Гонка включена. К настоящему времени практически каждый поставщик программного обеспечения предлагает какой-то совместный пилот для искусственного интеллекта, предназначенный для помощи пользователям в их программном обеспечении. Эти помощники могут значительно ускорить ежедневные задачи: GitHub Copilot помогает писать код, Microsoft Word завершает предложения, а AI Figma дает рекомендации по проектированию.
Следующим логическим шагом для поставщиков программного обеспечения является создание агентов, которые выходят за рамки простой помощи путем создания реальных агентов, которые получают информацию из данных, а иногда даже принимают решения. Вот почему многие поставщики программного обеспечения в настоящее время также подталкивают помощников по искусственному интеллекту, которые анализируют данные, управляемые их собственным программным обеспечением — более или менее разумно. Например, чат Hubspot теперь может генерировать отчеты из данных CRM, в то время как идеи Google Analytics, основанные на AI, могут автоматически вскрывать необычные шаблоны трафика или внезапные падения флага в взаимодействии. Это приводит к тому, что информация, хранящаяся в тех инструментах, которые можно использовать более творчески, а не полагаться на встроенные информационные панели или вручную созданные отчеты. Эти агенты могут даже в конечном итоге контролировать данные 24/7, предоставляя представление и рекомендуемые действия.
Но в то время как каждая разработка имеет смысл с точки зрения поставщика, это создает проблему для предприятия: все их агенты ИИ работают в изолированных бункерах.
Задача фрагментации ИИ и силосов данных
Агенты, ограниченные одним источником данных, имеют ограниченное использование, так как они дают представление только о узком куске доступной информации. Это может иметь смысл в тех случаях, когда необходимы действительно специализированные агенты. Но агенты, которые могут получить доступ ко всей информации в организации, предлагают гораздо большую ценность. Представьте себе агент по успеху клиента: В рамках CRM агент может напомнить вам, что обновление клиента должно быть на следующей неделе, и до сих пор никто не обратился. Полезно — но узкий.
Благодаря доступу ко многим другим инструментам, агент также может пометить, что поддержание билетов от этого клиента недавно вырос, использование продукта снизилось на 40% по сравнению с предыдущим кварталом, и никто из учетной записи не посещал вебинары и не ответил на охват маркетинга. Вместо простого подталкивания ИИ может рекомендовать эскалацию учетной записи или составление адаптированного сообщения регистрации, рассматривая эти проблемы.
Даже классические ко-пилоты получат выгоду от данных по всей предприятии. Даже если это что -то простое, как возможность сказать: «То, что вы начинаете прямо сейчас, ваш коллега Анита уже пробовала в другом контексте три месяца назад».
Распространение помощников, работающих бок о бок по частичным данным, не в интересах. Структура Google Агент-Агент направлена на то, чтобы решить эту проблему-по крайней мере частично-путем стандартизации сотрудничества между агентами. Тем не менее, это не решает основную проблему: в идеале, агенты искусственного интеллекта должны работать беспрепятственно в разных системах и иметь неограниченный доступ ко всему ландшафту данных организации, включая любые общедоступные данные из таких источников, как социальные сети или обзорные платформы.
Почему агенты ИИ должны быть оркестровским слоем
Если ваша организация является одной из немногих, которая удается сохранить все свои данные в одном облачном провайдере или внедрила глобальное хранилище данных, почему бы не использовать свои возможности ИИ? Но не должны ли мы сохранить свободу создавать наших собственных агентов или использовать его у поставщика, который специализируется на ИИ, а не на хранилищах данных или озерах данных?
В любом случае, эта «унифицированные данные в одном месте» нереалистичны для большинства компаний. Большинство работают с небольшим количеством систем и нуждаются в открытом доступе к данным, управляемым этими инструментами. Но это не в интересах отдельных поставщиков, поскольку оно сокращает их доход от ИИ. Некоторые поставщики уже начали ограничивать или откровенно запрещать доступ к своим данным внешними агентами. Еще неизвестно, как долго клиенты будут терпеть, как говорят, что они не могут полностью использовать свои собственные данные.
В долгосрочной перспективе агентские платформы ИИ будут преобладать в качестве платформ, которые позволяют оркестровке инструментов и агентов искусственного интеллекта независимо от программных инструментов и базовых источников данных, используемых в организации. Эти платформы позволяют свободно настроить агентов и предоставлять им гибкие инструменты, которые объединяют информацию из нескольких источников и уровней абстракции. Они также могут включать в себя другие агенты или, с помощью протоколов, таких как MCP, интегрировать внешние сборщики информации или актеры (так называемые инструменты). И, конечно же, они иногда внедряют специализированные суб-агенты, привязанные к конкретным программным инструментам-когда это имеет смысл, а не потому, что они должны.
