ChatGPT turned artificial intelligence into a daily habit for millions. Ask a question, get an answer. Draft an email, f

ChatGPT ദശലക്ഷക്കണക്കിന് ആളുകൾക്ക് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനെ ഒരു ദൈനംദിന ശീലമാക്കി മാറ്റി. ഒരു ചോദ്യം ചോദിക്കുക, ഉത്തരം നേടുക. ഒരു ഇമെയിൽ തയ്യാറാക്കുക, ഒരു ബഗ് പരിഹരിക്കുക, ഒരു ചിത്രം നിർമ്മിക്കുക. എന്നാൽ ഓരോ സംഭാഷണവും ഒരു പ്രോംപ്റ്റിലൂടെയാണ് ആരംഭിക്കുന്നത്, മോഡൽ ടൈപ്പ് ചെയ്യുന്നത് നിർത്തുമ്പോഴാണ് അത് അവസാനിക്കുന്നത്. നിങ്ങൾ എഞ്ചിനാണ്; AI വെറുമൊരു ഉപകരണം മാത്രമാണ്.

അടുത്ത മാറ്റം ഒരു ചാറ്റ് വിൻഡോവിനേക്കാൾ ഉപരിയായി, നിങ്ങൾ മറ്റ് കാര്യങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുമ്പോൾ തന്നെ ജോലികൾ ചെയ്തുതീർക്കുന്ന ഒരു സഹപ്രവർത്തകൻ്റെ രൂപത്തിലായിരിക്കും. ആ മാറ്റമാണ് ഏജൻ്റിക് AI (Agentic AI).

OpenAI, Google, Microsoft തുടങ്ങിയ കമ്പനികൾ സജീവമായി AI ഏജൻ്റുകളെ നിർമ്മിച്ചുകൊണ്ടിരിക്കുകയാണ്. ഈ സംവിധാനങ്ങൾ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുന്നതിനേക്കാൾ എത്രയോ അധികം കാര്യങ്ങൾ ചെയ്യുന്നു. അവ പ്ലാൻ ചെയ്യുന്നു, യുക്തിപൂർവ്വം ചിന്തിക്കുന്നു, നിങ്ങളുടെ ഇടയ്ക്കിടെയുള്ള നിർദ്ദേശങ്ങൾ മാത്രം ഉപയോഗിച്ച് ജോലികൾ പൂർത്തിയാക്കുന്നു. നിങ്ങൾ ലക്ഷ്യം വിവരിച്ചാൽ മതി, അവർ അതിലേക്കുള്ള വഴി കണ്ടെത്തുന്നു.

എന്താണ് ഏജൻ്റിക് AI?

പരമ്പരാഗത ചാറ്റ്ബോട്ടുകൾ പ്രതികരണാത്മകമാണ് (reactive). നിങ്ങൾ ഒരു പ്രോംപ്റ്റ് നൽകുന്നു, അവ ഒരു ടെക്സ്റ്റ് നൽകുന്നു, തുടർന്ന് ബാക്കി കാര്യങ്ങൾ നിങ്ങൾ തന്നെ ചെയ്യേണ്ടി വരുന്നു. നിങ്ങൾക്ക് പത്ത് കാര്യങ്ങൾ ചെയ്യണമെന്നുണ്ടെങ്കിൽ, നിങ്ങൾ പത്ത് വ്യത്യസ്ത ചോദ്യങ്ങൾ ചോദിക്കുകയും ഫലങ്ങൾ സ്വയം യോജിപ്പിക്കുകയും വേണം.

ഏജൻ്റിക് AI ഒരു ലക്ഷ്യത്തിലേക്ക് മുന്നേറുന്നു. നിങ്ങളുടെ അടുത്ത സന്ദേശത്തിനായി കാത്തിരിക്കുന്നതിന് പകരം, അത് ജോലി തുടർന്നു കൊണ്ടിരിക്കും. ഒരു വലിയ ലക്ഷ്യത്തെ ചെറിയ, വ്യക്തമായ ഘട്ടങ്ങളായി തിരിക്കാനും, ഏത് ക്രമമാണ് അനുയോജ്യമെന്ന് തീരുമാനിക്കാനും, വെബ് ബ്രൗസറുകൾ, കാൽക്കുലേറ്ററുകൾ, കോഡ് ഇന്റർപ്രെറ്ററുകൾ അല്ലെങ്കിൽ നിങ്ങളുടെ കലണ്ടർ പോലുള്ള ബാഹ്യ ടൂളുകൾ ഉപയോഗിക്കാനും, പുതിയ വിവരങ്ങൾ പെട്ടെന്ന് ശേഖരിക്കാനും, സാഹചര്യങ്ങൾ മാറുന്നതിനനുസരിച്ച് സ്വന്തം പ്ലാൻ പരിഷ്കരിക്കാനും ഇതിന് കഴിയും. ബുക്ക് ചെയ്യാൻ ഉദ്ദേശിച്ച ഒരു ഫ്ലൈറ്റ് വിറ്റുപോയിെങ്കിൽ, അടുത്ത ഓപ്ഷൻ എന്താണെന്ന് അത് സ്വയം പരിശോധിക്കും. ഒരു ഡാറ്റാ സ്രോതസ്സ് ലഭ്യമായില്ലെങ്കിൽ, നിങ്ങളെ ബുദ്ധിമുട്ടിക്കുന്നതിന് മുമ്പ് തന്നെ അത് മറ്റൊരു മാർഗ്ഗം പരീക്ഷിക്കും.

