«پایان حدس زدن»؛ رویکرد Mireye برای تصمیم‌گیری عامل‌های فیزیکی

تصور کنید یک شرکت بیمه بزرگ از لیست Fortune 500، تمام عامل‌های پذیره‌نویسی هوش مصنوعی خود را به دلیل اینکه در پاسخ به سوالات خاص درباره مکان‌های فیزیکی مدام «توهم» می‌زدند و دروغ می‌گفتند، کنار بگذارد. این کابوس عملیاتی، دلیل اصلی تولد Mireye است که در ۳ سپتامبر ۲۰۲۶ برای تبدیل کردن حدس‌های مدل‌ها به داده‌های قطعی و فراهم کردن زیرساختی که عامل‌های هوش مصنوعی برای تصمیم‌گیری درباره دنیای فیزیکی به آن نیاز دارند، عرضه شد. این رویکرد در واقع تکامل یافته‌ی تلاش‌هایی است که برای حذف توهمات جغرافیایی از طریق اتصال مستقیم API به اسناد قانونی زمین آغاز شده بود.

زمینه شکست عامل‌ها

بسیاری از عامل‌های هوش مصنوعی (AI Agents) — شبیه دستیارهای اداری که همه چیز را از روی کاغذ می‌دانند اما هرگز از دفتر بیرون نرفته‌اند — در تحلیل زمین زیر پای خود کور هستند. طبق گزارش «آنش»، بنیان‌گذار این شرکت، او این مشکل را هنگام ساخت عامل‌های مربوط به صنعت ساختمان کشف کرد؛ او متوجه شد که مدل‌ها می‌توانند درباره تقریباً هر چیزی در اینترنت استدلال کنند، اما هیچ شناختی از زمین واقعی و فیزیکی ندارند.

این شکاف در محیط‌های حساس و با ریسک بالا، منجر به شکست‌های بحرانی می‌شود. به نقل از مستندات Mireye، عامل‌ها اغلب به‌جای محاسبه دقیق ریاضی، فاصله‌ها را «تخم‌چکانی» تخمین می‌زنند یا برای یک آدرس خاص، قطعه زمین اشتباهی را انتخاب می‌کنند. در برخی موارد، ناکارآمدی مدل در پردازش داده‌های جغرافیایی باعث می‌شود که عامل‌ها کل بودجه استنتاج خود را در میانه یک پردازش دسته‌ای (Batch Process) بسوزانند. Mireye در اینجا به‌عنوان یک لایه واسط دنیای فیزیکی عمل می‌کند و یک آدرس ساده را به داده‌های غنی‌شده‌ای تبدیل می‌کند که شامل جزئیات مالک، متراژ دقیق و زیرساخت‌های برق اطراف است.

جزئیات زیرساختی

بر اساس اعلام آنش، این پلتفرم صرفاً یک پایگاه‌داده با یک API نیست، بلکه مجموعه‌ای از ابزارهای مهندسی شده برای توقف شکست عامل‌ها است. این سیستم قابلیت‌های زیر را ارائه می‌دهد:

• ابزارهای قطعی (Deterministic Tools): ماشین‌حساب‌های هندسی و زمانِ رانندگی که جایگزین حدس‌های احتمالی مدل می‌شوند.
• تفکیک قطعات زمین (Parcel Resolution): نقشه‌برداری دقیق و تبدیل آدرس‌ها به قطعات قانونی زمین.
• پایش سیگنال: ارسال هشدار برای تغییرات دنیای واقعی، مانند ثبت درخواست‌های تغییر کاربری زمین (Rezoning).
• نمایه‌سازی در لحظه (On-Demand Indexing): یک عامل فعال و طولانی‌مدت که می‌تواند فیلدهای داده جدید را تحقیق، جمع‌آوری و با داده‌های مرجع (Ground Truth) تست کند و معمولاً ظرف یک روز آن‌ها را نمایه‌سازی نماید.
• مدیریت هزینه: یک نقطه اتصال (Endpoint) برای استعلام قیمت که پیش از اجرای هر شغل، هزینه آن را تخمین می‌زند تا از اتمام ناگهانی بودجه جلوگیری شود.
• مهارت‌های گردش‌کار (Workflow Skills): بسته‌های مهارتی آماده که به عامل‌ها اجازه می‌دهد کارهای پیچیده‌ای مثل غربالگری یک سایت یا پذیره‌نویسی یک آدرس را اجرا کنند. این تمرکز بر مهارت‌های عملی نشان می‌دهد که چرا صرفاً تکیه بر API Callها برای ساخت جریان‌های کاریِ قابل‌اعتماد کافی نیست و نیاز به لایه‌های استدلالی عمیق‌تر است.