Так же, как платформы интеграции данных и аналитики, этот подход имеет смысл оставаться технологическим. Например, если вы хотите переключать системы CRM, вам не нужно полагаться на комплексный ИИ нового инструмента или перенастроить все ваши агенты. Вам нужно только обновить несколько инструментов интеграции в среднем уровне, чтобы указать от старой системы на новую.
Наконец, этот вид слоя оркестровки также имеет смысл с точки зрения соответствия. Если в какой-то момент вы хотите-или нужно-отследить, как было принято решение, гораздо проще, если инструмент регистрирует весь процесс принятия решений агента: какие запросы обрабатывались, какие инструменты были вызваны, с какими параметрами и какие данные были извлечены изкуда.
Мы видим это в Knime сами. Мы создали внутренний агент по искусственному искусству (Codename: aka — спросите Knime Anything), который опирается на широкий спектр инструментов для доступа к структурированной информации о клиентах, пользователях, событиях и внутренних данных, таких как сотрудники, финансы и документация. Сотрудники Knime используют AKA, чтобы получить быстрое представление о широком спектре вопросов, связанных с клиентами, маркетингом или HR, не нуждаясь в ничего о программном обеспечении, где обычно доступны эти идеи. Ключ заключается в том, что эти инструменты не просто предлагают необработанный доступ к данным — они часто консолидируют понимание из нескольких источников.
Например, инструмент «Информация о клиенте» объединяет данные из CRM, системы поддержки и базы данных событий. ИИ теоретически мог бы сделать такую интеграцию, но это усложнило бы свою работу. Кроме того, многие компании уже имеют такие рабочие процессы интеграции данных. Представьте себе, как было бы громоздко, если бы так называемый агент «знания-все» должен был собрать все вместе из необработанных результатов различных систем или фрагментированных идей их специализированных AIS. И это, конечно, становится еще более интересным, когда ИИ постепенно строит и совершает свои собственные инструменты сбора информации-используя отзывы пользователей, чтобы улучшить его моделирование (чтобы не сказать «понимание») структуры и отношений организации.
Составной возврат широкого доступа к данным для агентов
Итак, как вы измеряете добавленную стоимость такого уровня оркестровки ИИ по сравнению с программными островами ИИ? Как это часто, это нелегко. Настоящее воздействие возникает с течением времени: чем больше интеграций у агента есть доступ, тем более полезным оно становится. Ни один агент не решит каждую проблему с первого дня. Отзывы пользователей улучшают подсказки и память агента, а постоянные уточнения делают агенты лучше шаг за шагом. Первоначально агент, встроенный в определенное инструмент, может выглядеть превосходным — идеально настроенным для этой среды. Но вскоре агент с доступом к более широкой информации превзойдет этого специалиста.
Следующий большой вопрос будет заключаться в том, как производители инструментов пытаются заставить клиентов придерживаться своих предложений искусственного интеллекта. Некоторые уже начали блокировать доступ к внешнему AIS. Для облачных провайдеров это не просто проблема продукта, но и проблема с полосой пропускной способности. Если каждый клиент обращается к своим данным вручную, это управляемо. Однако, если каждый клиент управляет собственной инфраструктурой искусственного интеллекта, выполняя большие запросы на данные каждые несколько минут, это становится проблемой. Вполне вероятно, что часть ценообразования на основе потребления, заряжаемой поставщиками инструментов, связана не только с использованием их инструментов, но и с нашими агентами, обрабатывающими наши данные. Это еще одна причина, по которой централизованный слой оркестровки имеет смысл: он может оптимизировать доступ к данным и не зависит от того, что ИИ поставщика будет экономически эффективным.
Умная стратегия на данный момент может заключаться в том, чтобы использовать подход с двумя треками: используйте агенты, связанные с вашим программным обеспечением, для нескольких быстрых побед. Но параллельно, начните создавать перекрестную структуру оркестровки ИИ, которая в любом случае вам понадобится для более крупных проектов искусственного интеллекта, когда будут агрессивны целые процессы. И вскоре, что более общий ИИ будет способен выполнять большинство специализированных задач. Наблюдая за данными об использовании, должно стать ясно, какой специалист по ИИ все еще используется, и где, как и в случае с Google в прошлом, генеральный агент становится решением.
В отличие от нас, людей, у агентов нет проблем с большим количеством знаний. Они не устают поглощать, обрабатывать и использовать новую информацию. И самое главное, они ничего не забывают.
Trending Stories youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Майкл Бертольд — немецкий компьютерный ученый, предприниматель, академик и автор. Он является соучредителем Knime и выступает в качестве генерального директора с 2017 года. Бертольд является автором более 250 публикаций, сосредоточившись на своем исследовании использования машинного обучения … Подробнее от Майкла Бертольда
