타겟의 경쟁 우위는 AI 모델 자체에서 나오는 것이 아니라, 그 주변에 구축된 견고한 아키텍처에서 비롯된다고 SVP Siobhán Mc Feeney는 말합니다. 그녀는 모든 문제가 AI 에이전트를 필요로 하는 것은 아니며, 자율성은 기본적으로 부여되는 것이 아니라 시간이 지남에 따라 얻어지는 것이라고 강조합니다. 에이전트는 타겟 고객에게 가장 큰 가치를 제공하는 문제를 해결하기 위해 전략적으로 배치됩니다. 이러한 에이전트는 공급망 전반에 걸쳐 다양한 시스템을 연결하며 타겟 운영에 필수적인 요소가 되고 있습니다. Mc Feeney는 AI 에이전트가 '적시에, 적소에, 올바른 제품'을 제공하는 리테일의 약속을 이행하는 데 핵심이라고 믿습니다. 타겟의 접근 방식은 해결해야 할 문제와 필요한 에이전트 유형에 대한 엄격한 사전 질문을 포함합니다. 에이전트는 등록 및 인증되어야 하며, 트리거, 추적 및 계보가 꼼꼼하게 문서화되어야 합니다. 자율성 수준은 신중하게 관리되며, 에이전트는 기본적인 자율성으로 시작하여 더 많은 자율성을 얻기 위한 역량을 입증합니다. 지속적인 모니터링 및 평가는 에이전트가 효과적으로 유지되고 성능이 투명하게 유지되도록 보장합니다. 아키텍처, 분류 체계, 데이터 거버넌스 및 관찰 가능성을 포함하는 이러한 전체적인 접근 방식은 AI를 효과적으로 확장하는 데 중요합니다. 궁극적으로 성공적인 에이전트 구현은 아키텍처, 분류 체계, 자율성 수준, 보안 및 관찰 가능성을 포함한 여러 요인의 결합에 달려 있으며, 이는 인간과 AI를 함께 관리하기 위한 인력 기술의 문화적 변화와 함께 이루어집니다.