หมายเหตุ
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลอง ลงชื่อเข้าใช้หรือเปลี่ยนไดเรกทอรีได้
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลองเปลี่ยนไดเรกทอรีได้
บันทึกความโปร่งใสคืออะไร?
ระบบ AI ไม่เพียงแต่รวมถึงเทคโนโลยีเท่านั้น แต่ยังรวมถึงผู้ที่ใช้เทคโนโลยี ผู้ที่ได้รับผลกระทบ และสภาพแวดล้อมที่ปรับใช้ การสร้างระบบที่เหมาะสมกับวัตถุประสงค์ที่ตั้งใจไว้จําเป็นต้องมีความเข้าใจว่าเทคโนโลยีทํางานอย่างไรความสามารถและข้อจํากัดของมันคืออะไรและจะบรรลุประสิทธิภาพที่ดีที่สุดได้อย่างไร บันทึกความโปร่งใสของ Microsoft ช่วยให้คุณเข้าใจว่าเทคโนโลยี AI ของเราทํางานอย่างไรตัวเลือกที่เจ้าของระบบสามารถทําได้ซึ่งมีอิทธิพลต่อประสิทธิภาพและพฤติกรรมของระบบและความสําคัญของการคิดเกี่ยวกับทั้งระบบรวมถึงเทคโนโลยีผู้คนและสิ่งแวดล้อม ใช้บันทึกความโปร่งใสเมื่อพัฒนาหรือปรับใช้ระบบของคุณเอง หรือแบ่งปันกับผู้ที่ใช้หรือได้รับผลกระทบจากระบบของคุณ
บันทึกความโปร่งใสของ Microsoft เป็นส่วนหนึ่งของความพยายามในวงกว้างที่ Microsoft ในการนําหลักการ AI ของเราไปปฏิบัติ สําหรับข้อมูลเพิ่มเติม โปรดดู หลักการ AI ของ Microsoft
พื้นฐานของตัวแทนปฏิบัติการ Real-Time Intelligence
บทนำ
ตัวแทนปฏิบัติการ Real-Time Intelligence เป็นแพลตฟอร์มสําหรับสร้างเอเจนต์ที่ตรวจสอบสตรีมข้อมูล ตรวจจับความผิดปกติหรือเงื่อนไข และแนะนําการดําเนินการตามเหตุการณ์ในโลกแห่งความเป็นจริง ตัวแทนเหล่านี้ทํางานอัตโนมัติ ให้ข้อมูลเชิงลึก และสนับสนุนการตัดสินใจอย่างทันท่วงที ด้วยการกําหนดค่าเป้าหมายทางธุรกิจ แหล่งความรู้ การดําเนินการ และคําแนะนํา ตัวแทนจะสร้างแผนเพื่อติดตามเป้าหมาย ตรวจสอบข้อมูล และใช้กฎเพื่อตรวจหาเงื่อนไข ตัวแทนแจ้งให้ผู้ใช้ทราบด้วยการดําเนินการที่แนะนําหากเกิดเงื่อนไขที่เหมาะสม
เงื่อนไขสำคัญ
แหล่งข้อมูลองค์ความรู้: การเชื่อมต่อฐานข้อมูลที่เอเจนต์สามารถใช้เพื่อค้นหาและตรวจสอบข้อมูล
เครื่องมือ: ฟังก์ชันในตัวที่ช่วยให้ตัวแทนสามารถทํางานต่างๆ ได้ เช่น การสร้างคิวรีที่มีโครงสร้างจากภาษาธรรมชาติ
เธรด: เซสชันการสนทนาระหว่างตัวแทนและผู้ใช้ เธรดจัดเก็บข้อความและจัดการการตัดทอนโดยอัตโนมัติเพื่อให้พอดีกับเนื้อหาในบริบทของโมเดล
คู่มือการเล่น: การแสดงภายในของเอนทิตี ข้อมูล กฎ และการดําเนินการที่เป็นไปได้ของตัวแทนที่สร้างคู่มือการใช้งาน
