ମୁଖ୍ୟ ବିଷୟବସ୍ତୁକୁ ଛାଡ଼ନ୍ତୁ
HUMAN ବନାମ AGENT ଟ୍ରାଫିକ୍

human, AI-assisted ଏବଂ agent ଟ୍ରାଫିକ୍‌କୁ ପୃଥକ କରନ୍ତୁ

ପ୍ରତ୍ୟେକ ଇଣ୍ଟରାକ୍ସନ୍‌କୁ ଏକ ସ୍ପଷ୍ଟ class ଏବଂ ଏକ ସ୍ପଷ୍ଟ basis ଦିଅନ୍ତୁ, ଯାହାଦ୍ୱାରା ଆପଣଙ୍କ application, people, people working with AI ଏବଂ autonomous agents ପ୍ରତ୍ୟେକଙ୍କୁ ଯାହା ଦରକାର ସେହିପରି ସେବା ଦେଇପାରିବ।

Toshendra Sharma

ଦ୍ୱାରା Toshendra SharmaFounder & CEO, AgentCredia · Updated November 13, 2026

ଦୁଇଟି category ଆଉ ଯଥେଷ୍ଟ ନୁହେଁ

ବର୍ଷଗୁଡ଼ିକ ଧରି, traffic କୁ ଦୁଇଟି bucket ରେ ବାଣ୍ଟାଯାଇଥିଲା: humans ଏବଂ bots। Humans ପାଉଥିଲେ product। Bots କୁ block, rate-limit କିମ୍ବା ignore କରାଯାଉଥିଲା।

ସେଇ ବିଭାଜନ ଆଉ ଟିକେ ନାହିଁ। କିଛି automated visitors ହେଉଛନ୍ତି agents, ଯେଉଁମାନେ real customers ଙ୍କ ପକ୍ଷରୁ କାର୍ଯ୍ୟ କରନ୍ତି: ଏକ assistant plan ତୁଳନା କରୁଛି, ଏକ agent ଆପଣଙ୍କ API ମାଧ୍ୟମରେ data ଆଣୁଛି, ଏକ tool ଏକ କାମ ସମାପ୍ତ କରିବାକୁ ଆପଣଙ୍କ MCP server କୁ call କରୁଛି। AI providers ଏବେ ଏପରି user-initiated access କୁ ନିଜେ ମଧ୍ୟ document କରୁଛନ୍ତି: OpenAI କହେ ଯେ ତାହାର ChatGPT-User agent ଯେତେବେଳେ ଏକ user ChatGPT କୁ ଏକ ପ୍ରଶ୍ନ କରେ, pages visit କରେ (OpenAI crawler documentation), ଏବଂ Anthropic ସମାନ ଉଦ୍ଦେଶ୍ୟ ପାଇଁ Claude-User କୁ ତାଲିକାଭୁକ୍ତ କରେ (Anthropic crawler documentation). ସେହି ସମୟରେ, କିଛି ଲୋକ AI ସହିତ ହାତେହାତ ମିଶି କାମ କରନ୍ତି, messages draft କରନ୍ତି, forms ପୁରଣ କରନ୍ତି ଏବଂ ଏକ assistant ପାଖରେ ରଖି products ରେ ଘୁରନ୍ତି। ଏହା ସବୁକୁ human କିମ୍ବା bot ଭିତରେ ଠେଲିଦେଲେ ଦୁଇଦିଗରେ ଖରାପ decisions ହୁଏ। Legitimate agents block ହୋଇଯାନ୍ତି, ଏବଂ real people challenge କରାଯାନ୍ତି କାରଣ ସେମାନଙ୍କର behavior ଅସାଧାରଣ ଲାଗେ।

human ଏବଂ AI agent ଟ୍ରାଫିକ୍‌କୁ ପୃଥକ କରିବା ପାଇଁ, ଯାହା ଭଲ decisions କୁ ନେଇଯାଏ, ଆପଣଙ୍କୁ ଅଧିକ categories ଆବଶ୍ୟକ ଏବଂ ପ୍ରତ୍ୟେକ result କେତେ ଭରସାଯୋଗ୍ୟ ତାହା ଜାଣିବା ଆବଶ୍ୟକ। how to tell if website traffic comes from AI agents ବିଷୟରେ blog post ସେହି signals ଦେଖାଏ ଯେଉଁଗୁଡ଼ିକ ଏହାକୁ ସମ୍ଭବ କରେ, ଏବଂ SaaS apps use case ଦେଖାଏ ଯେ distinction କେଉଁଠି product decisions ବଦଳାଏ।

