در دنیای امروز که داده‌ها روز به روز در حال رشد و پیچیده‌تر شدن هستند، ابزارهای هوش تجاری نیز باید فراتر رفته و هوشمندتر شوند. Tableau Next، نسل جدید پلتفرم تحلیلی Tableau، دقیقاً چنین تحولی را به ارمغان آورده است. این پلتفرم که پیش‌تر با نام Tableau Einstein شناخته می‌شد، با استفاده از فناوری‌های پیشرفته هوش مصنوعی، به ویژه Agentic AI، تجربه تحلیل داده‌ها را متحول می‌کند.
۱. Tableau Next: ترکیبی از انعطاف‌پذیری و هوشمندی
Tableau Next گامی بلند و نوآورانه از سوی Tableau است — یک پلتفرم تحلیل داده بازطراحی‌شده که بر بستر Salesforce ساخته شده و به‌صورت عمیق با Agentforce، سیستم Salesforce برای ایجاد و استقرار AI agents خودمختار، یکپارچه شده است.
Tableau Next بر پایه Salesforce ساخته شده و به صورت عمیق با Agentforce، سیستم Salesforce برای ایجاد و استقرار عامل‌های هوش مصنوعی خودمختار، یکپارچه شده است. این پلتفرم علاوه بر حفظ انعطاف‌پذیری و قدرت Tableau، لایه‌ای جدید از بینش‌های خودکار، هوشمند و شخصی‌سازی شده را ارائه می‌دهد که به کاربران کمک می‌کند سریع‌تر و دقیق‌تر به اهداف خود برسند.
در اصل، Tableau Next انعطاف‌پذیری آشنا و معروف Tableau را با لایه‌ای جدید از بینش‌های هوشمند، خودکار و شخصی‌سازی‌شده ترکیب می‌کند. در ادامه چند ویژگی کلیدی آن آمده است:
- Tableau Semantics: یک لایه معنایی مبتنی بر هوش مصنوعی که داده‌های پیچیده را به اصطلاحات کسب‌وکار ساده و قابل‌فهم تبدیل می‌کند — و تحلیل داده‌ها را برای همه، حتی افراد بدون پیش‌زمینه فنی، قابل‌دسترس‌تر می‌سازد.
- Composable Architecture: معماری مدولار و قابل استفاده مجدد شامل اشیاء داده‌ای که به کاربران اجازه می‌دهد راه‌حل‌های تحلیلی را بر اساس نیازهای خود سفارشی کنند.
- Actionable Insights: قابلیت اقدام مستقیم درون پلتفرم که مسیر از دریافت بینش تا اجرا را ساده و روان می‌کند.
- Agentic AI Integration: مانند Data Pro، Concierge و Inspector که در کارهایی مثل آماده‌سازی داده‌ها، پرسش به زبان طبیعی و نظارت بر داده‌ها کمک می‌کنند.
این تغییر فقط مربوط به ویژگی‌های جدید نیست — بلکه نشان‌دهنده یک چرخش واقعی است. Tableau در حال فاصله گرفتن از داشبوردهای ثابت و حرکت به سمت سیستم‌های پویا و تطبیق‌پذیر است که به کاربران کمک می‌کنند به شکلی طبیعی‌تر با داده‌ها تعامل داشته باشند.
۲. Agentic AI چیست؟
Agentic AI به سیستم‌های هوش مصنوعی گفته می‌شود که به عنوان Agentهای مستقل و خودگردان طراحی شده‌اند. این سیستم‌ها تنها اطلاعات ارائه نمی‌دهند — بلکه به‌طور فعال وظایف را انجام می‌دهند، تصمیم‌گیری می‌کنند و اهداف مشخصی را به نمایندگی از کاربر یا سیستم دیگر دنبال می‌کنند. نسخه‌های پیشرفته‌تر قادرند کارهای پیچیده و چندمرحله‌ای را با برنامه‌ریزی روندها، انتخاب ابزارهای مناسب و سازگاری با اطلاعات جدید انجام دهند.
آنچه Agentic AI را از هوش مصنوعی مولد (مانند ChatGPT یا تولیدکننده‌های تصویر) متمایز می‌کند، هدف و نیت پشت خروجی آن است. هوش مصنوعی مولد محتوا تولید می‌کند، اما Agentic AI مسئله‌ها را حل می‌کند. در حالی که مدل‌های مولد ممکن است به سؤال شما پاسخ دهند، سیستم Agentic به‌طور مستقیم وظیفه را انجام می‌دهد. این سیستم گزینه‌ها را می‌سنجد، محدودیت‌ها را ارزیابی می‌کند و بهترین مسیر عمل را بر اساس اهداف و محیط خود انتخاب می‌کند.
