تصور کنید هر روز مجبور باشید صدها گزارش پیچیده از نارضایتی مشتریان را بخوانید تا بفهمید مشکل از کجاست؛ خسته‌کننده است، اما حالا یک مدیر در آمازون این مسیر را کاملاً خودکار کرده است. او با ترکیب Gemini و کیت توسعه عامل (ADK) گوگل، سیستمی ساخته که خلاصه‌های خام شکایات را به داده‌های ساختاریافته تبدیل می‌کند.
طبق اعلام این توسعه‌دهنده در ۲۱ اوت ۲۰۲۶، این چارچوب نیاز به برچسب‌گذاری دستی توسط سرپرستان انسانی را از بین برده است. بازبینی دستی پرونده‌ها معمولاً مقیاس‌پذیر نیست، چون وقتی گزارش‌ها را یکی‌یکی می‌خوانید، الگوهای تکراری در میان ده‌ها تعامل به‌راحتی گم می‌شوند. این پروژه دقیقاً روی نقطه ضعف پشتیبانی سازمانی دست گذاشته است: تشخیص اینکه آیا خشم مشتری از یک نقص در سیاست‌های شرکت است، یا خطای آموزشی کارکنان و محدودیت‌های سیستمی.
همان‌طور که در تحلیل قبلی ما درباره‌ی استفاده از مدل‌های زبانی برای اصلاح لحن و بیان اشاره کردیم، این پیاده‌سازی حالا روی استخراج ساختاریِ بینش‌های عملی تمرکز کرده است.
این عامل به صورت یک سرویس زنده روی Cloud Run مستقر شده و از معماری فنی زیر استفاده می‌کند:
- مدل هسته: Gemini به عنوان موتور استدلال — شبیه شطرنج‌بازی که چند حرکت جلوتر را می‌بیند تا بهترین جواب را پیدا کند — عمل می‌کند.
- ابزارها: یک تابع جست‌وجوی اختصاصی برای طبقه‌بندی ریشه‌ای، تضمین می‌کند که دسته‌بندی‌ها بدون نیاز به تغییر در پرامپت، ثابت بمانند.
- قالب خروجی: سیستم خروجی‌های ثابت JSON تولید می‌کند که شامل فیلدهایی برای «دسته‌بندی علت ریشه‌ای»، «شدت» و «احتمال تکرار الگو» است.
- پردازش دسته‌ای: یک اسکریپت اجراکننده سفارشی اجازه می‌دهد کل فایل‌های CSV پرونده‌ها برای گزارش‌های هفتگی پردازش شوند.
به گزارش وب‌سایت dev.to، تعریف شش دسته‌بندی شفاف و بدون هم‌پوشانی برای علت‌های ریشه‌ای، بسیار مؤثرتر از مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای گرفتن بهترین جواب — بود. استفاده از خروجی‌های ساختاریافته JSON است که امکان شناسایی الگوها در داده‌های حجیم را فراهم می‌کند؛ کاری که با تحلیل متون آزاد تقریباً غیرممکن است. این رویکرد در واقع یکی از الگوهای کلیدی برای تحلیل داده‌های عامل‌های هوش مصنوعی است تا از پراکندگی اطلاعات در شبکه‌های توزیع‌شده جلوگیری شود.
این مورد ثابت می‌کند ارزش عامل‌های هوش مصنوعی (AI Agents) در محیط کار، فراتر از «چت کردن» است و در واقع تبدیل زبان نامنظم انسانی به یک پایگاه‌داده است. مدیران حالا می‌توانند از حالت واکنش به مشکلات، به سمت اصلاح سیستماتیک سیاست‌های شرکت حرکت کنند. برای جلوگیری از تبدیل این اتوماسیون‌ها به یک بار فنی در آینده، می‌توان از قراردادهای معماری برای کنترل بدهی فنی در کدهای مربوط به عامل‌ها بهره برد.
با این حال، استقرار فنی همچنان چالش‌برانگیز است. نویسنده اشاره کرد که پیکربندی مجوزهای IAM در پلتفرم ابری گوگل (GCP) برای Cloud Build و Artifact Registry، بیشتر از زمان نوشتن کدِ خودِ عامل وقت گرفت.
گام بعدی شما
- اگر مدیریت حجم زیادی از تیکت‌ها را بر عهده دارید، ابتدا یک تاکسونومی (طبقه‌بندی) شش‌گانه برای مشکلاتتان تعریف کنید.
- برای خروجی‌های مدل، به جای متن آزاد، از قالب JSON استفاده کنید تا بتوانید داده‌ها را در اکسل یا دیتابیس تحلیل کنید.
- بررسی کنید که آیا دسترسی‌های ابری شما برای استقرار سریع مدل‌ها بهینه شده است یا خیر.
اما حذف مرحله صادرات دستی CSV و اتصال مستقیم به سیستم‌های تیکتینگ از طریق پروتکل زمینه مدل (MCP)، گام بعدی این تحول است که در گزارش‌های آینده بررسی خواهیم کرد.
گفتگو