ଚାରିଟି class, ପ୍ରତ୍ୟେକର ନିଖୁତ ଅର୍ଥ ଅଛି

Proof of Actor interactions କୁ ଚାରିଟି class ରେ classify କରେ। ପ୍ରତ୍ୟେକଟିର ଏକ definition ଏବଂ ଏକ ସ୍ପଷ୍ଟ limit ଅଛି, ଯାହାଦ୍ୱାରା ଆପଣଙ୍କ team ର କେହି ମଧ୍ୟ result ଭିତରେ evidence ଠାରୁ ଅଧିକ କିଛି ପଢ଼ିନେବେ ନାହିଁ। ଏହି taxonomy ପଛର reasoning ପାଇଁ Human, AI-assisted or agent: a taxonomy for app traffic ପଢ଼ନ୍ତୁ।

Human

supported observable signals human-directed interaction ସୂଚିତ କରେ। ଏହି class ର ଧ୍ୟାନ ଅଛି interaction କିଏ ନିର୍ଦ୍ଦେଶ କରୁଛି ତାହାରେ, identity ରେ ନୁହେଁ। Human result କେହି ବ୍ୟକ୍ତି କିଏ ତାହା verify କରେନାହିଁ, ଏବଂ କେଉଁସି ସ୍ଥାନରେ AI ବ୍ୟବହୃତ ହୋଇନଥିଲା ବୋଲି ଦାବି କରେନାହିଁ।

Human + AI

AI assistance declared ହୋଇଥିଲା, କିମ୍ବା ଏକ supported integration ମାଧ୍ୟମରେ ଦେଖାଯାଇଥିଲା ଯାହା ସେଥିକୁ ପ୍ରକୃତରେ ଦେଖିପାରେ। ଉଦାହରଣରେ ଏକ user ଆପଣଙ୍କ own disclosure control ମାଧ୍ୟମରେ AI ସହିତ draft ହୋଇଥିବା content ବୋଲି marking କରିବା, କିମ୍ବା ଆପଣଙ୍କ application reporting କରିବା ଯେ ଏହାର built-in assistant ଏକ signed-in user ପାଇଁ ଏକ action କରିଥିଲା। ଅଧିକ ପଢ଼ନ୍ତୁ AI-assisted interaction glossary entry ରେ।

Agent

automated କିମ୍ବା agent-origin interaction, verifiable identity ଦ୍ୱାରା supported, ଯେପରି published key ରୁ valid request signature, କିମ୍ବା carefully qualified inference ଦ୍ୱାରା। Agent result କିଏ କାର୍ଯ୍ୟ କରୁଛି ତାହା ବର୍ଣ୍ଣନା କରେ। ଏହାର ଅର୍ଥ ଏହା ନୁହେଁ ଯେ agent authorized, safe କିମ୍ବା person ଠାରୁ valid delegation ସହିତ କାମ କରୁଛି। autonomous agents ବିଷୟରେ ଅଧିକ ପଢ଼ନ୍ତୁ।

Unknown

available evidence ଏକ reliable determination ସମର୍ଥନ କରେନାହିଁ। Unknown ଏକ ସତ୍ୟନିଷ୍ଠ ଏବଂ ଉପଯୋଗୀ result: ଏହା ଦେଖାଏ ଯେ ଆପଣଙ୍କ coverage କେଉଁଠି ସମାପ୍ତ ହେଉଛି, ଏବଂ ଏହା ଆପଣଙ୍କ policies କୁ ଅନିଶ୍ଚିତ cases କୁ ଭାବପୂର୍ବକ ହାତଲ କରିବାର ସୁଯୋଗ ଦିଏ, ଦୁର୍ଘଟନାବଶତଃ ନୁହେଁ।