چالش مهندسی داده

چالش فنی اصلی در اینجا، پراکندگی شدید داده‌های شهرستان‌های ایالات متحده است. Mireye در حال حاضر ۳۶۶ فیلد داده را مدیریت می‌کند و داده‌ها را از منابع بسیار متنوعی نرمال‌سازی می‌کند؛ از لوله‌های فاضلاب کارولینای شمالی که برای دسترسی به آن‌ها نیاز به ثبت درخواست‌های رسمی سوابق عمومی بود، تا مجموعه‌داده‌های «نام مالکان پنهان» در مریلند.

هر منبع باید جمع‌آوری شده، در یک طرحواره (Schema) واحد نرمال شود و قراردادی برای تعریف منبع و دفعات به‌روزرسانی آن تنظیم گردد. خطرناک‌ترین مقدار در این فرآیند، مقدار «خالی» یا null است. برای اینکه مدل‌ها سکوت داده را با اعداد ساختگی اما باورپذیر پر نکنند (که همان توهم یا Hallucination است)، سیستم صراحتاً نبودِ داده را تایپ می‌کند. هر فیلد یکی از سه حالت «سالم» (ok)، «غایب» (absent) یا «شکست‌خورده» (failed) را برمی‌گرداند. مشتریان اشاره کرده‌اند که همین پاسخ‌های منفی و صریح است که باعث اعتماد آن‌ها به سیستم شده است.

کاربردهای دنیای واقعی

این زیرساخت هم‌اکنون در بخش‌های متنوع به کار گرفته شده است. تیم‌های بیمه برای غربالگری سبدهای سرمایه‌گذاری جهت شناسایی ریسک‌های آتش‌سوزی، باد و سیل از آن استفاده می‌کنند و شرکت‌های رباتیک برای یافتن و تامین انبارها به آن متکی هستند. کاربردهای دیگر عبارتند از:

• فناوری املاک (Proptech): پاک‌سازی آدرس‌های نامنظم لیست‌های املاک از طریق غنی‌سازی داده‌ها.
• برنامه‌ریزی شهری: نقشه‌برداری دقیق مسیر اتوبوس‌های مدارس برای یک شهر.
• املاک تجاری: انتخاب سایت برای مراکز داده و امتیازدهی به گوشه‌های خیابان برای جایگذاری پوسترهای برندهای سلامتی.
• لجستیک: برنامه‌ریزی برای استقرار و اعزام پهپادها.
• مجامع قانونی: ارائه سیگنال‌های مکانی برای پیشبرد تحقیقات مربوط به قاچاق انسان.

برای یک کاربر تجاری، این تغییر یعنی عامل‌های هوش مصنوعی از «چت‌بات‌هایی که چیزهایی می‌دانند» به «اپراتورهایی که می‌توانند اجرا کنند» تبدیل می‌شوند. این تحول در توانمندی‌های اجرایی، مشابه همان منطقی است که در سازوکار عامل‌های محلی برای تحلیل فرصت‌های مالی در وب مشاهده شد، جایی که هدف از دانستن به «به دست آوردن» تغییر یافت. با حذف ریسک توهم جغرافیایی، شرکت‌ها بالاخره می‌توانند عامل‌ها را برای پذیره‌نویسی‌های مالی و قانونی حساس به کار بگیرند.

توسعه‌دهندگان در حال حاضر می‌توانند از طریق یک سطح رایگان شامل ۵,۰۰۰ اعتبار در ماه (بدون نیاز به کارت بانکی) به پلتفرم دسترسی داشته باشند. طرح‌های پولی نیز شامل ۱۹ دلار در ماه برای ۲۵,۰۰۰ اعتبار و ۹۹ دلار در ماه برای ۱۲۰,۰۰۰ اعتبار است. شما می‌توانید با کپی کردن Markdown مهارت‌های Mireye در یک عامل، سیستم را تست کنید و ببینید آیا می‌تواند مکانی را که شخصاً می‌شناسید، به‌طور دقیق ارزیابی کند یا خیر.

گام بعدی شما

• اگر از عامل‌های هوش مصنوعی برای تحلیل داده‌های مکانی استفاده می‌کنید، خروجی‌های آن‌ها را با یک منبع قطعی (Deterministic) تطبیق دهید.
• مستندات Mireye را بررسی کنید تا ببینید آیا مهارت‌های (Skills) آن با گردش‌کار شما سازگار است یا خیر.
• برای تست، Markdown مهارت‌های Mireye را در عامل خود قرار دهید و دقت آن را در ارزیابی یک مکان واقعی بسنجید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.