>/BASH

ناترا از پاسخ‌گویی سریع‌تر به درخواست‌های پشتیبانی آزمایشگاه با سامانه هوش مصنوعی SWARM خبر داد

ناترا گزارش می‌دهد که SWARM در ارزیابی ۹۰روزه، میانگین زمان نخستین پاسخ را از ۱۷٫۴ ساعت به حدود ۸ دقیقه کاهش داد. برای ۹۶٫۲٪ درخواست‌های ورودی، پیش از بررسی مهندس گزارش خودکار تولید شد؛ اما این یافته‌ها تعمیر سریع‌تر یا بهبود پیامدهای بیماران را اثبات نمی‌کنند.

ناترا از پاسخ‌گویی سریع‌تر به درخواست‌های پشتیبانی آزمایشگاه با سامانه هوش مصنوعی SWARM خبر داد

ناترا می‌گوید سامانه هوش مصنوعی SWARM در ارزیابی ۹۰روزه حین بهره‌برداری، زمان انتظار برای دریافت نخستین گزارش عیب‌یابی تجهیزات را به‌طور چشمگیری کوتاه کرده است. مطلبی که ۱۲ نوامبر ۲۰۲۶ در وبلاگ یادگیری ماشین AWS منتشر شد، میانگین زمان نخستین پاسخ را حدود ۸ دقیقه اعلام می‌کند؛ در مقایسه با میانگین پیشین ۱۷٫۴ ساعت، یعنی حدود ۱۳۰ برابر سریع‌تر.

این سامانه برای حل مشکل اشتراک دانش در عملیات آزمایشگاهی مرتبط با آزمایش دی‌ان‌ای آزاد سلولی ساخته شده است. مهندسان روزانه بیش از ۶۵ درخواست را در سه صف Jira بررسی می‌کنند و به تخصصی متکی‌اند که حفظ آن پس از خروج کارکنان باتجربه دشوار است. SWARM با بازیابی مستندات سازندگان، درخواست‌های پیشین و اطلاعات عملیاتی، به مهندسان در بررسی خرابی تجهیزات کمک می‌کند.

SWARM بر بستر Amazon Bedrock AgentCore ساخته شده و ۳۳ مهارت را ترکیب می‌کند: ۲۴ مهارت ویژه تجهیزات و ۹ مهارت برای گردش‌کارهای عمومی‌تر. پایتون وظایف دارای قواعد مشخص، مانند استخراج اطلاعات از فیلدهای درخواست، را انجام می‌دهد و مدل‌های زبانی نشانه‌های خرابی را تفسیر و شرح عیب‌یابی را تولید می‌کنند. یک عامل به‌طور خودکار علت احتمالی، مراحل اولویت‌بندی‌شده عیب‌یابی و برچسب اطمینان را آماده می‌کند؛ عامل دوم امکان پیگیری تعاملی با مهندسان را فراهم می‌سازد. این گزارش‌ها برای عیب‌یابی تجهیزات‌اند، نه تشخیص بیماری در بیماران.

ناترا ۵۲۴ درخواست پشتیبانی را ارزیابی کرد و برای اندازه‌گیری زمان پاسخ و پوشش، از فراداده‌های Jira استفاده کرد. به گزارش شرکت، برای ۹۶٫۲٪ درخواست‌های ورودی، پیش از بررسی مهندس گزارش عیب‌یابی خودکار تولید شد. این رقم پوشش پاسخ‌گویی را می‌سنجد، نه تعمیر موفق یا حل مستقل مشکل را. منبع صراحتاً روشن نمی‌کند که مخرج محاسبه پوشش همان ۵۲۴ درخواست بوده است یا خیر.

ارزیابی دقت فقط بر ۲۶۹ درخواست متکی بود که هم برچسب اطمینان داشتند و هم نتیجه رفع مشکل آن‌ها به تأیید مهندس رسیده بود. دقت گزارش‌شده برای گزارش‌های با اطمینان بالا در ۱۵۴ درخواست، ۷۴٪ بود؛ برای اطمینان متوسط در ۷۸ درخواست، ۶۵٪؛ و برای اطمینان پایین در ۳۷ درخواست نیز ۶۵٪. بنابراین، گروه‌های متوسط و پایین از نظر دقت گزارش‌شده تفاوتی نداشتند و گروه پایین نیز کوچک بود. ۲۵۵ درخواست دیگر فاقد برچسب واجد شرایط یا نتیجه تأییدشده بودند؛ موضوعی که ممکن است برآوردهای دقت را دچار سوگیری کند.

مهندسان یافته‌ها و اقدامات رفع مشکل را ثبت می‌کردند و یک ارزیاب پاسخ‌ها را در سه دسته درست، تاحدی درست یا نادرست قرار می‌داد. هویت ارزیاب، کورسازی ارزیابی، معیارهای امتیازدهی و نحوه محاسبه پاسخ‌های تاحدی درست در ارقام دقت مشخص نشده است. بازه‌های عدم‌قطعیت نیز گزارش نشده‌اند و استقلال درخواست‌هایی که به تجهیزات، رخدادها یا مهندسان مشترک مربوط بودند، احراز نشده است.

تیم همچنین گزارش می‌دهد که افزودن راهنماهای مفقود سازندگان، دقت را برای خانواده تجهیزاتی با پایین‌ترین امتیاز از ۷۱٪ به ۷۵٪ رساند؛ بهبودی چهار واحد درصدی بدون تغییر مدل. اندازه نمونه و جزئیات ارزیابی این مقایسه ارائه نشده است.

این یافته‌ها را خود شرکت در وبلاگ یک عرضه‌کننده فناوری گزارش کرده است و مطالب ارائه‌شده شواهدی از داوری همتا یا تکرار مستقل نتایج ندارند. گروه کنترل تصادفی یا هم‌زمان گزارش نشده و توضیحات درباره مقایسه تاریخی و ترکیب درخواست‌ها برای اثبات رابطه علّی کافی نیست. ارزیابی‌ها پس از به‌روزرسانی تکرار می‌شدند، اما مجموعه آزمون مستقل و کنارگذاشته‌شده و تمهیدات جلوگیری از هم‌پوشانی با درخواست‌های تاریخی بازیابی‌شده توصیف نشده‌اند. بنابراین، گزارش اولیه سریع‌تر، هم‌ارزی کیفیت عیب‌یابی، کاهش توقف تجهیزات، تعمیر سریع‌تر یا بهبود گزارش‌دهی نتایج بیماران را اثبات نمی‌کند.

تصویر جلد با هوش مصنوعی تولید شده و تصویرسازی مفهومی است؛ مدرک پژوهش نیست.

منابع اصلی

پست این خبر در اینستاگرام