شرکت Asana در آخرین گزارش فنی خود از یک دستاورد چشمگیر در بهینه‌سازی عامل‌های مرورگر (Browser Agents) خبر داد که با به‌کارگیری مدل هوش مصنوعی GPT-6.1 Sol محقق شده است. این بهینه‌سازی نه تنها هزینه‌های عملیاتی استنتاج (Inference) را تا ۷۶ برابر کاهش داده، بلکه سرعت پاسخ‌دهی سیستم را نیز ۵ برابر بهبود بخشیده است، که نقطه عطفی در توسعه اتوماسیون‌های هوشمند مبتنی بر مرورگر محسوب می‌شود.
معماری جدید و بهینه‌سازی هزینه‌های استنتاج
یکی از بزرگترین چالش‌های توسعه عامل‌های هوشمند در مرورگر، هزینه‌های سرسام‌آور پردازش‌های مبتنی بر مدل‌های زبانی بزرگ (LLM) است. Asana با تمرکز بر پیاده‌سازی مدل GPT-6.1 Sol، موفق شد ساختار فراخوانی‌های API خود را بازطراحی کند. در این فرآیند، با کاهش وابستگی به مدل‌های حجیم برای وظایف روتین مرورگر، هزینه‌های اجرایی به‌طور معناداری در مقیاس عملیاتی کاهش یافت. استفاده از این مدل جدید اجازه می‌دهد که عامل‌های مرورگر (Browser Agents) با دقت بالاتر و منابع محاسباتی بهینه‌تری وظایف پیچیده‌ای نظیر پر کردن فرم‌ها، هدایت در رابط‌های کاربری (UI Navigation) و استخراج داده‌ها را انجام دهند.
افزایش ۵ برابری سرعت در عملیات‌های بلادرنگ
سرعت، فاکتور حیاتی در تجربه کاربری (UX) ابزارهای مدیریت پروژه است. در آزمایش‌های انجام شده توسط تیم مهندسی Asana، استفاده از معماری جدید منجر به کاهش تأخیر (Latency) در تعامل با مرورگر شده است. این افزایش سرعت ۵ برابری، نتیجه‌ی مستقیمِ بهینه‌سازیِ توکن‌های ورودی و خروجی و کاهش زمان پردازش در مراحلِ تصمیم‌گیریِ هوش مصنوعی (Reasoning Steps) است. اکنون عامل هوشمند Asana قادر است در کسری از زمان، تغییرات اعمال شده در DOM (Document Object Model) صفحات وب را تحلیل کرده و واکنش مناسب نشان دهد.
تحلیل فنی و تاثیرات بر استراتژی‌های اتوماسیون
- مدل مورد استفاده: GPT-6.1 Sol
- کاهش هزینه‌های عملیاتی: ۷۶ برابر (نسبت به مدل‌های پایه قبلی)
- بهبود سرعت اجرا: ۵ برابر در تست‌های بارگذاری صفحه
- حوزه کاربرد: عامل‌های خودکار مرورگر (Browser Agents) برای مدیریت گردش کار
- هدف عملیاتی: بهبود دقت تصمیم‌گیری در رابط‌های کاربری پیچیده
آینده اتوماسیون مبتنی بر مرورگر
این موفقیت نشان می‌دهد که تمرکز صنعت هوش مصنوعی به سمت «مدل‌های کوچک اما بهینه» (Small but Optimized Models) در حال تغییر است. Asana با نشان دادن اینکه می‌توان با استفاده از GPT-6.1 Sol بهره‌وری عملیاتی را به شدت افزایش داد، استانداردهای جدیدی را برای سایر پلتفرم‌های SaaS تعیین کرده است. این رویکرد نه تنها برای کسب‌وکارهای بزرگ توجیه اقتصادی دارد، بلکه راه را برای پیاده‌سازی هوش مصنوعی عامل‌محور در مقیاس گسترده و عمومی باز می‌کند.
نتیجه‌گیری
دستاوردهای فنی Asana در کاهش هزینه‌ها و افزایش سرعت با استفاده از تکنولوژی‌های OpenAI، گواهی بر بلوغِ معماری‌های عامل‌محور است. مهندسان و توسعه‌دهندگان می‌توانند با الگوبرداری از این معماری، فرآیندهای پیچیده خودکارسازی وب را بدون نگرانی از هزینه‌های سرسام‌آور API، توسعه دهند. در ماه‌های آینده، انتظار می‌رود قابلیت‌های بیشتری بر پایه این مدل در پلتفرم Asana برای کاربران نهایی عرضه شود.