ପ୍ରତ୍ୟେକ class ସହିତ ଏକ basis ଆସେ

human ଏବଂ agent traffic କୁ ପୃଥକ କରିବା କାମର କେବଳ ଅଧା ଅଂଶ। ଅନ୍ୟ ଅଧା ହେଉଛି ପ୍ରତ୍ୟେକ conclusion କେତେ ଶକ୍ତିଶାଳୀ ତାହା ଜାଣିବା। ସେଥିପାଇଁ ପ୍ରତ୍ୟେକ Proof of Actor result ଏକ basis ବହନ କରେ:

  • Verified: ଏକ check କରିପାରିବା assertion ଯାହା validate କରାଯାଇଛି, ଉଦାହରଣ ସ୍ୱରୂପ published key ବିରୁଦ୍ଧରେ checked ହୋଇଥିବା request signature।
  • Declared: client କିମ୍ବା ଆପଣଙ୍କ application ଏହା କହିଛି, ଉଦାହରଣ ସ୍ୱରୂପ ଏକ agent ନିଜକୁ ନାମକରଣ କରୁଛି କିମ୍ବା ଏକ user AI assistance disclosure କରୁଛି।
  • Inferred: behavioral କିମ୍ବା contextual signals ରୁ ଆଣାଯାଇଥିବା conclusion, ସବୁବେଳେ ଏକ inference ଭାବରେ labeled।
  • Unknown: determination ପାଇଁ ପର୍ଯ୍ୟାପ୍ତ evidence ନାହିଁ।

class ଏବଂ basis ର ସଂଯୋଗ ହିଁ ଆପଣଙ୍କୁ precise rules ବନାଇବାର ସୁଯୋଗ ଦିଏ। ଏକ verified agent ଏବଂ ଏକ inferred agent ଉଭୟ agent ଅଟନ୍ତି, କିନ୍ତୁ ଆପଣ ପ୍ରଥମଟିକୁ structured API ଦେବାକୁ ଚାହିଁପାରନ୍ତି ଏବଂ ଦ୍ୱିତୀୟଟିକୁ standard rate limit ସହିତ ବ୍ୟବହାର କରିପାରନ୍ତି। ଏକ declared AI-assisted submission ଏବଂ ଏକ human session ଉଭୟ ସାଧାରଣ ଭାବରେ ଆଗକୁ ବଢ଼ିପାରେ, ଏକ label ସହିତ ଯାହା ଆପଣଙ୍କ support team କୁ ସାହାଯ୍ୟ କରେ। ଆପଣ Detection & Limitations ରେ ସମ୍ପୂର୍ଣ୍ଣ taxonomy ପାଇପାରିବେ।

classification କିପରି ଘଟେ

Proof of Actor ପ୍ରତ୍ୟେକ interaction ପାଇଁ ସେଇ evidence-first path ଅନୁସରଣ କରେ। ସମ୍ପୂର୍ଣ୍ଣ ବ୍ୟାଖ୍ୟା How It Works ରେ ଅଛି।

ଆପଣଙ୍କ integration ଯେଉଁ signals ଦେଖିପାରେ

  • Request signatures automated clients ରୁ ଯେମାନେ ନିଜ key ପ୍ରକାଶ କରନ୍ତି, HTTP Message Signatures ବ୍ୟବହାର କରି, ଯାହା RFC 9421 ରେ ପରିଭାଷିତ। IETF Web Bot Auth working group କୁ ଏହିପରି automated clients କିପରି authenticate କରିବେ ତାହା standardize କରିବା ପାଇଁ charter କରାଯାଇଛି।
  • Declarations clients ଠାରୁ ଯେମାନେ ନିଜେମାନଙ୍କୁ identify କରନ୍ତି, ଯେପରି AI crawlers ଏବଂ fetchers ର documented user agents, ଏବଂ ଆପଣଙ୍କ own application ଠାରୁ ଯେତେବେଳେ ଏହା ଜାଣେ ଯେ AI assistance ଜଡିତ ଅଛି।
  • Request context ଏକ server-side integration ପାଇଁ available, ଯେପରି headers ଏବଂ protocol details।
  • Interaction signals ଅନୁମୋଦିତ browser integration ଠାରୁ ସେହି pages ରେ ଯେଉଁଠାରେ ଏହା ଚାଲେ।