เอนทิตี: ออบเจ็กต์ในธุรกิจของคุณที่ตัวแทนกําลังตรวจสอบ ตัวอย่างเช่น ในธุรกิจให้เช่าจักรยาน จักรยานและแท่นวางอาจเป็นหน่วยงานที่เกี่ยวข้อง ในการจัดการสนามบิน แถวเช็คอิน จุดตรวจรักษาความปลอดภัย และผู้โดยสารเป็นหน่วยงานที่เกี่ยวข้อง
อินสแตนซ์: การเกิดขึ้นเฉพาะของเอนทิตี เช่น
Bike 0451หรือFlight MS1234กฎ: เงื่อนไขหรือรูปแบบในข้อมูลที่ตัวแทนตรวจสอบก่อนให้คําแนะนํา
กฎอิสระ: กฎที่มีการดําเนินการที่เกี่ยวข้องซึ่งตัวแทนได้รับอนุญาตให้ดําเนินการโดยไม่ต้องมีการยืนยันจากมนุษย์ก่อน
ความสามารถ
ลักษณะการทํางานของระบบ
เมื่อคุณสร้างตัวแทนการดําเนินงาน คุณกําหนดค่าการตั้งค่าต่อไปนี้: เป้าหมายทางธุรกิจ แหล่งข้อมูลองค์ความรู้ การดําเนินการที่เป็นไปได้ และคําแนะนํา ด้วยอินพุตเหล่านี้ เอเจนต์จะใช้โมเดลภาษาขนาดใหญ่ (LLM) เพื่อสร้างคู่มือการเล่นของเอนทิตี ข้อมูลที่แมป และกฎเพื่อตรวจสอบ คุณสามารถปรับแต่งโมเดลได้โดยการปรับเป้าหมายและคําแนะนํา เมื่อคุณเปิดใช้งานตัวแทน ตัวแทนจะตรวจสอบข้อมูลในเบื้องหลัง เมื่อเงื่อนไขตรงกับกฎ จะวิเคราะห์ข้อมูล ระบุสาเหตุ และแนะนําการดําเนินการเพื่อให้บรรลุเป้าหมายทางธุรกิจ
ตัวแทนจะแจ้งให้คุณทราบผ่าน Teams ด้วยการแจ้งเตือนภาษาธรรมชาติ ซึ่งช่วยให้คุณได้รับคําแนะนําเบื้องต้น คุณสามารถอนุมัติ ปฏิเสธ หรือทําให้กฎเป็นอิสระ โดยอนุญาตให้ตัวแทนดําเนินการได้โดยไม่ต้องยืนยันเพิ่มเติม
เนื่องจากตัวแทนใช้ LLM เพื่อสร้างคู่มือการเล่นของตัวแทนและแนะนําการดําเนินการ คุณควร:
ตรวจสอบแบบจําลองพฤติกรรมอย่างรอบคอบก่อนเริ่มตัวแทน
ตรวจสอบคําแนะนําของตัวแทนอย่างใกล้ชิด และยืนยันเหตุผลที่ใช้ในการให้คําแนะนําก่อนดําเนินการ
ตรวจสอบกฎอิสระที่คุณสร้างกับตัวแทนอย่างรอบคอบ กฎเหล่านี้ขับเคลื่อนการดําเนินการโดยอัตโนมัติ
กรณีการใช้งาน
การใช้งานที่ตั้งใจไว้
คุณสามารถใช้ตัวแทนการดําเนินงานในสถานการณ์ต่างๆ วัตถุประสงค์การใช้งานของระบบ ได้แก่ :
การจัดการการเช่าจักรยาน: คุณสามารถกําหนดค่าตัวแทนปฏิบัติการเพื่อตรวจสอบความพร้อมของจักรยานที่สถานีต่างๆ อย่างต่อเนื่องโดยใช้ข้อมูลแบบเรียลไทม์ ตั้งเป้าหมายเพื่อให้แน่ใจว่ามีจักรยานพร้อมใช้งาน ดังนั้นจึงค้นหาการสืบค้นที่ถูกต้องเพื่อติดตามค่านั้นสําหรับแท่นวางแต่ละแห่ง