این تفاوت اهمیت زیادی دارد. در کسب‌وکار، فقط تولید محتوا یا ارائه بینش کافی نیست — تیم‌ها به سیستم‌هایی نیاز دارند که بتوانند سازگار شوند، تصمیمات هوشمندانه بگیرند و اقدام کنند. Agentic AI آن ارزیابی و ابتکاری را فراهم می‌کند که داده‌ها را به تاثیر واقعی تبدیل می‌کند.
Agentic AI فراتر از هوش مصنوعی مولد عمل می‌کند؛ این فناوری به طور فعال عمل می‌کند، گزینه‌ها را می‌سنجد، و بهترین راه‌حل‌ها را بر اساس اهداف و محیط انتخاب می‌کند. در نتیجه، تیم‌ها می‌توانند به سیستم‌هایی اعتماد کنند که فقط اطلاعات نمی‌دهند، بلکه با تحلیل و ارزیابی دقیق، مسیرهای بهینه را پیشنهاد می‌کنند.
۳. پنج نوع Agentic AI
استوارت راسل و پیتر نورویگ در نسخه ۲۰۲۰ کتاب «هوش مصنوعی: رویکردی مدرن» پنج نوع Agent هوش مصنوعی را معرفی می‌کنند که هر کدام به‌تدریج در پیچیدگی و قابلیت‌ها افزایش می‌یابند. این دسته‌بندی‌ها به ما کمک می‌کنند تا بفهمیم عوامل مختلف چگونه محیط خود را درک کرده و در آن عمل می‌کنند:
Simple Reflex Agents
این ساده‌ترین نوع Agentهای هوش مصنوعی هستند. آن‌ها با استفاده از قوانین ساده شرط-عمل به ورودی‌های فعلی محیط واکنش نشان می‌دهند (مثل «اگر X، پس انجام بده Y»). این عوامل به رویدادهای گذشته یا پیامدهای آینده توجه نمی‌کنند — بلکه فقط در همان لحظه واکنش نشان می‌دهند.
مثال‌ها:
- یک ترموستات که وقتی دما پایین‌تر از حد مشخصی می‌آید، گرمایش را روشن می‌کند.
- یک درب اتوماتیک که وقتی حرکت در نزدیکی آن تشخیص داده می‌شود، باز می‌شود.
Model-Based Reflex Agents
Agentهای مبتنی بر مدل یک سطح بالاتر هستند. مانند همتایان ساده‌تر خود، آن‌ها از قوانین شرط-عمل استفاده می‌کنند، اما با یک تفاوت کلیدی: یک مدل داخلی از جهان را نگهداری می‌کنند. این ویژگی به آن‌ها اجازه می‌دهد تا بر اساس ورودی‌های فعلی و مشاهدات گذشته تصمیمات آگاهانه‌تری بگیرند.
مثال: یک ربات جاروبرقی که به خاطر می‌سپارد کدام قسمت‌های اتاق را قبلاً تمیز کرده است و از انجام کارهای تکراری جلوگیری می‌کند.
Goal-Based Agents
Agentهای مبتنی بر هدف توسط اهداف داخلی هدایت می‌شوند. به جای واکنش براساس قوانین ثابت، آن‌ها اقدامات ممکن مختلف را ارزیابی می‌کنند تا ببینند کدام یک احتمال بیشتری برای رسیدن به نتیجه مطلوب دارد. این باعث می‌شود رفتارشان انعطاف‌پذیرتر و آینده‌نگرانه‌تر باشد.
مثال: یک سیستم ناوبری GPS که ترافیک، بسته بودن جاده‌ها و فاصله را در نظر می‌گیرد تا بهترین مسیر را به مقصد شما پیدا کند.
Utility-Based Agents
Agentهای مبتنی بر مطلوبیت یک قدم جلوتر می‌روند. مانند Agentهای مبتنی بر هدف، آن‌ها چندین حالت ممکن آینده را ارزیابی می‌کنند — اما به جای انتخاب هر مسیر برای رسیدن به هدف، مطلوبیت هر گزینه را با استفاده از یک تابع مطلوبیت می‌سنجند. این رویکرد به‌ویژه زمانی مفید است که چندین هدف وجود داشته باشد یا نیاز به تصمیم‌گیری درباره موازنه‌ها و مصالحه‌ها باشد.
