Bagi jurutera dan inovator Matteo Zamparini, salah satu hambatan produktiviti yang paling penting di dunia moden bukanlah kekurangan bakat atau kekurangan ambisi, ia adalah masa yang terbuang pada tugas berulang.
Dari melacak peta paket sebagai jurulatih sains data kepada menyasarkan startup yang mengenal pasti peluang tenaga boleh diperbaharui untuk pemilik hartanah komersial, kerjaya beliau telah mengikuti tema yang konsisten: membina teknologi untuk mengotomatiskan kerja grunt supaya kerja manusia boleh digunakan untuk tugas-tugas yang lebih strategik.
Sebagai jurutera pengasas di PropRise, sebuah syarikat yang disokong oleh Y Combinator, beliau membina agen AI yang bekerja sepanjang masa untuk menjejaki sejumlah besar data hartanah yang berbeza dan menghasilkan wawasan yang mendedahkan peluang pelaburan yang berpotensi.
Segala-galanya berputar di sekitar visi beliau tentang dunia di mana AI bukan sahaja membantu orang, tetapi menyertai mereka ke dalam tenaga kerja untuk melaksanakan tugas yang berterusan.
Kos sebenar analisis data manual
Dalam dunia yang dibantu perisian, kekurangan alat digital bukan lagi masalah utama.
Sebagai jurulatih pelajar, beliau menghabiskan berbulan-bulan menggunakan alat-alat seperti peta digital, membenarkan tapak, perisian pengkomputeran statistik dan laman web senarai hartanah untuk mengumpul dan pada akhirnya menganalisis data yang boleh digunakan untuk membuat keputusan pelaburan dan pembangunan. ”Saya ingat berfikir: ‘Imaging satelit dibina dengan Lidar adalah keren,’” beliau menceritakan. ”Tetapi menghabiskan berminggu-minggu pada peta dan tapak web cuba untuk mencari titik data yang betul benar-benar penggunaan yang terbaik daripada intelek manusia?”
Ini adalah salah satu wawasan yang memicu idea untuk Spaceflare, sebuah startup yang beliau menubuhkan dengan rakan-rakan pelajar UC Irvine selepas tamat pengajian pada tahun 2021. model yang beliau bina menggunakan rekod awam dan imej satelit untuk mengenal pasti hartanah yang boleh sesuai untuk pemasangan panel solar, membolehkan syarikat tenaga bersih dan pemilik hartanah untuk dengan cepat mengenal pasti peluang potensial untuk pengeluaran tenaga dan pendapatan.
Proses yang mungkin memerlukan berminggu-minggu analisis manual kini boleh dilakukan dalam beberapa minit dengan Spaceflare.
Building AI Agents that Act and Reason—Within Reason
Membina agen AI yang bertindak dan sebab—dalam sebabHari ini, Zamparini adalah pengembang di sebalik agen AI yang kuasa
PropRise bukan sahaja alat pembelajaran mesin lain yang mengotomatiskan pengumpulan data; agennya beroperasi secara bebas, mengstrukturkan data yang mereka temui dan terus mengevaluasi kredibiliti dan ketepatan pelbagai sumber.
“Kami telah membangunkan sistem agen yang boleh berfikir, bertindak, dan juga mencari maklum balas atau kelulusan manusia di tengah-tengah tugas,” katanya.
Beliau melihat pendekatan manusia-in-the-loop ini sebagai komponen penting kepada masa depan di mana agen AI boleh mengambil alih semua kerja manual tanpa risiko kehilangan kawalan atas keputusan strategik.
Reliability Over Novelty: Architecting Agentic Systems untuk kegunaan dunia sebenar
Dalam mata Zamparini, kemunculan piawaian terbuka seperti Protokol Konteks Model (MCP), AGNTCY, HumanLayer atau bahasa BAML merupakan trend yang paling penting dalam AI.
Apabila output perisian menyumbang kepada model kewangan atau keputusan strategik, hasil yang mereka hasilkan perlu boleh disahkan.
Kerangka kerja yang muncul seperti HumanLayer, BAML, MCP, dan AGNTCY sedang mewujudkan asas yang boleh menjadikan jenis ekosistem agentik ini mungkin.
HumanLayer, contohnya, menyediakan protokol yang menambah pengawasan manusia-in-the-loop yang kukuh kepada agen AI autonomi.Ia menangkap tindakan yang tinggi dan mengarahkan mereka kepada manusia-melalui Slack, e-mel, SMS, dan saluran lain-untuk kelulusan, maklum balas, atau peningkatan, kemudian menghantar tindak balas kembali supaya agen boleh terus bekerja dengan selamat.
MCP, adalah standard terbuka yang menyederhanakan bagaimana model AI menyambung ke input data, membolehkan model bahasa besar (LLM) untuk menyambung terus ke pangkalan data dan API yang berbeza untuk mewujudkan kumpulan maklumat yang lebih komprehensif dan kerjasama agen-to-agent.
AGNTCY adalah ekosistem terbuka untuk interoperabiliti agen-to-agent yang mengambil konsep satu langkah lebih jauh dengan mendefinisikan lapisan identiti bersama dan model interaksi untuk agen AI, membolehkan alat yang dibuat oleh pengembang yang berbeza untuk berkongsi maklumat dengan selamat dan dapat diprediksi di seluruh platform.
Bersama-sama, rangka kerja ini membolehkan agen AI yang bukan sahaja kuat, tetapi boleh digunakan, boleh diuji, dan boleh dikekalkan.
Building a Template for the Future of Work
Membina template untuk masa depan kerjaStandar dan bahasa yang dikongsi adalah kunci untuk membangunkan AI yang boleh secara boleh dipercayai mengotomatiskan kerja duniawi. dan mereka terpakai jauh melampaui hartanah komersial; pada yang terbaik mereka, mereka membolehkan agen AI dan sistem agen untuk mengubah cara profesional dan pakar bekerja di seluruh industri.
“Dengan bantuan AI, kita secara asasnya boleh membebaskan masa orang,” Zamparini menyimpulkan.Jika kita benar-benar boleh mempercayai kerja automatik dan cadangan untuk menjadi komprehensif dan tepat, sistem ini boleh melakukan lebih daripada sekadar meningkatkan aliran kerja yang sedia ada, mereka boleh membuat ruang untuk industri baru dan inovasi.
Bagi Zamparini, masa depan AI bukan penolong digital yang lebih baik, ia adalah sistem yang membolehkan manusia membina perkara baru lebih cepat, memajukan industri semasa, dan juga melahirkan industri baru.
Agen AI menghapuskan bunyi, membersihkan kekacauan supaya pembina boleh bergerak lebih cepat, berfikir lebih dalam, dan bermimpi lebih besar.