การเพิ่มประสิทธิภาพกังหันลม: ตัวแทนตรวจสอบข้อมูลที่มาจากฟาร์มกังหันลมติดตามเมตริกเช่นกําลังขับและทิศทางและมุมของใบพัด มองหาความผิดปกติหรือการลดลงของกําลังขับและแนะนําให้ปรับพารามิเตอร์การทํางาน
การปรับสมดุลสินค้าคงคลังของคลังสินค้า: ตัวแทนตรวจสอบระดับสินค้าคงคลังในคลังสินค้าหลายแห่งแบบเรียลไทม์ ตั้งเป้าหมายเพื่อรักษาการกระจายสินค้าคงคลังที่เหมาะสมและหลีกเลี่ยงการหมดสต็อกหรือสต็อกมากเกินไป
การตรวจสอบค่าใช้จ่าย: ให้ตัวแทนเข้าถึงข้อมูลเกี่ยวกับคําขอค่าใช้จ่ายและรายงาน ขอให้ตั้งค่าสถานะค่าใช้จ่ายที่ไม่สอดคล้องกับกฎทั่วไป และระบุความผิดปกติในรูปแบบระยะยาวสําหรับพนักงานหรือศูนย์ต้นทุนแต่ละคน
ระบบอัตโนมัติในการตอบสนองต่อเหตุการณ์: เอเจนต์จะตรวจสอบบันทึกโครงสร้างพื้นฐานด้านไอทีและการวัดและส่งข้อมูลทางไกลเพื่อหาสัญญาณของการเสื่อมสภาพของบริการหรือความผิดปกติด้านความปลอดภัย เป้าหมายคือการลดเวลาเฉลี่ยในการตรวจจับ (MTTD) และเวลาเฉลี่ยในการแก้ไข (MTTR)
ข้อควรพิจารณาเมื่อเลือกกรณีการใช้งานอื่น ๆ
เราขอแนะนําให้คุณใช้ตัวแทนปฏิบัติการในโซลูชันหรือแอปพลิเคชันที่เป็นนวัตกรรมของคุณ อย่างไรก็ตาม ให้พิจารณาปัจจัยต่อไปนี้เพื่อให้แน่ใจว่าตัวแทนนั้นเหมาะสมกับกรณีการใช้งานเฉพาะของคุณ:
หลีกเลี่ยงสถานการณ์ที่การใช้หรือการใช้ระบบในทางที่ผิดอาจส่งผลให้บุคคลได้รับบาดเจ็บทางร่างกายหรือจิตใจอย่างมีนัยสําคัญ ตัวอย่างเช่น สถานการณ์ที่วินิจฉัยผู้ป่วยหรือสั่งยามีศักยภาพที่จะก่อให้เกิดอันตรายอย่างมีนัยสําคัญ
หลีกเลี่ยงสถานการณ์ที่การใช้หรือการใช้ระบบในทางที่ผิดอาจส่งผลกระทบต่อโอกาสในชีวิตหรือสถานะทางกฎหมาย ตัวอย่าง ได้แก่ สถานการณ์ที่ระบบหรือตัวแทน AI อาจส่งผลกระทบต่อสถานะทางกฎหมาย สิทธิ์ทางกฎหมาย หรือการเข้าถึงสินเชื่อ การศึกษา การจ้างงาน การดูแลสุขภาพ ที่อยู่อาศัย การประกันภัย สวัสดิการสังคม บริการ โอกาส หรือข้อกําหนดที่มีให้
หลีกเลี่ยงสถานการณ์ที่มีความเสี่ยงสูงซึ่งอาจนําไปสู่อันตราย โมเดลที่ใช้ในตัวแทนอาจสะท้อนถึงมุมมองทางสังคม อคติ และเนื้อหาที่ไม่พึงประสงค์อื่นๆ ที่มีอยู่ในข้อมูลการฝึกอบรมหรือตัวอย่างที่ให้ไว้ในพรอมต์ ด้วยเหตุนี้ เราจึงเตือนไม่ให้ใช้ตัวแทนในสถานการณ์ที่มีความเสี่ยงสูง ซึ่งพฤติกรรมที่ไม่เป็นธรรม ไม่น่าเชื่อถือ หรือน่ารังเกียจอาจมีค่าใช้จ่ายสูงหรือนําไปสู่อันตราย
