Я преподаю курс по ИИ в Школе бизнеса McCombs в UT Austin, где я регулярно приглашаю приглашенных докладчиков, чтобы поделиться реальными взглядами со своими учениками. В сентябре прошлого года я принимал DJ Patil — бывшего главного ученых данных сша, а теперь и выдающегося венчурного капиталиста — и спросил его, какая тенденция привлекает наибольшее внимание в VC Cirply Silicon Valley. Без колебаний он сказал: «Агент ИИ». В то время он все еще находился под радаром для многих, но всего несколько месяцев спустя интерес к агентскому ИИ резко выросли, подтвержденный чувствительными механизмами, такими как тренды объема поиска Google. То, что когда-то было перспективным тезисом VC, в настоящее время быстро становится определяющим сдвигом в том, как ИИ будет взаимодействовать и действовать в области корпоративных систем.
Спросите пять человек, что означает агент AI, и вы, вероятно, получите пять разных ответов. Некоторые определяют это узко, переупаковывая знакомые варианты использования — например, чат -боты обслуживания клиентов или ассистенты по планированию — как «агенты». Другие опираются на более амбициозные видения, где ИИ не просто реагирует на подсказки, но и действует автономно, причин между системами и выполняет сложные цели в динамических средах. Наше мнение соответствует последнему. По своей сути, агент AI относится к системам искусственного интеллекта, которые могут рассуждать, планировать и действовать независимо от нескольких инструментов и источников данных для достижения определенных результатов.
Что такое агент ИИ и как это изменит бизнес?
В своем наиболее практичном агентском ИИ — это ИИ, который делает больше, чем отвечает на вопросы — он решает многоэтапные проблемы.
Вместо того, чтобы отвечать на подсказку с одним ответом, агент может деконструировать запрос в подзадачи, запросить несколько источников данных, предпринять серию действий по программным инструментам и сообщить о том, что он достиг. Агенты могут анализировать данные, делать вызовы API, обновлять записи, отправлять уведомления, задавать последующие вопросы и даже предпринять последующие действия.
Агент ИИ обладает потенциалом для управления значимыми преобразованием в критических бизнес -функциях, действуя автономно в сложных, отключенных системах. Например:
- Agentic AI будет автономно управлять и оптимизировать маркетинговые кампании, организовав задачи в рамках разрозненных систем, таких как рекламные платформы, веб -аналитика, инструменты CRM и системы управления контентом. Агент может отслеживать метрики эффективности в реальном времени, корректировать стратегии торгов, сегментные аудитории, запустить творческие обновления и даже перераспределять бюджет по каналам на основе того, что работает, без вмешательства человека. Непрерывно рассуждая в этих системах, он может тестировать, учиться и адаптироваться в режиме реального времени, чтобы максимизировать воздействие на кампанию.
- Агент ИИ может преобразовать планирование логистики, координируя различные системы, включая управление запасами, оптимизацию маршрутов, сети перевозчиков и инструменты прогнозирования спроса. Агент может отслеживать спрос и предложение в реальном времени, корректировать маршруты доставки, оптимизировать распределение складов и даже переключать ресурсы или запасы между местами, чтобы избежать задержек или складов. Рассуждение в этих взаимосвязанных системах обеспечивает более отзывчивые, эффективные и автономные логистические операции.
- Агент AI может помочь финансовым директорам путем интеграции и рассуждений в различных финансовых системах, включая платформы ERP, инструменты бюджетирования, прогнозы доходов и рыночные данные. Агент может отслеживать денежный поток в режиме реального времени, аномалии флагов, моделировать различные сценарии бюджета и даже перераспределять расходы или корректировать прогнозы на основе смещения условий бизнеса. Непрерывно анализируя и действуя по живым финансовым данным, он позволяет более быстро, более информированное принятие решений на исполнительном уровне.
MCP: новый стандарт для API-ориентированных агентов
Чтобы действовать автономно, агенты должны взаимодействовать с широким спектром инструментов и систем данных. Вот где появляется многокомпонентное программирование (MCP).