signals ଠାରୁ result ପର୍ଯ୍ୟନ୍ତ

signals checked କରାଯାଏ, basis ଦ୍ୱାରା labeled କରାଯାଏ ଏବଂ ଏକତ୍ର କରାଯାଏ। ଶକ୍ତ verified evidence ଏକ confident result ସୃଷ୍ଟି କରେ। ଦୁର୍ବଳ କିମ୍ବା ବିରୋଧୀ evidence ଏକ qualified inference କିମ୍ବା Unknown ସୃଷ୍ଟି କରେ। ଏକ timeout କିମ୍ବା missing signal କେବେ Human result ହୁଏ ନାହିଁ। output ହେଉଛି ଏକ class, ଏକ basis ଏବଂ ଏକ evidence summary ଯାହା ଆପଣଙ୍କ team ର କେହି ମଧ୍ୟ ପଢ଼ିପାରିବେ।

traffic ପୃଥକ ହେଲେ ଆପଣ କ’ଣ କରିପାରିବେ

Proof of Actor ତିନିଟି capability ଉପରେ ଗଠିତ: Detect, Understand ଏବଂ Route।

ପ୍ରତ୍ୟେକ interaction ପଛରେ actor କୁ detect କରନ୍ତୁ

ପ୍ରତ୍ୟେକ context ରେ available signals ସଂଗ୍ରହ କରନ୍ତୁ ଏବଂ verified assertions କୁ inferences ଠାରୁ ପୃଥକ କରନ୍ତୁ। Unknown କୁ visible ରଖନ୍ତୁ।

ପ୍ରତ୍ୟେକ actor ଆପଣଙ୍କ product କିପରି ବ୍ୟବହାର କରୁଛି ବୁଝନ୍ତୁ

route ଏବଂ ସମୟ ଅନୁସାରେ human, AI-assisted, agent ଏବଂ unknown activity ର mix ଦେଖନ୍ତୁ। କୌଣସି result ଖୋଲନ୍ତୁ ଏବଂ କ’ଣ ଜଣାଯାଇଛି ଏବଂ କ’ଣ ଜଣାଯାଇନି ସେଥି ଦେଖନ୍ତୁ। ଯେଉଁ routes ରେ agents concentrate କରୁଛନ୍ତି ଏବଂ ଯେଉଁ workflows ରେ AI assistance ସାଧାରଣ, ସେଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରନ୍ତୁ।

ପ୍ରତ୍ୟେକ actor କୁ ସଠିକ୍ experience କୁ route କରନ୍ତୁ

evidence ସମର୍ଥନ କରିଲେ ଆପଣଙ୍କ own policies ପ୍ରୟୋଗ କରନ୍ତୁ। ଏକ public website ରେ, websites use case ଦେଖାଏ ଯେ ଏହି choices କିପରି real routes ସହିତ ମେଳ ଖାଏ:

  • verified agents କୁ human-shaped pages ପରିବର୍ତ୍ତେ structured response କିମ୍ବା API ସେବା ଦିଅନ୍ତୁ।
  • human-directed sessions ପାଇଁ standard experience ରଖନ୍ତୁ।
  • AI-assisted submissions କୁ label କରନ୍ତୁ, ଯାହାଦ୍ୱାରା ସଠିକ୍ team ସେଗୁଡ଼ିକୁ ହାତଲ କରିବେ।
  • ଆପଣଙ୍କ own conditions ଆବଶ୍ୟକ କଲେ sensitive actions ପାଇଁ ଅଧିକ strong credentials ଚାହନ୍ତୁ।
  • ପ୍ରତ୍ୟେକ route ପାଇଁ Unknown ଉପରେ ଏକ explicit fallback ବାଛନ୍ତୁ, ଯେପରି public pages କୁ allow କରିବା ଏବଂ account changes ଉପରେ existing checks ରଖିବା।

rolling out actor-aware policies safely ଗାଇଡ୍ ଦେଖାଏ କିପରି observation ଠାରୁ enforcement କୁ ଏକେବାରେ ଏକ route ରେ ଆଗକୁ ବଢ଼ିବେ।