ഇത് വെറുമൊരു വേഗതയേറിയ ഔട്ട്പുട്ട് മാത്രമല്ല. ഇത് പെരുമാറ്റരീതിയിലെ ഒരു വലിയ മാറ്റമാണ്.

Generative AI vs. Agentic AI

ChatGPT-യുടെ പിന്നിലെ സാങ്കേതികവിദ്യയായ Generative AI, ഒരു സമയം ഒരു കാര്യം മാത്രം ചെയ്യുന്ന ഒരു വിദഗ്ദ്ധനാണ്. നിങ്ങൾ പ്രോംപ്റ്റ് നൽകുന്നു, അത് ടെക്സ്റ്റ്, കോഡ് അല്ലെങ്കിൽ ചിത്രങ്ങൾ നിർമ്മിക്കുന്നു, തുടർന്ന് അത് കാത്തിരിക്കുന്നു. ഓരോ തവണയും ഒരു പ്രത്യേക ജോലി മാത്രം പൂർത്തിയാക്കുന്ന ഇതിന് അടുത്ത ഘട്ടത്തിലേക്ക് നീങ്ങാൻ നിരന്തരമായ നിർദ്ദേശങ്ങൾ ആവശ്യമാണ്.

ഏജൻ്റിക് AI ഒരു മൾട്ടി-സ്റ്റെപ്പ് ഓപ്പറേറ്ററാണ്. അത് സ്വതന്ത്രമായി ലക്ഷ്യങ്ങൾ പിന്തുടരുന്നു, പരസ്പരബന്ധിതമായ വർക്ക്ഫ്ലോകൾ നടപ്പിലാക്കുന്നു, തുടർച്ചയായ ജോലികൾ കൈകാര്യം ചെയ്യുന്നു, കൂടാതെ നിങ്ങൾ നിശ്ചയിച്ചിട്ടുള്ള പരിധിക്കുള്ളിൽ നിന്നുകൊണ്ട് തീരുമാനങ്ങൾ എടുക്കുന്നു.

ഓരോ തവണയും ഓരോ കപ്പ് കോഫി ഓർഡർ ചെയ്യുന്നതും, കടയുടെ നടത്തിപ്പിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുമ്പോൾ തന്നെ രാവിലെ വരുന്ന തിരക്ക് നിയന്ത്രിക്കാനും, കോഫി ബീൻസ് സ്റ്റോക്ക് ചെയ്യാനും, മെഷീൻ വൃത്തിയാക്കാനും സഹായിക്കുന്ന ഒരു ബാരിസ്റ്റയെ (barista) നിയമിക്കുന്നതും തമ്മിലുള്ള വ്യത്യാസത്തിന് സമാനമാണിത്.

എവിടെയാണ് ഇത് ആദ്യം കാണാൻ സാധിക്കുക?

യഥാർത്ഥ ജോലികളിൽ ഏർപ്പെടുമ്പോൾ ഇവ തമ്മിലുള്ള വ്യത്യാസം വ്യക്തമാകും.

ബിസിനസ് ഔട്ട്‌റീച്ച് (Business outreach). ഒരു ക്ലയൻ്റുമായി മീറ്റിംഗ് നിശ്ചയിക്കേണ്ടി വരുന്ന സാഹചര്യം സങ്കൽപ്പിക്കുക. നിങ്ങൾ ആവശ്യപ്പെട്ടാൽ ഒരു Generative AI ചാറ്റ്ബോട്ട് ഇമെയിൽ എഴുതിത്തന്നേക്കാം. എന്നാൽ ഒരു ഏജൻ്റിക് AI ഇതിന്റെ എല്ലാ പണികളും ഏറ്റെടുക്കും. അത് കമ്പനിയെക്കുറിച്ചുള്ള പുതിയ വാർത്തകളോ ഫണ്ടിംഗോ ഗവേഷണം ചെയ്യും, ആ വിവരങ്ങൾ ഉൾപ്പെടുത്തി ഒരു വ്യക്തിഗത സന്ദേശം തയ്യാറാക്കും, നിങ്ങളുടെ കലണ്ടറിലെ ഒഴിവുകൾ പരിശോധിക്കും, ഇൻവിറ്റേഷൻ അയക്കും, തുടർന്ന് ബന്ധപ്പെടാൻ ഒരു റിമൈൻഡറും സെറ്റ് ചെയ്യും. നിങ്ങൾ പ്ലാൻ മുൻകൂട്ടി അംഗീകരിച്ചാൽ മതി; ബാക്കി കഠിനമായ ജോലികൾ ഏജൻ്റ് കൈകാര്യം ചെയ്യും.