พิจารณากรณีการใช้งานอย่างรอบคอบในโดเมนหรืออุตสาหกรรมที่มีเดิมพันสูงซึ่งการดําเนินการของตัวแทนไม่สามารถย้อนกลับได้หรือเป็นผลสืบเนื่องสูง อุตสาหกรรมดังกล่าวรวมถึงแต่ไม่จํากัดเพียงด้านการดูแลสุขภาพ การแพทย์ การเงิน หรือกฎหมาย
ข้อควรพิจารณาทางกฎหมายและข้อบังคับ องค์กรจําเป็นต้องประเมินภาระผูกพันทางกฎหมายและกฎระเบียบที่เฉพาะเจาะจงที่อาจเกิดขึ้นเมื่อใช้บริการและโซลูชัน AI ซึ่งอาจไม่เหมาะสมสําหรับการใช้งานในทุกอุตสาหกรรมหรือสถานการณ์ ข้อจํากัดอาจแตกต่างกันไปตามข้อกําหนดของหน่วยงานกํากับดูแลตามภูมิภาคหรือท้องถิ่น นอกจากนี้ บริการของ AI หรือโซลูชันไม่ได้ออกแบบมาสําหรับและอาจไม่สามารถใช้งานได้ในรูปแบบที่ห้ามไว้ในข้อกําหนดการให้บริการและรหัสการปฏิบัติที่เกี่ยวข้อง
Limitations
ข้อจํากัดทางเทคนิค ปัจจัยการปฏิบัติงาน และช่วง
แม้จะมีการฝึกอบรมอย่างเข้มข้นโดย OpenAI และการใช้การควบคุม AI อย่างมีความรับผิดชอบโดย Microsoft แต่บริการ AI ก็มีข้อผิดพลาดและน่าจะเป็น ข้อจํากัดนี้ทําให้ยากต่อการบล็อกเนื้อหาที่ไม่เหมาะสมทั้งหมดอย่างครอบคลุม ซึ่งนําไปสู่อคติ แบบแผน หรือความไม่มีมูลในเนื้อหาที่สร้างโดย AI สําหรับข้อมูลเพิ่มเติมเกี่ยวกับข้อจํากัดที่ทราบของเนื้อหาที่สร้างโดย AI โปรดดู บันทึกความโปร่งใสสําหรับ Azure OpenAI ซึ่งรวมถึงการอ้างอิงถึง LLM ที่อยู่เบื้องหลังตัวแทนการดําเนินงาน
คุณสามารถให้คําแนะนําและเป้าหมายที่หลากหลายแก่ตัวแทนปฏิบัติการ ลักษณะความน่าจะเป็นของแบบจําลองพฤติกรรม LLM หมายความว่าคุณอาจไม่สามารถจัดตําแหน่งตัวแทนให้ตรงกับความต้องการของคุณได้ คําอธิบายของโมเดลพฤติกรรมของเอเจนต์ยังถูกสร้างขึ้นโดยใช้ AI ดังนั้นจึงอาจไม่ถูกต้องอย่างสมบูรณ์
ในการใช้ตัวแทนปฏิบัติการอย่างมีประสิทธิภาพ คุณจําเป็นต้องได้รับการฝึกอบรมเพื่อโต้ตอบและรับประโยชน์จากบริการอย่างมีประสิทธิภาพ
โมเดล AI ขั้นสูงต้องการทรัพยากรการคํานวณที่สําคัญ ซึ่งอาจส่งผลกระทบต่อประสิทธิภาพ โดยเฉพาะอย่างยิ่งในสภาพแวดล้อมที่มีทรัพยากรจํากัด คุณอาจประสบปัญหาเวลาแฝงหรือประสิทธิภาพในช่วงเวลาที่มีการใช้งานสูงสุด
เนื่องจากตัวแทนรวม LLM กับระบบภายนอก คุณอาจพบว่าเป็นการยากที่จะเข้าใจว่าเหตุใดจึงเลือกเครื่องมือบางอย่างหรือการรวมกันของเครื่องมือเพื่อตอบคําถาม ความท้าทายนี้ทําให้ความไว้วางใจและการตรวจสอบผลลัพธ์หรือการกระทําของตัวแทนซับซ้อนขึ้น
