تصور کنید یک محموله دارویی حساس به دما، بهدلیل نقص در سیستم سرمایشی یا تأخیر در مسیر، تنها در عرض چند ساعت کاملاً نابود شود. RescuRoute AI برای پایان دادن به این ضررهای میلیاردی، مسیرهای تحویل ثابت را با یک سامانه عاملمحور (Agentic) — شبیه به یک مدیر عملیات هوشمند که هر لحظه شرایط را میسنجد و تصمیم میگیرد — جایگزین کرده است.
مدیران لجستیک در حال حاضر با «نقاط کور» شدیدی روبهرو هستند؛ جایی که یک حادثه در مسیر منجر به نابودی کل محموله میشود، چون سیستمهای فعلی نمیتوانند درباره زمان باقیمانده تا فساد کالا استدلال کنند. طبق گزارشی که در ۳۱ اوت ۲۰۲۶ در وبسایت dev.to منتشر شد، این پروژه از ردیابی ساده فراتر رفته و به سمت «هوش تصمیمگیر» حرکت کرده است.
همانطور که در تحلیلهای قبلی ما دربارهی امنیت و قابلیت اطمینان مدلهای زبانی اشاره کردیم، ترکیب استدلال با ابزارهای دقیق، کلید خروج از توهمات مدلهاست. این سامانه که با Google Cloud و Google ADK ساخته شده، از یک خط لوله رویداد-محور پیروی میکند: رویداد محموله $\rightarrow$ Google Pub/Sub $\rightarrow$ Cloud Run $\rightarrow$ عامل RescuRoute $\rightarrow$ ابزارهای تصمیمگیری $\rightarrow$ Firestore.
به نقل از مستندات پروژه، این عامل برای سازماندهی از مدل Gemini استفاده میکند، اما نکته حیاتی اینجاست که Gemini خودش نرخ فساد را محاسبه نمیکند. در عوض، مدل بر اساس شواهد ساختاریافتهای که از ابزارهای قطعی (Deterministic) دریافت میکند، بین سه وضعیت تصمیم میگیرد:
- MONITOR: شرایط عادی است و نظارت ادامه دارد.
- REROUTE: دمای بحرانی شناسایی شده اما مسیر جایگزین مناسبی وجود دارد.
- COMMERCIAL_RESCUE: هیچ مسیر امنی باقی نمانده؛ سیستم فوراً خریداران نزدیک را برای نجات محصول شناسایی میکند.
این معماری نقش هوش مصنوعی را از یک «ماشینحساب» به یک «مدیر» تغییر میدهد. با جداسازی ریاضیات قطعی (نرخ فساد) از استدلال مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد — سیستم از توهم (Hallucination) که معمولاً لجستیکهای مبتنی بر AI را دچار خطا میکند، میپرهیزد. نتیجه برای کاربر، کاهش نرخ تلفات و بازیابی بیشتر محمولههای گرانقیمت است.
توسعهدهندگان میتوانند جزئیات کامل پیادهسازی و ۴۶ تست واحد (Unit Test) که صحت این گردشکار را تأیید کردهاند، در مخزن گیتهاب پروژه بررسی کنند.
گام بعدی شما
- بررسی معماری Event-Driven در Google Cloud برای کاهش تأخیر در پاسخدهی عاملها.
- مطالعه نحوه جداسازی لایه استدلال (Reasoning) از لایه محاسباتی برای حذف توهمات در سیستمهای حساس.
- آزمایش ابزارهای Google ADK برای تبدیل مدلهای زبانی به عاملهای عملیاتی.
اما چالش اصلی در این مسیر، مدیریت دادههای حسگرها در مقیاس جهانی است — به تحلیل ما دربارهی رایانش لبه در لجستیک مراجعه کنید. در همین راستا، استفاده از عاملهای وضعیتدار برای پردازش دادهها در لبه میتواند الگوی مشابهی برای بهینهسازی تصمیمگیریهای لحظهای در محیطهای حساس مانند کشاورزی و لجستیک باشد.
گفتگو