מיקרוסופט מציגה מהפכה באוטומציה מקומית עם Fara-7B

מיקרוסופט דוחפת את הבינה המלאכותית הסוכנת עמוק יותר אל תוך המחשב עם Fara-7B, מודל CUA (Computer-Use Agent) קומפקטי בגודל 7 מיליארד פרמטרים שמסוגל לאוטומציה מלאה של משימות מורכבות על מכשיר מקומי. השחרור הניסיוני הזה מיועד לאיסוף משוב ומציג לארגונים תצוגה מקדימה של האופן שבו סוכני AI יכולים להריץ תהליכי עבודה רגישים מבלי לשלוח נתונים לענן, תוך התאמה או עקיפה של ביצועי מודלים גדולים יותר כמו GPT-4o במשימות ניווט ממשק משתמש אמיתיות.

בניגוד למודלי צ'אט מסורתיים שמייצרים תגובות טקסטואליות, מודלי CUA כמו Fara-7B משתמשים בממשקי מחשב כדוגמת עכבר ומקלדת כדי לבצע משימות בשם המשתמש. "עם רק 7 מיליארד פרמטרים, Fara-7B משיג ביצועים ברמה עולמית בקטגוריית הגודל שלו ומתחרה במערכות סוכניות גדולות ועשירות במשאבים יותר, שתלויות בהפעלת מספר מודלים גדולים", נמסר בפוסט בבלוג של מיקרוסופט.

יכולות מתקדמות וניתוח ויזואלי

Fara-7B מעבד צילומי מסך ומפרש אלמנטים על המסך ברמת פיקסל, מה שמאפשר לו לנווט בממשקים גם כאשר קוד התשתית מורכב או אינו זמין. בבדיקות פנימיות, המודל השיג שיעור הצלחה של 73.5% בבדיקת WebVoyager, ועקף את GPT-4o כאשר שניהם נבדקו כסוכני שימוש במחשב. בנוסף, המודל מסיים משימות בפחות צעדים בהשוואה למערכות 7B קודמות, מה שמתורגם לאוטומציה מהירה וצפויה יותר על שולחן העבודה.

מנגנוני בטיחות מובנים

מיקרוסופט שילבה במודל מנגנון Critical Points, המחייב את הסוכן להשהות ולבקש אישור מהמשתמש לפני ביצוע פעולות בלתי הפיכות כמו שליחת אימיילים או השלמת עסקאות פיננסיות. זה מבטיח שליטה טובה יותר ושימוש בטוח יותר בסביבות ארגוניות.

מגמה של מודלים מקומיים בארגונים

המעבר למודלים מקומיים קומפקטיים כמו Fara-7B משקף שינוי רחב יותר בארכיטקטורת AI ארגונית. בעוד שמערכות מבוססות ענן שולטות בחשיבה בקנה מידה גדול ובחיפוש ארגוני, רבות מתהליכי העבודה היומיומיים כוללות העתקת נתונים בין אפליקציות פנימיות על מחשב נייד, שבהן המידע אינו יכול לצאת מהמכשיר. "מודלים מבוססי קצה פותרים שלוש בעיות גדולות ב-AI ענן: עלות חישוב, יציאת נתונים מהמכשיר ועיכובים", אמר Pareekh Jain, מנכ"ל Pareekh Consulting.

Charlie Dai, סגן נשיא ואנליסט ראשי ב-Forrester, ציין כי Fara-7B מראה כיצד סוכנים קלים התומכים במכשיר יהפכו חשובים יותר ככל שארגונים יאיצו את אימוץ ה-AI הסוכנת. "לארגונים, זה מסמן פיזור הדרגתי של עומסי AI, הפחתת תלות בתשתיות ענן ודרישה לאסטרטגיות חדשות לשליטה בקצה וניהול מחזור חיים של מודלים", הוסיף.

המגמה משקפת גם מעבר לארכיטקטורות AI היברידיות, שבהן סוכנים מקומיים מטפלים בזרימות רגישות לפרטיות ומערכות ענן מספקות קנה מידה.

יתרונות ואתגרים

סוכנים ברמת פיקסל מבטיחים תאימות רחבה יותר מכיוון שהם עובדים על פני אפליקציות רבות ללא אינטגרציות מותאמות, אך הם מביאים גם סיכונים תפעוליים. Jain השווה את הגישה לגרסת AI משודרגת של Robotic Process Automation (RPA), שבה הסוכן מחקה קלטי עכבר ומקלדת להעברת נתונים בין מערכות. "סוכן פיקסל בלבד יכול לעבוד על פני אפליקציות רבות ללא התאמה או אינטגרציה, וזה יתרון גדול", אמר. "אבל אם הממשק משתנה, הסוכן עלול להתקשות. זה חזק, אבל גם שביר."

Dai הוסיף כי אמינותם תלויה ביציבות ממשקים ובמיפוי חזון-לפעולה חזק. "בסביבות ארגוניות דינמיות עם שינויי UI תכופים, סוכנים אלה נתונים לסיכון של שבירות, אלא אם כן הם משולבים עם ניהול נתונים מועשר, אימון מחדש אדפטיבי ומנגנוני גיבוי; לכן, בשלב זה הם מתאימים יותר לתהליכים מבוקרים מאשר לאוטומציה קריטית."

ביצועים הם רק חלק מהמשוואה. ארגונים יזדקקו לבקרות חזקות יותר לפני מתן רשות לסוכנים כאלה לפעול ללא השגחה. "סוכנים אלה נוחים, אבל פעולה סוטה עלולה לגרום נזק", הזהיר Jain. "יש צורך במסגרות ממשל חזקות לפני פריסה בקנה מידה גדול."

Tulika Sheel, סגנית נשיא בכירה ב-Kadence International, המליצה להגדיר נקודות השגחה אנושיות ברורות כמו ב-Critical Points, לשמור יומני ביקורת לכל פעולה, לאכוף בקרות גישה מבוססות תפקיד, ולנטר ביצועים ושגיאות באופן רציף. "יש לכלול גם אסטרטגיית תיקון לשגיאות או התנהגות לא רצויה, ולהבטיח ששלטון נתונים, פרטיות ומדיניות ציות מוטמעים בתהליכי העבודה של הסוכן", הוסיפה.