องค์กรจําเป็นต้องพิจารณาภาระผูกพันทางกฎหมายและการปฏิบัติตามข้อกําหนดเฉพาะของตนเมื่อใช้ตัวแทนปฏิบัติการ โดยเฉพาะอย่างยิ่งในอุตสาหกรรมที่มีการควบคุม Microsoft กําลังตรวจสอบข้อกําหนดด้านกฎระเบียบที่ใช้กับ Microsoft ในฐานะผู้ให้บริการเทคโนโลยีและจัดการกับข้อกําหนดเหล่านั้นภายในผลิตภัณฑ์ผ่านกระบวนการปรับปรุงอย่างต่อเนื่อง
ด้วยประสบการณ์ของผู้ใช้ตัวแทน คุณสามารถขัดจังหวะหรือปิดตัวแทนได้อย่างรวดเร็วเมื่อใดก็ได้ การดําเนินการนี้จะหยุดการตรวจสอบข้อมูลใหม่และการดําเนินการใหม่ใดๆ ที่ตัวแทนอาจแนะนําหรือดําเนินการ การดําเนินการที่ตัวแทนเรียกใช้ในระบบอื่น (ตัวอย่างเช่น การเริ่มต้นเวิร์กโฟลว์ Power Automate) อาจไม่หยุดทันที ตัวแทนเปิดใช้การดําเนินการเหล่านี้เป็นกระบวนการอิสระที่คุณต้องจัดการในประสบการณ์ผลิตภัณฑ์อื่นๆ เหล่านั้น
ข้อความระหว่างตัวแทนและผู้ใช้จะถูกส่งผ่าน Teams เมื่อคุณส่งข้อความไปยังตัวแทน Azure Bot Service จะประมวลผลข้อความ การใช้ Azure AI Bot Service มีข้อจํากัดทางเทคนิคที่แต่ละบอทสามารถมีจุดสิ้นสุดส่วนกลางได้เพียงจุดเดียวเท่านั้น สําหรับบอทบุคคลที่หนึ่งของ Teams คําขอจะถูกส่งไปยังปลายทางส่วนกลาง แล้วเปลี่ยนเส้นทางไปยังปลายทางระดับภูมิภาคใกล้กับผู้ใช้ ตัวแทนปฏิบัติการใช้ตําแหน่งข้อมูลที่ตั้งอยู่ในสหภาพยุโรป ซึ่งหมายความว่าข้อมูลผู้ใช้ของคุณสามารถย้ายออกนอกภูมิภาคทางภูมิศาสตร์ของคุณเพื่อประมวลผลได้
ประสิทธิภาพของระบบ
ในระบบ AI ประสิทธิภาพมักจะเชื่อมโยงกับความแม่นยํา (ความถี่ที่ระบบให้ผลลัพธ์ที่ถูกต้อง) สําหรับตัวแทนการดําเนินงาน ประสิทธิภาพการทํางานมีความยืดหยุ่นมากขึ้น เนื่องจากผู้ใช้อาจตีความผลลัพธ์ต่างกัน ข้อผิดพลาดมักเกิดขึ้นเมื่อตัวแทนเข้าใจเป้าหมาย ข้อมูล หรือเอนทิตีหลักในกระบวนการทางธุรกิจผิด เมื่อตัวแทนให้คําแนะนํา ผู้ใช้ควรตรวจสอบบริบทที่ให้ไว้อย่างรอบคอบก่อนอนุมัติการดําเนินการ
แนวทางปฏิบัติที่ดีที่สุดสําหรับการปรับปรุงประสิทธิภาพของระบบ
เพื่อให้ได้ผลลัพธ์ที่ดีที่สุดกับตัวแทนปฏิบัติการ ให้มุ่งเน้นไปที่การสร้างข้อความแจ้งที่มีรายละเอียดและมีโครงสร้างที่ดี เป้าหมายและคําแนะนําที่คุณให้ไว้จะช่วยให้ตัวแทนระบุจุดข้อมูลและกฎที่ถูกต้องสําหรับการตรวจสอบการเปลี่ยนแปลงเมื่อเวลาผ่านไป ปรับปรุงความถูกต้องโดยการกําหนดค่าข้อมูลและเงื่อนไขที่ตัวแทนควรตรวจสอบอย่างชัดเจน สรุปให้ชัดเจนว่าการกระทํามีอิทธิพลต่อผลลัพธ์อย่างไร และคาดว่าค่าที่ตรวจสอบจะเปลี่ยนแปลงอย่างไร
