美国公民在寻求联邦政府帮助时,可能很快就会发现自己正在接受AI智能体的协助,如果Salesforce新推出的公共部门解决方案获得成功的话。
Salesforce周二宣布推出面向公共部门的Agentforce,这是其智能体AI开发平台Agentforce的政府专用版本。更值得一提的是,Agentforce已获得FedRAMP高级授权,因此寻求部署AI智能体的机构,无论是用于内部使用还是面向公众,现在都可以开始部署了。
面向公共部门的Agentforce包含多个预构建的AI机器人,Salesforce声称这些机器人可以直接插入现有环境并投入工作。这些智能体包括:
代码执法机器人,"可以通过推荐具体的代码违规、协助监管费用计算和创建文档来支持合规官员和检查员"。
投诉识别智能体,梳理公众评论以识别趋势,将问题与先前的问题联系起来,并推荐解决方案。
招聘机器人,筛选求职申请,推荐给可能对申请人技能感兴趣的机构。
工作推荐机器人,向候选人推荐政府工作。
福利申请机器人,帮助民众了解他们有资格获得哪些类型的援助。
投诉提交机器人,帮助民众正确提交投诉。
在新闻稿中提到的六个预构建机器人中,前三个将在发布时提供,后三个将在10月推出。Salesforce告诉媒体,他们正在为未来版本开发其他预构建AI智能体,重点是自动化候选人寻源以及许可、许可证和检查流程。
即插即用的AI智能体
据一位公司代表介绍,Agentforce机器人被部署到Salesforce环境中,可以访问公共部门解决方案实例中人类可用的所有数据,还能够从Salesforce数据云中提取数据。这些AI还可以从外部来源收集信息,这对于拥有众多孤立系统的政府机构来说是件好事。
部署预构建AI智能体并不是面向公共部门的Agentforce的唯一功能。该平台还充当低代码机器人开发环境,用户可以在其中编写AI智能体以满足他们的需求,甚至可以导入现有的Salesforce工作流程并为其提供智能体化改造。
Salesforce向媒体强调,虽然Agentforce机器人正越来越多地集成到更广泛的Salesforce生态系统中,但它们仍将是可选的附加组件,不会强制用户使用。没有Agentforce,就没有智能体。
准备好信任AI智能体了吗?
Salesforce对AI作为产品和利润驱动力的热爱并不隐晦,因此其使用范围的扩大并不令人意外,但将AI智能体置于面向公众的角色中则是另一回事。
Gartner预测,到2027年,超过40%的智能体AI项目将被取消,而卡内基梅隆大学的独立研究显示,表现最佳的AI智能体在大约70%的办公任务上仍然失败。
对于希望确认法庭日期或续签许可证的人来说,这个成功率并不理想,这就是为什么许多组织仍然对智能体AI搞砸他们的底线并使公司损失金钱的潜力持怀疑态度。
Salesforce坚持认为其公共部门AI至少到目前为止是有益的,并指出德克萨斯州凯尔市作为面向公共部门的Agentforce成功案例。
凯尔市使用Agentforce开发了一个用于公众投诉的AI 311系统,Salesforce表示该市能够减少服务请求解决时间,并更频繁地在初次通话中处理更多投诉。
在联邦政府中获得广泛采用——特别是在智能体AI仍远未成为确定成功的情况下——对Salesforce来说可能需要时间。但考虑到最近AI在联邦政府中的发展轨迹,一线客户服务可能很快就会成为Salesforce AI的工作。
尽管Agentforce最近才获得FedRAMP高级授权,Salesforce告诉我们,几个联邦机构已经购买了它,并正在其环境中部署面向公共部门的Agentforce。该公司拒绝透露谁购买了它,但表示大部分兴趣来自面向民众且处理大量公众咨询的机构。
考虑到之前的政府裁员新闻,我们至少可以猜测谁可能会部署AI智能体来弥补人类智能体的不足。
Q&A
Q1:Salesforce面向公共部门的Agentforce是什么?
A:这是Salesforce推出的政府专用AI智能体开发平台,已获得FedRAMP高级授权。它包含多个预构建的AI机器人,可以直接部署到政府环境中,用于处理各种公共服务任务,如投诉处理、招聘筛选、福利申请等。
Q2:这些AI智能体具体能做什么工作?
A:包括代码执法机器人(协助合规检查和文档创建)、投诉识别智能体(分析公众评论并推荐解决方案)、招聘机器人(筛选求职申请)、工作推荐机器人(推荐政府职位)、福利申请机器人(帮助民众了解可获得的援助)等六种预构建机器人。
Q3:AI智能体在政府服务中的可靠性如何?
A:目前AI智能体的可靠性仍有待提高。Gartner预测到2027年超过40%的智能体AI项目将被取消,卡内基梅隆研究显示最佳AI智能体在约70%的办公任务上仍会失败。不过Salesforce指出德克萨斯州凯尔市使用该系统后成功减少了服务请求解决时间。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。