ଏହା ଆପଣଙ୍କ users ପାଇଁ କାହିଁକି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ

ଏହାକୁ ସଠିକ୍ ଭାବରେ କରିବା ଆପଣଙ୍କ application ବ୍ୟବହାର କରୁଥିବା ସମସ୍ତଙ୍କ ପାଇଁ ଭଲ।

People ମାନଙ୍କୁ ଏକ smoother experience ମିଳେ କାରଣ ତାଙ୍କୁ ଏକ vague score ର ଶକ୍ତି ଉପରେ challenge କରାଯାଏ ନାହିଁ। People working with AI ଆଲୋଚିତ assistance ଥିବା workflows ରେ support ପାଆନ୍ତି ଯେଉଁଠାରେ ଏହା fit ହୁଏ। Legitimate agents ନିଜ କାମ କରିବାକୁ ଏକ reliable, structured way ପାଆନ୍ତି, ଯାହା scraping ଏବଂ ଆପଣଙ୍କ interface ଉପରେ load କମାଏ। ଆପଣଙ୍କ team explainable decisions ପାଏ, ଯାହାଦ୍ୱାରା support conversations, incident reviews ଏବଂ policy changes guesswork ନୁହେଁ, evidence ଉପରେ ଭିତ୍ତି କରେ।

login ହିଁ actor ନୁହେଁ

ସବୁଠାରୁ ସାଧାରଣ confusion ର ଉତ୍ସମାନଙ୍କ ମଧ୍ୟରୁ ଗୋଟିଏ ହେଉଛି account ନିଜେ। ଏକ signed-in session ଆପଣଙ୍କୁ କେଉଁ account ବ୍ୟବହୃତ ହେଉଛି ତାହା କହେ। ଏହା କିନ୍ତୁ current interaction କିଏ ନିର୍ଦ୍ଦେଶ କରୁଛି ସେଥି କହେନାହିଁ। ସେଇ account କୁ ଏହାର owner ସକାଳେ settings ଦେଇ click କରିବାରେ, noon ରେ report export କରିବାକୁ owner ଯାହାକୁ କହିଥିଲେ ସେ assistant ଦ୍ୱାରା, ଏବଂ ସନ୍ଧ୍ୟାରେ ଏକ API key ମାଧ୍ୟମରେ କାମ କରୁଥିବା agent ଦ୍ୱାରା, ସବୁବେଳେ ବ୍ୟବହାର କରାଯାଇପାରେ।

ଏହି ତିନୋଟିକୁ ସମାନ ଭାବରେ ଧରିଲେ ଦୁଇଦିଗରେ ସମସ୍ୟା ହୁଏ। ଯଦି account ଉପରେ ପ୍ରତ୍ୟେକ request କୁ owner ର ଭାବେ ଧରାଯାଏ, ଏକ agent ସେହି workflows ପହଞ୍ଚିପାରେ ଯାହା ଏକ person ପାଇଁ ଡିଜାଇନ୍ ହୋଇଥିଲା। ଯଦି ପ୍ରତ୍ୟେକ ଅସାଧାରଣ request କୁ attack ଭାବରେ ଧରାଯାଏ, ତେବେ owner ଙ୍କ own tools block ହୋଇଯାଆନ୍ତି। actor କୁ account ଠାରୁ ପୃଥକ କରିଲେ ଆପଣଙ୍କ application authentication ଏବଂ authorization କୁ ଯେପରି ଅଛି ସେହିପରି ରଖିପାରେ, ଏବଂ ଏବେ କିଏ କାର୍ଯ୍ୟ କରୁଛି ସେଥିର ହରାଇଥିବା context ଯୋଡ଼ିପାରେ। ସେଇ context ହିଁ agents କୁ human-only workflows ଖୋଲିଦିଆନଥିବା ସ୍ଥିତିରେ structured access ଦେବାକୁ ସମ୍ଭବ କରେ।