مثال: یک موتور پیشنهاددهی مانند نتفلیکس که با تعادل بین فعالیت‌های اخیر کاربر، پیش‌بینی لذت بردن و تنوع محتوا، محتواهایی را پیشنهاد می‌دهد تا بیشترین تعامل و رضایت کاربر را به دست آورد.
Learning Agents
Agentهای یادگیرنده پیشرفته‌ترین نوع از پنج Agent هستند. این عوامل قادرند رفتار خود را در طول زمان با یادگیری از تجربه بهبود ببخشند. به جای تکیه صرف بر قوانین یا مدل‌های از پیش برنامه‌ریزی شده، آن‌ها براساس بازخوردهای محیط خود سازگار می‌شوند.
مثال: خودروهای خودران که با استفاده از یادگیری تقویتی تصمیمات لحظه‌ای می‌گیرند — مانند تنظیم سرعت، تغییر خطوط یا ترمز گرفتن — بر اساس تجربیات شبیه‌سازی شده و دنیای واقعی رانندگی.
۴. Tableau Agent: همکار هوشمند شما در دنیای داده‌ها
Tableau Agent که قبلاً با نام Einstein Copilot for Tableau شناخته می‌شد، یکی از ویژگی‌های اصلی پلتفرم Tableau Next است. این ابزار به‌عنوان یک همراه هوشمند طراحی شده است — به کاربران کمک می‌کند تا داده‌های خود را کاوش کنند، روندها را شناسایی کنند و بینش‌ها را به صورت واضح و مؤثر منتقل کنند.
یکی از ویژگی‌های برجسته Tableau Next، Tableau Agent است که قبلاً با نام Einstein Copilot شناخته می‌شد. این دستیار هوشمند، مجموعه‌ای از عوامل هماهنگ است که هرکدام روی وظیفه خاصی تمرکز دارند و در کنار هم به کاربران کمک می‌کنند داده‌ها را بهتر درک کنند، روندها را شناسایی کنند و بینش‌های کاربردی را به صورت واضح و سریع ارائه دهند.
Tableau Agent به‌جای یک هوش مصنوعی یکپارچه و تک، از چندین Agent هماهنگ تشکیل شده است که هرکدام روی یک وظیفه خاص تمرکز دارند. این عوامل با هم به‌عنوان یک سیستم واحد عمل می‌کنند و کاربران را در سراسر فرآیند تحلیلی همراهی می‌کنند.
- Goal-Based Agent: وقتی از Tableau Agent سؤال می‌کنید — مثلاً «حاشیه سود ماهانه در شش ماه گذشته را نشان بده» — این Agent تلاش می‌کند قصد شما را تفسیر کند و تصویرسازی مناسب را ایجاد کند. این فقط پاسخ دادن به ورودی نیست؛ بلکه اقدامی هدفمند برای کمک به رسیدن به هدف شما است.
- Utility-Based Agent: وقتی Tableau Agent فراتر از اجرای دستورات ساده عمل می‌کند. این Agent عواملی مانند زمینه، بهترین شیوه‌های تصویرسازی داده‌ها و وضوح ارتباط را در نظر می‌گیرد. گزینه‌های مختلف را ارزیابی می‌کند و آن را انتخاب می‌کند که مفیدترین و مرتبط‌ترین نتیجه را برای کاربر فراهم کند.
- Learning Agent (Emerging): هرچند Tableau Agent در حال حاضر به طور کامل به صورت خودمختار یاد نمی‌گیرد، اما بخشی از اکوسیستم بزرگ‌تر هوش مصنوعی Salesforce است — که برای وارد کردن حلقه‌های بازخورد و بهبود در طول زمان ساخته شده است. با پیشرفت پلتفرم، انتظار می‌رود Tableau Agent در حمایت از تصمیم‌گیری، سازگارتر و شخصی‌سازی‌شده‌تر شود.
۵. در پایان: آینده تحلیل داده‌ها
Tableau Agent، به‌عنوان پایه‌ای اساسی در Tableau Next، نشان می‌دهد چگونه هوش مصنوعی از چیزی که فقط از آن سؤال می‌کنیم، به چیزی تبدیل می‌شود که در کنار ما کار می‌کند — و سوالات را به اقدام‌های آگاهانه تبدیل می‌کند.
