درس‌هایی از اریکسون

چهارشنبه ۱۴ اکتبر ۲۰۲۶، در رویدادی که Blue Science Park در سالن BlackBox شهر کارلسکرونا برگزار کرد، کاترینا دونوا (مدیر سیستم) و نعمان لطیف (معمار نرم‌افزار) از شرکت اریکسون، تجربه چندساله‌شان از وارد کردن هوش مصنوعی در توسعه محصولات بزرگ را روایت کردند.

مقیاس محصولات

امروزه اریکسون دیگر فقط یک شرکت شبکه و آنتن نیست و پرتفوی نرم‌افزاری بزرگی دارد. به عنوان مثال پلتفرم کیف‌پول این شرکت در ۲۴ کشور فعال است و بیش از ۶۰۰ میلیون اکانت فعال دارد. همچنین سیستم شارژینگ و بیلینگ مدرن آن، در شش سایت آمریکا بیش از ۱۶۰ میلیون مشترک موبایل را پوشش می‌دهد.

چرا به‌کارگیری هوش مصنوعی دشوار است؟

مشکل توانایی مدل‌ها نیست. در محصولات مالی بزرگ، هزینه یک شکست بسیار بالاست و فرایندها و حفاظ‌های کیفیت، امنیت و مقیاس‌پذیری عمداً ساخته شده‌اند. هزاران توسعه‌دهنده روی بخش‌های به‌هم‌پیوسته کار می‌کنند و «از نو شروع کردن» ساده نیست. آموزش ابزارها به توسعه‌دهندگان در واقع بخش آسان کار بود، ولی فعال کردن‌شان در کل سازمان دشوار از آب در آمد.

مسیر چهارگامی

سازگارسازی با هوش مصنوعی در اریکسون یک مسیر چهار مرحله‌ای شامل شناسایی ابزار مناسب، پذیرش آن توسط توسعه‌دهندگان، ایجاد تحول در فرایندها و ایجاد مدل حاکمیتی را پیمود. انتخاب ابزار در سازمان‌های بزرگ ممکن است هفته‌ها یا ماه‌ها به طول انجامد، چون نگرانی‌ها و چالش‌هایی مانند ریسک خروج کد تولید شده از سازمان، سنجش ارزش ارائه شده، مالکیت کد و مالکیت فکری باید پاسخ بگیرند. همچنین همه توسعه دهندگان به دلایل مختلفی چون ترس از تغییر و یا نداشتن فرصت کافی برای پذیرش همکاری نشان نمی‌دهند. بنابراین آنها به سراغ افراد مشتاق (قهرمان‌ها) در سازمان رفتند موفقیت‌هایشان را به دیگران نشان دادند و پس از مدتی همه شروع به استفاده از ابزارها کردند.

از کدنویسی به جریان‌های کاری

با وجود پذیرش گسترده استفاده از ایحنت‌های هوشمند، بهره‌وری همچنان پایین به نظر می‌رسید، چون کدنویسی در واقع فقط ۱۰ تا ۱۵ درصد فرایند توسعه نرم‌افزار است. پس برای ایجاد تحول واقعی آنها کل چرخه عمر محصولات را نقشه‌برداری کردند، نقش‌ها را مشخص کردند و برای هر نقش (مانند نیازمندی، تحلیل، توسعه، تست و …) پشتیبانی مبتنی بر ایجنت‌ها ایجاد کردند. و البته هر ایجنت جدید هم مثل هر ابزار جدید به مدیریت تغییرات نیاز دارد.

چالش‌های ساخت ایجنت‌ها

• مصنوعات دوست‌دار هوش مصنوعی: اسناد سنتی (Word، Power Point، Excel و غیره) برای انسان ساخته شده‌اند. ایجنت‌ها با فرمت‌های متنی (Text) و مارک‌داون (MD) بهتر کار می‌کنند، پس آنها تمپلیت‌هایی ساختند که هم انسان و هم ایجنت‌ها بتوانند با آنها کار کنند. این مصنوعات رابط بین ایحنت‌ها در جریان کاری‌اند.
• لایه دانش: مدل زبانی درباره شرکت و محصول شما چیزی نمی‌داند. با RAG، MCP، گراف دانش یا دیتابیس‌های مبتنی بر Vector باید زمینه درست را به ایجنت داد. ساختن ایجنت ساده است، ولی ایجنتی که واقعاً ارزش بدهد به زمینه درست نیاز دارد.
• دانش ضمنی: بخشی از دانش فقط در ذهن متخصص‌ها یا گفتگوهاست. برای تبدیل این دانش ضمنی آنها Skill‌ها و جریان‌های تعاملی‌ای ساختند که از متخصص‌ها مصاحبه می‌گیرند و دانش را به مصنوع صریح تبدیل می‌کنند.
• سیستم‌های چندعاملی: یک ایجنت رهبری کننده (Orchestrator) نحوه انجام کارها توسط سایر ایجنت‌ها مدیریت می‌کند. آنها همچنین یک مدل موسوم به تیم ایجنت‌ها (کدنویس، تستر و غیره) ایجاد کرده‌اند که همچنان در حال پژوهش و کاوش بیشتر بر بهبود آن هستند.

هاب ایجنت‌ها

با افزایش تعداد ایجنت‌های هوشمند، نیاز به مدیریت چرخه عمر آنها پیدا شد. چون ابزارشان در ابتدای امر این قابلیت را نداشت، آنها یک app store داخلی برای ایجنت‌ها، Skill‌ها و فایل‌های راهبری ساختند که شامل پایپ‌لاین بررسی امنیتی، پایش، امتیازدهی و جامعه کاربری، مدل حاکمیتی، نسخه‌گذاری معنایی و بازنشستگی ایجنت‌های بلااستفاده می‌شود.

درس‌های کلیدی

تبدیل شدن به سازمان توانمند در هوش مصنوعی نه سریع است و نه سرراست؛ یک تغییر سازمانی است، نه صرفاً استقرار فناوری، و شامل اشتیاق، بدبینی، آزمون‌وخطا و ابتکارهای کند و سریع می‌شود. مدل‌ها و ابزارها مدام بهتر می‌شوند، ولی داده‌های سازمان در واقع مزیت رقابتی اصلی آن است. برنده این مسابقه دشوار لزوما سازمانی نیست که صدها ایجنت هوشمند ساخته، بلکه سازمانی است که ساختارمندترین دانش و بهترین یکپارچگی جریان‌های کاری را دارد.