observation mode ରେ ଆରମ୍ଭ କରନ୍ତୁ

ପ୍ରତ୍ୟେକ deployment observation mode ରୁ ଆରମ୍ଭ ହୁଏ। Proof of Actor results ରେକର୍ଡ କରେ ଯେବେତେବେଳେ ଆପଣଙ୍କ application ପୂର୍ବବତ୍ ଭଳି ଉତ୍ତର ଦେଇଥାଏ। ଆପଣଙ୍କ team human, AI-assisted, agent ଏବଂ unknown activity ର baseline ତିଆରି କରେ, ଏହାକୁ ଆପଣ ପୂର୍ବରୁ ଜାଣିଥିବା outcomes ସହିତ ତୁଳନା କରେ, ଏବଂ ଏକମାତ୍ର rule ବଦଳିବା ପୂର୍ବରୁ false positives review କରେ। ଯେତେବେଳେ ଏକ policy ପ୍ରସ୍ତୁତ ହୋଇଯାଏ, ଆପଣ ଏହାକୁ ଏକ workflow ପାଇଁ enable କରନ୍ତି ଏବଂ ସେଠାରୁ ବଢ଼ାନ୍ତୁ।

founding developer program ରେ ଯୋଗ ଦିଅନ୍ତୁ

Proof of Actor ଏକ ଛୋଟ application team ଗୋଷ୍ଠୀ ସହ private beta ରେ ଅଛି। ଚୟନିତ founding developers agreed usage limits ମଧ୍ୟରେ up to 12 months free access ପାଇପାରନ୍ତି, hands-on feedback ବଦଳରେ। ଆପଣଙ୍କୁ ଆମ engineers ଠାରୁ direct integration support, capabilities ପାଇଁ early access, ଏବଂ priorities ଉପରେ influence ମିଳେ।

ଯଦି ଆପଣଙ୍କ application ରେ human ଏବଂ AI agent ଟ୍ରାଫିକ୍‌କୁ ପୃଥକ କରିବା ଆବଶ୍ୟକ, apply for early access କରନ୍ତୁ ଏବଂ ଆପଣ ସବୁଠାରୁ ଯେ interaction ବୁଝିବାକୁ ଚାହୁଁଛନ୍ତି ସେଥିରେ ଆମକୁ କୁହନ୍ତୁ।

Proof of Actor ଅନୁସନ୍ଧାନ କରନ୍ତୁ, how it works ପଢ଼ନ୍ତୁ, କିମ୍ବା ସଠିକ୍ ଭାବରେ what the evidence can establish ଦେଖନ୍ତୁ।

Sources

ବିକାଶକର୍ତ୍ତାମାନଙ୍କ ପାଇଁ

What your code receives

Every interaction resolves to one result record. Your application reads the class and the basis and applies its own policy.

Result record
{
  "route": "GET /api/v1/catalog",
  "class": "agent",
  "basis": "verified",
  "evidence": [
    { "signal": "http_message_signature", "result": "valid", "keyid": "assistant.example" },
    { "signal": "client_declaration", "value": "assistant.example" }
  ],
  "observed_at": "2026-11-13T10:42:07Z"
}
class
Human, Human + AI, Agent କିମ୍ବା Unknown।
basis
ପ୍ରମାଣ କେତେ ଶକ୍ତିଶାଳୀ: verified, declared, inferred କିମ୍ବା unknown।
evidence
result ପଛରେ ଥିବା signal, ଯାହାଦ୍ୱାରା ଆପଣଙ୍କ team କାହିଁକି ତାହା ଦେଖିପାରିବ।

observation mode ରେ ଆରମ୍ଭ କରନ୍ତୁ: ଆପଣଙ୍କ log ପାଖରେ result record କରନ୍ତୁ ଏବଂ ଆପଣ policy ବାଛିବା ପର୍ଯ୍ୟନ୍ତ କିଛି ମଧ୍ୟ ପରିବର୍ତ୍ତନ କରନ୍ତୁ ନାହିଁ। Node.js integration guide ପଢନ୍ତୁ

