តើអ្វីទៅជា Agentic AI?

ក្រោយមានបទពិសោធន៍សន្ទនាជាមួយអ្នកប្រើប្រាស់ទូទៅសកលលោកប៉ុន្មានឆ្នាំមកនេះ AI ពីមុនដែលគេស្គាល់ថា Generative AI (បញ្ញាសិប្បនិម្មិតស្វ័យបង្កើត) អភិវឌ្ឍដល់កម្រិតមួយទៀត ដែលគេហៅថា Agentic AI (បញ្ញាសិប្បនិម្មិតភ្នាក់ងារ)។ យ៉ាងក៏ដោយវត្តមាន Generative AI ក៏នឹងមានបន្តធម្មតា ហើយ Agentic AI ជាប្រភេទថ្មីមួយទៀតដែលដាក់ឱ្យដំណើរការ ដោយសារវាមានតួនាទីផ្សេងពីគ្នា និងអាស្រ័យគ្នាផងដែរ។

និយាយពី Agentic AI (បញ្ញាសិប្បនិម្មិតភ្នាក់ងារ)

តាមរយៈឈ្មោះរបស់វាអាចឱ្យយើងយល់បានខ្លះអំពីបញ្ញាសិប្បនិម្មិតជំនាន់ថ្មីមួយនេះ។ Agentic មានន័យថាដែលជាភ្នាក់ងារ។ ស្ដាប់ទៅវាហាក់ដូចជា Robot (រ៉ូបត) ដែលអាចធ្វើការជំនួសមនុស្សបាន។ ហើយនេះជាការពិត Agentic AI មានសមត្ថភាពសម្រួលការងារមនុស្សបានយ៉ាងច្រើន តាមរយៈការបំពេញកិច្ចការស្វ័យប្រវត្តិដោយការវិភាគស៊ីជម្រៅ ផ្អែកលើហេុតផល និងបទពិសោធន៍របស់វា។ មុខងារនេះស្ទើរតែដូចមនុស្សយើងទៅហើយ ព្រោះថាធម្មតាយើងបំពេញការងាររាល់ថ្ងៃ ប្រើប្រាស់ពេលវេលា ជំនាញ គំនិត របស់យើងដូចគ្នាដែរ។

របៀបដំណើរការរបស់ Agentic AI

សមត្ថភាពខ្ពស់ក្នុងការបំពេញការងារដោយស្វ័យប្រវត្តិ និងប្រើប្រាស់ទិន្នន័យ និងបទពិសោធន៍របស់ខ្លួនដោះស្រាយបញ្ហាផ្សេងៗប្រកដដោយការច្នៃប្រឌិត របស់ Agectic AI អាចមានទម្រង់ផ្សេងៗពីគ្នា។ ប៉ុន្ដែគោលគំនិតនៃទម្រង់ផ្សេងៗនោះ ស្ថិតក្នុងរបៀបដូចខាងក្រោម។

ការឈ្វែងយល់ (Perception)

ប្រមូលទិន្នន័យពីបរិយាកាសរបស់វាដោយមុខងារសម្គាល់ បណ្ដាញ APIs មូលទិន្នន័យ(Database) និងការប្រាស្រ័យទាក់ទងជាមួយអ្នកប្រើប្រាស់។ សកម្មភាពនេះរួមមានការវិភាគទិន្នន័យលើអត្ថបទ រូបភាព និងទម្រង់នៃទិន្នន័យដើម្បីឈ្វែងយល់ពីកាលៈទេសៈបានល្អ។

ថ្លឹងថ្លែងហេតុផល (Reasoning)

បន្ទាប់ពីប្រមូលទិន្នន័យរួចរាល់ វាចាប់ផ្ដើមស្រាវជ្រាវនូវការយល់ធ្លុះជ្រៅសំខាន់(meaning insights)។ ប្រើប្រាស់ Natural Learning Processing (NPL) ឬ Large Learning Model (LLM) ដើម្បីវិភាគទិន្នន័យទទួលបានដើម្បីយល់បរិបទ, កំណត់ព័ត៌មានពាក់ព័ន្ធ, និងរបៀបចំយ៉ាងដំណោះស្រាយជាក់លាក់។

ការកំណត់គោលដៅ (Goal setting)

