בעידן שבו נתוני תצפיות מרחוק (RS) מצטברים בקצב מסחרר, עיבודם האוטומטי והאינטליגנטי הופך לצורך קריטי בתצפיות כדור הארץ (EO). מערכות קיימות הן בדרך כלל ספציפיות למשימה אחת, חסרות מסגרת מאוחדת לניהול זרימות עבודה מקצה לקצה – מפריפרוססינג נתונים ועד פרשנות מתקדמת – ליישומי RS מגוונים. כדי לגשר על הפער הזה, מציג מאמר חדש את CangLing-KnowFlow, מסגרת סוכן אינטליגנטי מאוחדת המשלבת בסיס ידע פרוצדורלי (PKB), התאמת זרימת עבודה דינמית ומודול זיכרון אבולוציוני. השילוב הזה מאפשר התאמה, למידה ופעולה אמינה במשימות מורכבות.
ה-PKB של CangLing-KnowFlow כולל 1,008 מקרי זרימת עבודה מאומתים על ידי מומחים ב-162 משימות RS מעשיות. בסיס הידע הזה מנחה את התכנון ומפחית משמעותית הזיות נפוצות בסוכנים כלליים. במהלך כשלים בזמן ריצה, מנגנון ההתאמה הדינמית מאבחן באופן אוטונומי ומתכנן אסטרטגיות התאוששות מחדש, בעוד מודול הזיכרון האבולוציוני לומד מהאירועים הללו ומשפר באופן איטרטיבי את הידע והביצועים של הסוכן. לפי הדיווח, השילוב הזה הופך את CangLing-KnowFlow לפתרון חזק, יעיל ומדרגי לאתגרי EO מורכבים.
המערכת נבחנה על KnowFlow-Bench, בנצ'מרק חדשני של 324 זרימות עבודה בהשראת יישומים אמיתיים, על פני 13 גב-עמודות של מודלי שפה גדולים (LLM) מובילים, מקוד פתוח ועד מסחריים. בכל המשימות המורכבות, CangLing-KnowFlow עלה על קו הבסיס Reflexion בשיעור הצלחת משימות של לפחות 4%. זוהי האימות המקיף ביותר עד כה בתחום המתפתח הזה, המדגים את הפוטנציאל הגדול של המסגרת.
בהקשר רחב יותר, CangLing-KnowFlow מביאה שינוי פרדיגמה מעיבוד משימות ספציפיות למערכת גמישה שמתמודדת עם גיוון רחב של יישומים בתצפיות מרחוק, כמו ניטור סביבה, חקלאות מדייקת וניהול אסונות. בהשוואה למערכות קודמות, היא מפחיתה תלות בידע אנושי ומגבירה אמינות באמצעות למידה רציפה. בישראל, שבה תעשיית החלל והתצפיות מתפתחת במהירות, טכנולוגיה כזו יכולה לשפר ניתוח נתוני לוויינים מקומיים.
למנהלי עסקים בתחום הטכנולוגיה והתצפיות, CangLing-KnowFlow מציעה דרך להפחית עלויות עיבוד נתונים ולהאיץ תובנות. עם יכולתה להתאים את עצמה למשימות חדשות, היא מבטיחה יתרון תחרותי ארוך טווח. כיצד תשלבו סוכנים כאלה בזרימות העבודה שלכם?