.

ఈ సిరీస్‌లో తదుపరి

జనరేటివ్ AI, AI ఏజెంట్లు మరియు ఏజెంటిక్ AI: అవి లోపల ఎలా పని చేస్తాయి

తదుపరి వ్యాసం ఇంటర్‌ఫేస్ వెనుకకు వెళ్తుంది.

మనం ఒక అభ్యర్థనను సాంకేతిక వ్యవస్థ ద్వారా అనుసరిస్తూ, నమూనాలు జవాబులను ఎలా ఉత్పత్తి చేస్తాయో, టూల్స్‌ను ఎలా పిలుస్తారో, ఏజెంట్లు ఎలా ప్రణాళిక వేసి గమనిస్తాయో, మెమరీ మరియు స్టేట్ ఎలా పని చేస్తాయో, ఏజెంటిక్ వర్క్‌ఫ్లోలు చర్యలను ఎలా సమన్వయం చేస్తాయో, మరియు భద్రత, విశ్వసనీయత మరియు మానవ నియంత్రణ యంత్రాంగాలు ఎక్కడ సరిపోతాయో పరిశీలిస్తాం.

రిఫరెన్సులు మరియు మరింత చదవడానికి

కింది ప్రతి మూలాన్ని 6 అక్టోబర్ 2026 న తెరిచి, దాన్ని ఉదహరించే వాక్యంతో సరిపోల్చి తనిఖీ చేశాం.

1. Anthropic: Building Effective Agents. ఆగ్మెంటెడ్ LLM లు, వర్క్‌ఫ్లోలు మరియు ఏజెంట్ల మధ్య తేడాకు ప్రాథమిక ఆధారం, ముందే నిర్వచించిన ఆర్కెస్ట్రేషన్ మరియు నమూనా నడిపించే ప్రక్రియ మరియు టూల్ వినియోగం మధ్య తేడాతో సహా.
2. Google Cloud: What are AI agents?. లక్ష్య సాధనకు మరియు తర్కించడం, ప్రణాళిక వేయడం, మెమరీ మరియు స్వయంప్రతిపత్తితో సహా సాధారణంగా వర్ణించే ఏజెంట్ సామర్థ్యాలకు ప్రాథమిక ఆధారం.
3. Google: Gemini Deep Research overview. Deep Research ఒక స్వయంప్రతిపత్తి గల పరిశోధన ఏజెంట్ అనడానికి, దాని ప్రణాళిక సమీక్ష దశకు మరియు దాని పునరావృత పరిశోధన ప్రవర్తనకు ప్రాథమిక ఉత్పత్తి ఆధారం.
4. Microsoft Learn: Event triggers overview, Microsoft Copilot Studio. ఈవెంట్ ద్వారా ప్రేరేపితమయ్యే స్వయంప్రతిపత్త కార్యకలాపాలు, ఏజెంట్ సూచనలు, ట్రిగ్గర్ పరిధి మరియు స్వయంప్రతిపత్తి గల ఏజెంట్ల కోసం Microsoft డాక్యుమెంట్ చేసిన డేటా రక్షణ హద్దులకు ప్రాథమిక ఆధారం.
5. Microsoft Learn: Human supervision of computer use, Microsoft Copilot Studio. సంభావ్యతపై ఆధారపడే ఏజెంట్ ప్రవర్తనలో మానవ సమీక్ష యంత్రాంగాల పరిమితులకు ప్రాథమిక ఆధారం.
6. Salesforce: Agentforce. కస్టమర్ సర్వీస్ ఏజెంట్ వినియోగ సందర్భాలకు మరియు అవసరమైన చోట మానవ సపోర్ట్‌కు అప్పగించడానికి ప్రాథమిక ఉత్పత్తి ఆధారం.
7. NIST: New Concept Paper on Identity and Authority of Software Agents (February 2026). ఏజెంట్ గుర్తింపు, అధికారీకరణ, ఆడిటింగ్ మరియు నిరాకరణ నిరోధం, డేటా, టూల్స్ మరియు అప్లికేషన్లకు యాక్సెస్, మరియు ప్రాంప్ట్ ఇంజెక్షన్ నియంత్రణలకు స్వతంత్ర ఆధారం.
8. OpenAI Help Center: ChatGPT capabilities overview. డ్రాఫ్ట్ చేయడం, తిరిగి రాయడం, సంక్షిప్తం చేయడం మరియు వివరించడం వంటి పరిచయమున్న జనరేటివ్ పనులకు ప్రాథమిక ఉత్పత్తి ఆధారం. ఇది ప్రస్తుత ఉత్పత్తిని కేవలం జనరేటివ్ గా వర్గీకరించదు.

సంపాదకీయ ఆధార గమనిక

ఈ వ్యాసంలోని కింది వాక్యాలు ఉద్దేశపూర్వకంగా TechiesJournal బోధనా నమూనాలు, పరిశ్రమ అధికారిక నిర్వచనాలు కావు:

“జనరేటివ్ AI ఏదో ఉత్పత్తి చేస్తుంది. AI ఏజెంట్ ఏదో సాధించడానికి పని చేస్తుంది.”

“ఆటోమేషన్ మనం రూపొందించిన మార్గాన్ని అనుసరిస్తుంది. ఏజెంట్‌కు మార్గాన్ని ఎంచుకోవడంలో కొంత బాధ్యత ఉండవచ్చు.”

“ఎక్కువ అధికారం → ఎక్కువ సాధ్యమైన పర్యవసానం → బలమైన నియంత్రణలు.”

అవి సాధారణ పాఠకుడి కోసం డాక్యుమెంట్ చేసిన ఆర్కిటెక్చర్ మరియు పాలనా భావనలను సరళీకరిస్తాయి.