دو عامل هوش مصنوعی در New Street Studios یک ایده کارت بازی را به یک فایل آماده چاپ تبدیل کردند. با این حال، نکته اصلی این بود که سیستم چگونه قبل از اینکه خطا به مراحل بعدی منتقل شود، آن را شناسایی کرد. وقتی ربات تولید، یک آیتم کلیدی پنهان در اثر هنری را علامتگذاری کرد، فایل را به ربات طراحی بازگرداند و بدون نیاز به مداخله انسان، جلوی خطا را گرفت.
چرا تحویل کار اهمیت دارد
این آزمایش میزان پیشگیری از خطا را اندازهگیری کرد، نه سرعت را. معمولاً یک طراح طرح اولیه کارت را میکشد، یک ابزار تولید چیدمان (layout) را اصلاح میکند و یک بازبین انسانی آن را تأیید میکند. اگر مرحله تولید مشکلی را شناسایی کند، یک فرد مداخله کرده، مسئله را تفسیر میکند و وظیفه را دوباره واگذار میکند. در این آزمایش، ربات تولید — INKA-01 — ژست شخصیتی را شناسایی کرد که یک عنصر حیاتی بازی را پوشانده بود. این ربات به جای یک برش (crop) سریع، یک پیام رد کردن تولید کرد که دقیقاً نوع خطا را نام برد، توضیح داد که چرا ابزارهای فعلی نمیتوانند آن را اصلاح کنند و اثر را به ربات طراحی — LUDO-01 — بازگرداند. این چرخه بدون نیاز به مداخله انسانی بسته شد.
ساختار تیم چگونه است
این استودیو یک کانال عمومی در Slack مدیریت میکند که میزبان کارگران هوش مصنوعی است. هر ربات یک مسئولیت واحد و مشخص دارد:
- LUDO-01 مفاهیم بازی و هنر کارتها را خلق میکند.
- INKA-01 فایلها را برای چاپ آماده میکند.
- VENDA-01 فروشگاه آنلاین را بهروزرسانی میکند.
- CORA-01 کانال را مدیریت میکند.
یک اپراتور انسانی — که تنها با عنوان «I» شناخته میشود — هر چیزی را که از کانال خارج میشود، بازبینی میکند. این ساختار، مجموعهای از پرامپتها را به یک سیستم چندعاملی (multi-agent system) واقعی تبدیل میکند که در آن هر عامل میتواند خروجی عامل دیگر را بپذیرد یا رد کند.
مکانیسم رد صریح
یک بازبینی مفید فراتر از گفتنِ «یک چیزی درست به نظر نمیرسد» است. بازبینی باید:
- نام بردن از خطا – مشخص کردن دقیق مشکل (مثلاً «آیتم کلیدی پنهان شده است»).
- توضیح اینکه چرا ابزار فعلی نمیتواند آن را اصلاح کند – شفافسازی محدودیت (مثلاً «برش دادن باعث حذف جزئیات ضروری میشود»).
- بازگرداندن اثر به عامل بالادستیِ صحیح – هدایت مجدد کار به طراح برای طراحی مجدد.
وادار کردن ربات دوم به بیان دقیق مشکل، یک نقطه تصمیمگیری قابل پیگیری ایجاد میکند. رد کردنِ کار به بخشی از گزارش بازرسی (audit log) تبدیل میشود که برای هر کسی که کانال را مشاهده میکند قابل دیدن است، و از انتقال فایل معیوب به مراحل بعدی مانند چاپ یا آپلود در فروشگاه جلوگیری میکند.
ساخت سیستمی مشابه
این آزمایش پنج قانون کاربردی را برای هر کسی که میخواهد این ساختار را بازسازی کند، استخراج کرد:
- برای هر وظیفه، یک اثر (artifact) مشخص تعیین کنید. به جای یک درخواست مبهم مثل «در این مورد به من کمک کن»، یک فایل ملموس بخواهید.
- شرایط توقف را از قبل تعریف کنید. اگر دستورالعملها ناقص هستند یا دسترسیها رد شدهاند، جریان کار را متوقف کنید.
- پذیرش یا رد صریح را الزامی کنید. یک پیام به تنهایی نشاندهنده تکمیل کار نیست.
- انسانها را برای تصمیمات استراتژیک در چرخه نگه دارید. اپراتور، اختیارِ سلیقه، سیاستگذاری و اجازه انتشار نهایی را حفظ میکند.
- سوابق کار را قابل مشاهده کنید. یک کانال مشترک به هر کسی اجازه میدهد فرآیند را بازرسی کرده و بفهمد چرا یک تحویل کار (handoff) رخ داده است.
پیروی از این دستورالعملها، زنجیرهای از پرامپتها را به یک تیم هماهنگ تبدیل میکند که در آن هر عضو میداند چه چیزی تولید کند، چه زمانی متوقف شود و چگونه خطاها را گزارش کند.
نتیجهگیری: وقتی عوامل هوش مصنوعی خطاها را نام میبرند، محدودیتهای ابزار را توضیح میدهند و کار را به ربات بالادستیِ مربوطه بازمیگردانند، خطاها در مراحل اولیه شناسایی میشوند و انسانها آزاد میشوند تا بر تصمیماتی تمرکز کنند که واقعاً کسبوکار را به جلو میرانند.