ข้อมูลคุณภาพสูงก็มีความสําคัญไม่แพ้กัน ตรวจสอบให้แน่ใจว่าโครงสร้างข้อมูลได้รับการจัดระเบียบอย่างดี โดยมีชื่อคอลัมน์ที่มีความหมายแทนค่าที่เข้ารหัส แบนข้อมูลเหตุการณ์ที่ซ้อนกันหากเป็นไปได้ โครงสร้างนี้ช่วยให้ตัวแทนค้นหาและตรวจสอบข้อมูลที่เกี่ยวข้องได้อย่างมีประสิทธิภาพได้ง่ายขึ้น
การประเมินตัวแทนปฏิบัติการ
วิธีการประเมินผล
แพลตฟอร์มตัวแทนปฏิบัติการใช้กระบวนการหลายขั้นตอนที่เข้มงวดเพื่อประเมินความถูกต้อง ความปลอดภัย และการปรับปรุงอย่างต่อเนื่อง หัวใจหลักของมันคือวงจรสามขั้นตอน: ติดตาม>การทําซ้ํา>ประเมิน วงจรนี้เริ่มต้นด้วยการใช้ telemetry เพื่อตรวจสอบกระบวนการตัดสินใจของตัวแทน รวมถึงการวางแผน การสร้างออนโทโลยี การต่อสายดินข้อมูล การสร้างกฎ และการดําเนินการ ชุดข้อมูลการประเมินมาจากกรณีการใช้งานในโลกแห่งความเป็นจริงและข้อมูลสังเคราะห์ที่แนะนําความแปรปรวน คุณวัดตัวชี้วัด เช่น ความแม่นยํา การบรรจบกัน อัตราความล้มเหลว และความปลอดภัยตลอดวงจรชีวิตของตัวแทน ตั้งแต่การพัฒนาไปจนถึงการผลิต
สภาพแวดล้อมการประเมินสะท้อนเงื่อนไขการผลิตและเน้นการแยกระหว่างไปป์ไลน์การพัฒนาและการประเมินเพื่อหลีกเลี่ยงอคติ คุณดูแลจัดการชุดข้อมูลเริ่มต้นด้วยตนเองและกําหนดออนโทโลยีและผลลัพธ์ที่คาดหวังล่วงหน้า หลังจากนั้น คุณปรับขนาดชุดข้อมูลเหล่านี้โดยใช้การสร้างสังเคราะห์ ชุดข้อมูลมุ่งเน้นไปที่เป้าหมายการดําเนินงานที่เกี่ยวข้องกับการติดตามธุรกิจและการตัดสินใจ แม้ว่าจะแสดงถึงสถานการณ์ในโลกแห่งความเป็นจริง แต่ก็ยังไม่รวมประชากรผู้ใช้ที่กว้างขึ้นหรือการกําหนดค่าเป้าหมายแบบไดนามิก แนวทางนี้ช่วยให้การประเมินมุ่งเน้น ทําซ้ําได้ และสอดคล้องกับหลักการของ AI ที่มีความรับผิดชอบ
ผลการประเมิน
กระบวนการประเมินของเราใช้วิธีการประเมินแบบ>>โครงสร้าง เราฝังการประเมินในแต่ละขั้นตอนของวงจรการตัดสินใจของตัวแทน การประเมินเหล่านี้ยืนยันว่าตัวแทนสร้างออนโทโลยีที่ถูกต้องอย่างสม่ําเสมอสร้างแบบสอบถามที่ถูกต้องและเกี่ยวข้องและเลือกการดําเนินการที่เหมาะสมซึ่งสอดคล้องกับเป้าหมายของผู้ใช้ ผลลัพธ์เหล่านี้สนับสนุนความสอดคล้องของระบบกับเป้าหมายความรับผิดชอบ โดยเฉพาะอย่างยิ่งในการทําให้แน่ใจว่าระบบทํางานได้ตามที่คาดไว้ในบริบทการดําเนินงานจริง