സോഫ്റ്റ്‌വെയർ ഡെവലപ്‌മെന്റ് (Software development). Generative AI-ക്ക് ഒരു ഫംഗ്ഷൻ എഴുതാനോ ഒരു regex വിശദീകരിക്കാനോ കഴിയും. എന്നാൽ ഒരു AI ഏജൻ്റിന് ഒരു ടിക്കറ്റ് വായിക്കാനും, കോഡ് നിർമ്മിക്കാനും, pull requests പരിശോധിക്കാനും, ടെസ്റ്റുകൾ റൺ ചെയ്യാനും, ബഗുകൾ കണ്ടെത്താനും, പരിഹാരങ്ങൾ സമർപ്പിക്കാനും കഴിയും. ആർക്കിടെക്ചറും വലിയ ഡിസൈനും ഇപ്പോഴും നിങ്ങളുടെ കൈകളിലായിരിക്കും, എന്നാൽ boilerplate, linting, ചെറിയ refactoring തുടങ്ങിയ ആവർത്തന ജോലികൾ ഏജൻ്റിന് വിട്ടുകൊടുക്കാം. ഓരോ സെമി കോളനും ടൈപ്പ് ചെയ്യുന്നതിന് പകരം, ഒരു ഫീച്ചർ ആവശ്യമാണോ അല്ലയോ എന്ന് തീരുമാനിക്കുന്നതിൽ നിങ്ങൾക്ക് ശ്രദ്ധ കേന്ദ്രീകരിക്കാം.

കസ്റ്റമർ സർവീസ് (Customer service). ഒരു ദേഷ്യപ്പെട്ട ട്വീറ്റിന് മറുപടി തയ്യാറാക്കാൻ Generative AI-ക്ക് കഴിയും. എന്നാൽ ഒരു ഏജൻ്റിക് സിസ്റ്റത്തിന് റിട്ടേൺ പ്രോസസ്സ് ചെയ്യാനും, ഡാറ്റാബേസിൽ നിന്ന് ഓർഡർ പരിശോധിക്കാനും, ഷിപ്പിംഗ് ലേബൽ ട്രാക്ക് ചെയ്യാനും, പിക്ക്അപ്പ് ഷെഡ്യൂൾ ചെയ്യാനും, സപ്പോർട്ട് ടിക്കറ്റ് അപ്‌ഡേറ്റ് ചെയ്യാനും കഴിയും. പ്രശ്നം സങ്കീർണ്ണമാകുമ്പോൾ മാത്രമേ അത് ഒരു മനുഷ്യനെ ഏൽപ്പിക്കുകയുള്ളൂ. അങ്ങനെ വരുമ്പോൾ, പതിവ് ജോലികളിൽ കുടുങ്ങിക്കിടക്കാതെ, സഹാനുഭൂതിയും ചർച്ചകളും സർഗ്ഗാത്മകമായ തീരുമാനങ്ങളും ആവശ്യമുള്ള പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിൽ മനുഷ്യർക്ക് ശ്രദ്ധ കേന്ദ്രീകരിക്കാം.

ഈ മാറ്റത്തിനായി എങ്ങനെ തയ്യാറെടുക്കാം?

നിങ്ങൾ ഒരു വിദ്യാർത്ഥിയോ പ്രൊഫഷണലോ ആണെങ്കിൽ, ഇത്തരം സംവിധാനങ്ങൾ രൂപകൽപ്പന ചെയ്യാനും വിന്യസിക്കാനും (deploy) അവയെ മേൽനോട്ടം വഹിക്കാനും ആവശ്യമായ കഴിവുകൾ വളർത്തിയെടുക്കേണ്ട സമയമാണിത്.