កំណត់កម្មវត្ថុយោងទៅតាមគោលដៅដែលបានគ្រោងទុក ឬគោលដៅដែលបញ្ជូលដោយអ្នកប្រើប្រាស់។ វាបង្កើតយុទ្ធសាស្ត្រដើម្បីសម្រេចគោលដៅនេះ ដោយបែងចែកផែនការសកម្មភាពលម្អិតតាមបែប decision tree, reinforcement learning ឬវិធីដោះសាស្ត្របែប Algorithms ។

ការសម្រេចចិត្ត (Decision-making)

AI វាយតម្លៃសកម្មភាពដែលអាចទៅរួចនានា និងសម្រេចចិត្តយកជម្រើសមួយផ្អែកលើកត្ដាសក្តិសិទ្ធិភាព(Efficiency) ភាពប្រាកដប្រជា(Accuracy) និងផលសម្រេចព្យាករណ៍(predicted outcomes)។ វាអាចប្រើលំនាំប្រូបាប៊ីលីតេ មុខងារ Utility ឬ Machine Learning ជាចំបងក្នុងការថ្លឹងថ្លែងហេតុផលដើម្បីកំណត់សកម្មភាពសមស្របបំផុត។

ការប្រតិបត្តិ (Execution)

ក្រោយកំណត់បានសកម្មភាពសមស្របរួច AI អនុវត្តសកម្មភាពនោះដោយការប្រាស្រ័យទាក់ទងនឹងប្រព័ន្ធខាងក្រៅ (APIs, ទិន្និន័យ, រ៉ូបត) ឬ ផ្ដល់ការឆ្លើយតបដល់អ្នកប្រើប្រាស់។

បន្តរៀន និងសម្របខ្លួន (Learning and adaptation)

ក្រោយប្រតិបត្តិការរួចរាល់ វាវាយតម្លៃលទ្ធផល ប្រមូលមតិត្រឡប់ដើម្បីពង្រឹងសមត្ថភាពក្នុងការសម្រេចចិត្តនាពេលក្រោយៗ។ តាមរយៈ reinforment learning ឬ self-suppervised learning, Agentic AI កំណត់យុទ្ធសាស្ត្រកាន់តែប្រសើរឡើងពីមួយពេលទៅមួយពេល និងអនុវត្តការងារដែលចាត់ឱ្យកាន់តែមានសក្តិសិទ្ធិភាពនៅពេលខាងមុខ។

ស៊ីចង្វាក់ (Orchestration)

ចំណុចនេះ AI Orchestration (ក្រុមបញ្ញាសិប្បនិម្មិត) រួមបញ្ចូលគ្នារវាងប្រព័ន្ធ និងភ្នាក់ងារ។ Orchestration ជាវេទិការការងារបញ្ញាសិប្បនិម្មិតដោយស្វ័យប្រវត្តិ តាមដានដំណើការសម្រេចនៃប្រតិបត្តិការ ចាត់ចែងធនធាន ត្រួតពិនិត្យលំហូរទិន្នន័យ និងអង្គចងចាំ និងដោះស្រាយប្រតិបត្តិការបរាជ័យ។

ឧទាហរណ៍នៃការងារស្វ័យប្រវត្តិដោយ Agentic AI

បញ្ញាសិប្បនិម្មិតភ្នាក់ងារ (Agentic AI) ត្រូវបានកំពុងអនុវត្តនៅក្នុងឧស្សហកម្មជាច្រើនដើម្បីប្រតិបត្តិការងារស្វ័យប្រវត្តិ និងសម្រួលដំណើរការនៃប្រតិបត្តិការ។ នេះជាឧទាហរណ៍ខ្លះៗ៖

ផលវិបាករបស់ Agentic AI

តាមរយៈការលើកឡើងខាងលើយើងបានឃើញពីគុណសម្បត្តិជាច្រើនរបស់ Agentic AI សម្រាប់អាជីវកម្ម។ ទន្ទឹមនឹងគុណសម្បត្តិនៃស្វ័យប្រវត្តិកម្មរបស់វា ស្វ័យប្រវត្តិកម្មនេះអាចនាំមកនូវប្រសិនបើ Agentic AI នោះឈានដល់ដំណាក់កាលគ្រប់គ្រងលែងបាន។