ชุดข้อมูลการฝึกอบรมและการทดสอบที่ใช้ในการประเมินได้รับการดูแลอย่างรอบคอบเพื่อสะท้อนถึงสถานการณ์การปฏิบัติงานที่หลากหลาย คุณสร้างชุดข้อมูลเริ่มต้นด้วยตนเองจากกรณีการใช้งานจริง โดยมีผลลัพธ์ที่คาดหวังที่กําหนดไว้อย่างชัดเจน รวมถึงออนโทโลยีและผลลัพธ์คิวรี ต่อมา คุณได้ขยายชุดข้อมูลเหล่านี้โดยใช้การสร้างสังเคราะห์เพื่อเพิ่มความแปรปรวนและความครอบคลุม คุณได้ออกแบบชุดข้อมูลเพื่อแสดงชนิดของเป้าหมายและสภาพแวดล้อมข้อมูลที่เอเจนต์คาดว่าจะพบ รวมถึงความซับซ้อนของสคีมา ความพร้อมใช้งานของข้อมูล และความตั้งใจของผู้ใช้ แนวทางนี้ทําให้มั่นใจได้ว่าการประเมินจะรวบรวมปัจจัยและการตั้งค่าการดําเนินงานที่เป็นตัวแทน ซึ่งสนับสนุนการพัฒนาและการปรับใช้ระบบอย่างมีความรับผิดชอบ
ผลการประเมินมีอิทธิพลต่อข้อจํากัดการออกแบบที่สําคัญหลายประการในระบบ ตัวอย่างเช่น เราได้แนะนําขีดจํากัดเกี่ยวกับขนาดการสืบค้นสูงสุดและความซับซ้อนของออนโทโลยีขั้นต่ําเพื่อให้มั่นใจถึงประสิทธิภาพที่สม่ําเสมอและลดอัตราความล้มเหลว แม้ว่าผลลัพธ์จะนําไปใช้อย่างกว้างขวางกับการติดตามการดําเนินงานและสถานการณ์สนับสนุนการตัดสินใจจํานวนมาก แต่การประเมินเบื้องต้นไม่ได้รวมบางพื้นที่ เช่น การกําหนดค่าเป้าหมายใหม่แบบไดนามิกและการทํางานร่วมกันของตัวแทนหลายคน พื้นที่เหล่านี้แสดงถึงโอกาสในการทดสอบและพัฒนาในอนาคต
การประเมินและการรวมตัวแทนปฏิบัติการสําหรับการใช้งานของคุณ
พฤติกรรมของตัวแทนถูกกําหนดโดยคําแนะนํา เป้าหมาย ข้อมูล และการดําเนินการที่คุณให้ไว้ ข้อความแจ้งที่แม่นยําและข้อมูลที่สะอาดและเป็นระเบียบพร้อมชื่อคอลัมน์ที่ใช้งานง่ายช่วยเพิ่มความแม่นยําและลดข้อผิดพลาด
หลังจากที่คุณกําหนดค่าตัวแทนแล้ว ให้ตรวจสอบแบบจําลองพฤติกรรมและกฎของตัวแทนโดยการตรวจสอบคิวรี KQL เพื่อให้แน่ใจว่าสอดคล้องกับกระบวนการทางธุรกิจ แม้ว่าเงื่อนไขตามกฎจะทริกเกอร์เอเจนต์ แต่คําแนะนําที่สร้างโดย LLM อาจมีความไม่ถูกต้อง ดังนั้นควรตรวจสอบผลลัพธ์ก่อนดําเนินการเสมอ
เอเจนต์ที่ตอบสนองสูงอาจนําไปสู่การแจ้งเตือนมากเกินไปหรือการใช้การดําเนินการอัตโนมัติมากเกินไป ซึ่งอาจทําให้ระบบไม่เสถียร เพื่อลดความเสี่ยง ปรับกฎ ดําเนินการตรวจสอบอย่างสม่ําเสมอ จําลองกรณีขอบ และออกแบบอินเทอร์เฟซที่ส่งเสริมความโปร่งใส ตัวอย่างเช่น แสดงคะแนนความเชื่อมั่นและคําอธิบายที่ชัดเจนสําหรับคําแนะนํา