সংজ্ঞা
অভিনেতা বুদ্ধিমত্তা হৈছে এটা application-ৰ সৈতে হোৱা interaction-টো কোন বা কি চালাই আছে সেই evidence, আৰু সেইটোৰ ওপৰত action ল’বলৈ প্ৰয়োজনীয় context-ৰ সমাহাৰ। "actor" মানে সেই মুহূৰ্তত interaction-ৰ নিয়ন্ত্ৰণত যি আছে: এজন ব্যক্তি, AI assistant-ৰ সৈতে কাম কৰা এজন ব্যক্তি, এজন autonomous agent, বা উপলব্ধ evidence-এ নির্ধাৰণ কৰিব নোৱাৰা কিবা এটা।
অভিনেতা বুদ্ধিমত্তা identity-ৰ পৰা পৃথক। Identity-য়ে উত্তৰ দিয়ে "এইটো কোন account?" Actor intelligence-য়ে উত্তৰ দিয়ে "এই account-টো, বা এই request-টো, এতিয়া কোন ধৰণৰ participant-এ চলাই আছে, আৰু আমি সেইটো কেনেকৈ জানো?"
এই category কিয় আছে
Web-ৰ ইতিহাসৰ বেছিভাগ সময়ত, application-এ authenticated session-এজন ব্যক্তিৰ দৰে treat কৰিব পাৰিছিল। Automated traffic আছিল এনে এটা বস্তু যাক detect কৰি সাধাৰণতে বন্ধ কৰা হৈছিল। এই model ভাঙি যায় যেতিয়া legitimate software agent-এ মানুহ আৰু company-ৰ হৈ browsing আৰম্ভ কৰে, APIs call কৰে আৰু tool invoke কৰে। এতিয়া application-এ এইবোৰৰ মাজত পাৰ্থক্য কৰিব লাগিব:
- যিসকল ব্যক্তিয়ে normal experience পাব লাগে।
- AI সহায় ব্যৱহাৰ কৰা ব্যক্তি, যিটো workflow-ৰ ওপৰত নিৰ্ভৰ কৰি welcome, restricted বা simply disclosed হ’ব পাৰে।
- Agent-সমূহ যিয়ে structured access deserve কৰে, যেনে API বা machine-readable response।
- এনে interaction য’ত সিদ্ধান্ত ল’বলৈ evidence পৰ্যাপ্ত নহয়।
আমাৰ post মানৱ, AI-assisted নে agent: application traffic-ৰ বাবে এটা practical taxonomy-এ এই চাৰিটা group বিৱৰণসহ ব্যাখ্যা কৰে।
এই পাৰ্থক্য নাথাকিলে team-সমূহ blunt tool-লৈ ঘূৰি যায়: automated দৰে দেখা সকলো block কৰা, বা authenticate কৰা সকলো allow কৰা। দুয়োটাই সমস্যা সৃষ্টি কৰে। প্ৰথমটোৱে legitimate integration ভাঙে। দ্বিতীয়টোৱে উচ্চ-প্রভাৱযুক্ত action-সমূহক কাৰো উদ্দেশ্যতকৈ কম context-ৰ সৈতে চলিবলৈ দিয়ে।
অভিনেতা বুদ্ধিমত্তাৰ উপাদানসমূহ
সংকেত
মূল input: request signature, protocol detail, client-ৰ declaration, আৰু browser session-ৰ interaction signal। কোন signal থাকিব সেইটো integration ক’ত চলে তাৰ ওপৰত নিৰ্ভৰ কৰে।
ভিত্তিসহ শ্রেণীবিভাগ
Agent বা Human যেনে conclusion তেতিয়াহে উপযোগী হয় যেতিয়া সেইটো কিহৰ ওপৰত নির্ভৰ কৰিছে সেইটো স্পষ্ট কৰে। ভাল অভিনেতা বুদ্ধিমত্তাই সদায় evidence basis report কৰে: Verified, Declared, Inferred বা Unknown।
বিশ্লেষণ
সময়ৰ সৈতে আৰু route অনুসৰি pattern: application-ৰ কোন অংশত agent traffic দেখা যায়, unknown কিমান, আৰু release-ৰ পিচত এই সংখ্যা কেনেকৈ সলনি হয়।
সিদ্ধান্ত
প্ৰতিটো route আৰু risk level-ৰ বাবে application-ৰ নিজৰ policy। Actor intelligence-এ এই সিদ্ধান্তসমূহ inform কৰে; ই নিজে সেইবোৰ গ্রহণ নকৰে।
Bot detection-ৰ সৈতে ইয়াৰ সম্পৰ্ক
Bot detection মূলত adversarial: ইয়াৰ লক্ষ্য হৈছে abusive automation বিচাৰি উলিওৱা আৰু বন্ধ কৰা। Actor intelligence অধিক বিস্তৃত। ই automation-ক এটা normal participant হিচাপে দেখে, যিটো legitimate হ’ব পাৰে, আৰু AI-assisted human-কে নিজৰ category হিচাপে দেখে। ই Unknown-কো first-class স্থান দিয়ে, সকলো interaction-কে "bot" বা "not bot"-ত বাধ্য কৰাই নিদিয়ে।
সাধাৰণ ভুল ধাৰণা
অধিক সংকেত মানেই অধিক নিশ্চিততা। বিভিন্ন শক্তিৰ signal-সমূহক এটা score-ত average কৰা উচিত নহয়। এটা verified signature আৰু এটা inferred behavior pattern একে ধৰণৰ evidence নহয়।
অভিনেতা বুদ্ধিমত্তাই স্বয়ংক্রিয়ভাৱে সিদ্ধান্ত ল’ব লাগে। ইয়াৰ মূল্য হৈছে application owner-ক নির্ভৰযোগ্য context দিয়া। Enforcement owner-এ সিদ্ধান্ত কৰে।
Proof of Actor-ত অভিনেতা বুদ্ধিমত্তা
Proof of Actor-এ actor intelligence-ক তিনিটা capability হিচাপে package কৰে: Detect, Understand আৰু Route। ফলাফল সদায় explicit basis-সহ চাৰিটা class-ৰ এটা হয়, team-সমূহ observation mode-ত আৰম্ভ কৰে, আৰু policy-সমূহ application-ৰ নিজৰ code-ত চলে। অধিক জানিবলৈ product page চাওক বা early access-ৰ বাবে apply কৰক.