ସାଧାରଣ ପ୍ରଶ୍ନଗୁଡ଼ିକ

ଆପଣ human ଏବଂ AI agent ଟ୍ରାଫିକ୍‌କୁ କିପରି ପୃଥକ କରନ୍ତି?

Proof of Actor ଆପଣଙ୍କ integration ଯେଉଁ ସଙ୍କେତଗୁଡ଼ିକୁ ଦେଖିପାରେ, ସେଗୁଡ଼ିକୁ ଏକତ୍ର କରେ, ଯେପରି request signatures, client declarations, request context ଏବଂ browser interaction signals, ଏବଂ ସ୍ପଷ୍ଟ basis ସହିତ ଏକ class ଫେରାଇ ଦିଏ।

Human + AI class କାହିଁକି ଅଛି?

କିଛି ଲୋକ AI assistant ସହିତ କାମ କରନ୍ତି। ସେମାନଙ୍କୁ ସମ୍ପୂର୍ଣ୍ଣ human କିମ୍ବା ସମ୍ପୂର୍ଣ୍ଣ automated ଭାବରେ ଧରିବାରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ context ହାରାଇଯାଏ। Human + AI ସେହି assistance କୁ ଆବରଣ କରେ ଯାହା declared ଅଥବା supported integration ମାଧ୍ୟମରେ observable ଅଟେ।

Agent result କ’ଣ ଏକ bad bot ସହିତ ସମାନ?

ନା। ଅନେକ agent ବୈଧ participants ଅଟନ୍ତି। Agent result କିଏ କାର୍ଯ୍ୟ କରୁଛି ତାହା ବର୍ଣ୍ଣନା କରେ, କାର୍ଯ୍ୟ ଅନୁମତିପ୍ରାପ୍ତ କି ନୁହେଁ ସେଥି ନୁହେଁ। ପ୍ରତ୍ୟେକ agent କେମିତି ସେବା ପାଇବେ ସେଥି ଆପଣଙ୍କ policies ନିଷ୍ପତ୍ତି କରନ୍ତି।

ଟ୍ରାଫିକ୍‌କୁ classify କରିହେବା ନାହିଁ ହେଲେ କ’ଣ?

ଏହା Unknown ଭାବରେ ରିପୋର୍ଟ କରାଯାଏ, ଏକ first-class result ଭାବରେ। Unknown କେବେ Human କୁ ପରିବର୍ତ୍ତିତ ହୁଏ ନାହିଁ ଏବଂ default ଭାବରେ malicious ବୋଲି ଧରାଯାଏ ନାହିଁ।

ମୋତେ କିଛି block କରିବାକୁ ପଡିବ କି?

ନା। ଆପଣ observation mode ରେ ଆରମ୍ଭ କରନ୍ତି, results review କରନ୍ତି, ଏବଂ policies କେବଳ ସେଠାରେ enable କରନ୍ତି ଯେଉଁଠାରେ ଆପଣଙ୍କ team ନିଶ୍ଚିତ ଯେ ସେଗୁଡ଼ିକ ମେଳ ଖାଏ।

ଆପଣଙ୍କ app କୁ କିଏ ବ୍ୟବହାର କରୁଛି, ତାହା ଜାଣନ୍ତୁ।

Founding developer ଙ୍କ ଛୋଟ ଦଳ ପାଇଁ private beta।

ପ୍ରଥମେ କଥାହେବାକୁ ପସନ୍ଦ କରନ୍ତି? founderମାନଙ୍କ ସହ କଥାବାର୍ତ୍ତା କରନ୍ତୁ