• Python പ്രോഗ്രാമിംഗ്. AI ടൂളിംഗിനായി ഉപയോഗിക്കുന്ന പ്രധാന ഭാഷയാണിത്, മിക്ക ഏജന്റ് ഫ്രെയിംവർക്കുകളും ഇതിലാണ് നിർമ്മിച്ചിരിക്കുന്നത്. നിങ്ങൾ ഒരു കേർണൽ ഡെവലപ്പർ ആകണമെന്നില്ല, എന്നാൽ വിവിധ സേവനങ്ങളെ തമ്മിൽ കോർത്തിണക്കുന്ന സ്ക്രിപ്റ്റുകൾ എഴുതാൻ നിങ്ങൾക്ക് അറിവുണ്ടായിരിക്കണം.
• AI, മെഷീൻ ലേണിംഗ് അടിസ്ഥാനങ്ങൾ. നിങ്ങൾക്ക് മനസ്സിലാകാത്ത ഒന്നിനെ നിങ്ങൾക്ക് നിയന്ത്രിക്കാൻ കഴിയില്ല. ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ എങ്ങനെയാണ് ചിന്തിക്കുന്നതെന്നും, അവ എവിടെയാണ് തെറ്റായ വിവരങ്ങൾ നൽകുന്നതെന്നും (hallucinate), അവയുടെ ഔട്ട്‌പുട്ടുകൾ എങ്ങനെ വിലയിരുത്തണമെന്നും അറിഞ്ഞിരിക്കണം.
• API ഇന്റഗ്രേഷൻ. മറ്റ് സോഫ്റ്റ്‌വെയറുകളുമായി (Slack, Gmail, Salesforce, GitHub) ആശയവിനിമയം നടത്തുന്നതിലൂടെയാണ് ഏജന്റുകൾ പ്രവർത്തിക്കുന്നത്. REST API-കളും വെബ്‌ഹുക്കുകളും (webhooks) എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്ന് മനസ്സിലാക്കുന്നത് ഉടൻ തന്നെ പ്രയോജനപ്പെടുന്ന പ്രായോഗിക എഞ്ചിനീയറിംഗ് അറിവാണ്.
• ക്ലൗഡ് കമ്പ്യൂട്ടിംഗ്. ഏജന്റുകൾ പ്രവർത്തിക്കുന്നത് ഇൻഫ്രാസ്ട്രക്ചറിലാണ്, നിങ്ങളുടെ ലാപ്ടോപ്പിലല്ല. ഒരു കണ്ടെയ്‌നർ (container) എങ്ങനെ സജ്ജീകരിക്കാമെന്നും, പെർമിഷനുകൾ എങ്ങനെ നിയന്ത്രിക്കാമെന്നും, ബില്ലുകൾ എങ്ങനെ വായിക്കാമെന്നും അറിയുന്നത് യഥാർത്ഥ ഉപയോഗവേളയിൽ തകരാറിലാകാത്ത സംവിധാനങ്ങൾ നിർമ്മിക്കാൻ നിങ്ങളെ സഹായിക്കും.
• ഡാറ്റാ അനാലിസിസ്. ഏജന്റുകൾ കൂടുതൽ ഔട്ട്‌പുട്ടുകൾ നൽകുന്നതിനനുസരിച്ച്, ആ ഔട്ട്‌പുട്ട് ശരിയാണോ, പക്ഷപാതപരമാണോ അതോ ഉപയോഗപ്രദമാണോ എന്ന് പരിശോധിക്കാൻ ഒരാൾ ആവശ്യമാണ്. അടിസ്ഥാനപരമായ സ്റ്റാറ്റിസ്റ്റിക്കൽ അറിവും ഡാറ്റ ക്വറി ചെയ്യാനുള്ള കഴിവും അന്ധമായ വിശ്വാസത്തിൽ നിന്ന് മൂല്യവത്തായ മേൽനോട്ടത്തിലേക്കുള്ള മാറ്റം സാധ്യമാക്കുന്നു.
• ക്രിട്ടിക്കൽ തിങ്കിംഗ്. ഭാവിയിലെ വെല്ലുവിളി വേഗത്തിൽ ടൈപ്പ് ചെയ്യുക എന്നതല്ല. ശരിയായ ലക്ഷ്യം നിർവചിക്കുക, അപ്രതീക്ഷിത സാഹചര്യങ്ങൾ (edge cases) തിരിച്ചറിയുക, മെഷീനെ എപ്പോൾ നിയന്ത്രിക്കണം എന്ന് കൃത്യമായി അറിയുക എന്നിവയാണ് പ്രധാനം.

യഥാർത്ഥ പാഠം

ഏജന്റിക് AI ജോലികളിൽ മാറ്റം വരുത്തും. ഡാറ്റാ എൻട്രി, ഷെഡ്യൂളിംഗ്, ഫസ്റ്റ്-ലൈൻ തുടങ്ങിയ പതിവ് ജോലികൾ—