MCP быстро становится де -факто стандартом того, как агенты взаимодействуют с программной экосистемой. Вдохновленный традиционной интеграцией на основе API, MCP позволяет агентам ИИ рассматривать программные системы не как статические бэкэнды, а как динамические, вызывая компоненты в более широком плане действий.
Точно так же, как предприятия провели последнее десятилетие, обертывая устаревшие системы с API, чтобы интегрировать их с современными приложениями, мы теперь видим, что та же самая пьеса применяется для поддержки агентов искусственного интеллекта. Но на этот раз интерфейс не только для разработчиков — это для рассуждений.
Предприятия начинают mcp-e-ens их системы, поэтому агенты могут:
- Принесите внутренние метрики
- Отправить билеты на поддержку
- Обновление CRM и ERP
- Триггерные трубопроводы
Этот сдвиг захватывающий, и он поставляется с глубокими последствиями для инфраструктуры.
Почему агент AI нарушает традиционные архитектуры данных
Сила агентского ИИ лежит в роях агентов, не только в одной системе, но и десятках или сотнях, работающих параллельно для достижения целей в масштабе.
А вот в чем улов: большинство систем корпоративных данных никогда не были созданы для такого рода параллелизма. В то время как ваша BI Dashboard может поддерживать несколько сотен ежедневных пользователей, рой агента может генерировать тысячи запросов в секунду (QPS), поскольку они собирают данные, тестируют гипотезы и запускают решения в режиме реального времени.
Рассмотрим агент, которому поручено оптимизировать логистику склада. Это может потребоваться:
А теперь представьте себе 100 -х годов этих примеров, когда 1000 агентов делают это каждые несколько секунд. Полученный объем запроса сокрушит традиционное озеро данных.
Это упущенная реальность агентского ИИ: MCP раскрывает ограничения в инфраструктуре — это не исправляет их. Агенты так же эффективны, как и системы, на которые они полагаются. Если эти системы не могут предоставить понимание в реальном времени при высокой параллелистике, агенты останавливаются, не удастся или возвращают устаревшие данные.
Готовая к агенту инфраструктура
Для поддержки агентского искусственного интеллекта предприятиям нужна платформа данных:
- Построен для запросов с высокой частотой с низкой задержкой.
- Способен обрабатывать масштабную параллелизм без снижения производительности.
- Достаточно гибкий, чтобы одновременно обслуживать как внутренних пользователей, так и агентов искусственного интеллекта.
Именно здесь появляются системы OLAP в реальном времени, такие как Apache Pinot. Первоначально построенные в LinkedIn для Power пользовательской аналитики в реальном времени, Пино приобрел тягу, когда приложения начали внедрять интеллект, что привело к новым видам параллелизма, с которым традиционные системы данных не могли справиться. По мере роста спроса в прямом эфире, интерактивные идеи в продуктах данных, ориентированных на клиента, Пино стал золотым стандартом для питания этих рабочих нагрузок.
Сегодня такие компании, как Uber, Stripe, Walmart и Doordash, полагаются на Пино в качестве основной части своих платформ данных. Эти возможности обеспечивают все, от обнаружения мошенничества до динамического цены до персонализированного пользовательского опыта.
Теперь, когда агенты ИИ становятся новыми приложениями, они приносят с собой еще более агрессивные требования к инфраструктуре данных. Архитектура Пино-оптимизированная для подразделенных запросов, подпорных консервами в реальном времени и экстремальных QP-делает ее уникально подходящим для удовлетворения этих требований. Он обрабатывает миллиарды рядов, поддерживает сложную фильтрацию и агрегации и обеспечивает понимание скорости, масштаба и свежести, которые современным агентам должны рассуждать, планировать и действовать в режиме реального времени.
Агент ИИ — это не тенденция, а преобразование. По мере того, как агенты искусственного интеллекта становятся центральными для того, как выполняется работа, как обслуживаются клиенты и как работают предприятия, инфраструктура поддержки должна развиваться.
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. Чад Мел — директор по маркетингу Kinetica. Опыт Чада включает в себя более 20 лет в качестве лидера в SaaS, больших данных, передовой аналитике, маркетинга, стратегии и планировании для компаний-разработчиков программного обеспечения для ранних стадий, а также с известными лидерами. Приор … Подробнее от Чада Мелли
