Podniky aktivně investují do agentů umělé inteligence za účelem zefektivnění operací, ale mnoho implementací nepřináší skutečné výsledky. Hlavním problémem není integrace, ale porozumění. Agenti se potýkají s neodmyslitelnou nejednoznačností obchodních dat, zásad a procesů, často kvůli nedostatku jediné, dohodnuté definice klíčových pojmů.
Datová sila jsou normou: obchodní oddělení definují „zákazníka“ jinak než finanční oddělení, definice produktů se mezi odděleními liší (SKU, produktová řada, marketingové sady) a dokonce i základní metriky, jako je „objem prodeje produktů“, mohou mít různé interpretace. Bez standardizovaných definic nemohou agenti AI spolehlivě agregovat data, což vede k nepřesné analýze a chybné automatizaci. To s sebou nese i rizika shody, protože správná klasifikace citlivých údajů (osobních údajů podle GDPR nebo CCPA) závisí na důsledném označování a výkladu.
Ukázky fungují dobře, ale implementace v reálném světě pomocí nekonzistentních obchodních dat ukazuje, že Agenti AI nejen potřebují mít přístup k datům, ale také chápat, co tato data znamenají.
Řešení: Ontologicky podložený zdroj pravdy
Klíčem k odemknutí důvěryhodných agentů AI je vytvoření ontologie : formální, explicitní definice obchodních konceptů, jejich vztahů a hierarchií. Ontologie funguje jako jediný zdroj pravdy a zajišťuje, že každý – a každý agent AI – rozumí termínům konzistentně.
Ontologie může být specifická pro určitou doménu (například finance nebo zdravotnictví) nebo přizpůsobená vnitřním strukturám organizace. Vytvoření ontologie vyžaduje počáteční investici, ale poskytuje silný základ pro umělou inteligenci založenou na agentech a standardizuje obchodní procesy.
Ontologie mohou být uloženy ve formátech s podporou dotazů, jako jsou trojité úložiště dat, nebo pro složitější pravidla v grafech s tagovanými vlastnostmi, jako je Neo4j. Stávající veřejné ontologie (FIBO pro finance, UMLS pro zdravotnictví) mohou poskytnout výchozí bod, ale často vyžadují přizpůsobení tak, aby odrážely jedinečné obchodní detaily.
Jak ontologie umožňují agentům umělé inteligence pracovat
Jakmile je ontologie implementována, stává se vůdčí silou pro agenty AI. Můžete instruovat AI, aby při zjišťování dat a vztahů sledovala ontologii. K ontologii samotné lze přistupovat prostřednictvím vrstvy agentů, což umožňuje agentům dotazovat se přímo. Obchodní pravidla a zásady jsou pak zabudovány do ontologie a zajišťují, že agenti tato pravidla dodržují.
Tento přístup výrazně snižuje riziko halucinací způsobených velkými jazykovými modely (LLM), které jsou základem mnoha systémů umělé inteligence. Agent může být například naprogramován tak, aby prosazoval zásadu, že stav výpůjčky zůstane „nevyřízeno“, dokud všechny související dokumenty neobdrží v nastavení kontroly příznaky „pravda“. Agent se dotazuje na znalostní bázi, aby zjistil, které dokumenty chybí, a poté použije pravidlo.
Praktické provedení
Zvažte následující architekturu: strukturovaná a nestrukturovaná data jsou zpracovávána inteligentním agentem pro rozpoznávání dokumentů (DocIntel), který naplňuje databázi Neo4j na základě ontologie specifické pro obchod. Agent pro zjišťování dat se pak dotazuje na tento graf, aby našel správná data pro další agenty AI provádějící obchodní procesy. Komunikace mezi agenty probíhá prostřednictvím protokolů, jako je A2A (agent-to-agent), a uživatelská rozhraní jsou vytvářena pomocí nových standardů, jako je AG-UI (Agent-User Interaction).
Tato metoda umožňuje škálovatelnou kontrolu halucinací aplikací ontologicky řízených cest a podporou klasifikace dat. Anomálie, jako je halucinující „klient“ se špatnými daty, lze snadno odhalit a odstranit.
Přestože tento přístup zvyšuje režii (objevování dat, databáze grafů), poskytuje velkým podnikům nezbytné záruky, aby mohly spolehlivě zorganizovat složité obchodní procesy.
Závěrem lze říci, že ačkoli vývoj agentů AI rychle postupuje, dobře definovaná ontologie není volitelná – je základním požadavkem pro budování robustních a účinných řešení AI v reálném světě.
