Perusahaan banyak berinvestasi pada agen AI untuk menyederhanakan operasi, namun banyak penerapan yang gagal memberikan hasil nyata. Masalah intinya bukanlah integrasi – melainkan pemahaman. Agen berjuang dengan ambiguitas yang melekat pada data, kebijakan, dan proses bisnis, sering kali karena mereka tidak memiliki definisi istilah-istilah utama yang sama dan konsisten.
Silo data adalah hal yang biasa: tim penjualan mendefinisikan “pelanggan” secara berbeda dari keuangan, definisi produk bervariasi antar departemen (SKU vs. rangkaian produk vs. paket pemasaran), dan bahkan metrik dasar seperti “penjualan produk” dapat memiliki banyak interpretasi. Tanpa definisi standar, agen AI tidak dapat menggabungkan data dengan andal, sehingga menghasilkan wawasan yang tidak akurat dan otomatisasi yang cacat. Hal ini juga menimbulkan risiko kepatuhan, karena klasifikasi data sensitif yang tepat (PII berdasarkan GDPR atau CCPA) bergantung pada pelabelan dan interpretasi yang konsisten.
Meskipun demo berfungsi dengan baik, penerapan di dunia nyata pada data bisnis yang berantakan menunjukkan bahwa agen AI memerlukan lebih dari sekadar akses ke data – mereka perlu memahami apa artinya dari data tersebut.
Solusi: Sumber Kebenaran Berbasis Ontologi
Kunci untuk membuka agen AI yang andal adalah membangun ontologi : definisi konsep bisnis, hubungan, dan hierarki yang formal dan eksplisit. Ontologi bertindak sebagai satu sumber kebenaran, memastikan semua orang—dan setiap agen AI—memahami istilah secara konsisten.
Hal ini dapat spesifik pada domain tertentu (seperti keuangan atau layanan kesehatan) atau disesuaikan dengan struktur internal organisasi. Membuat ontologi adalah investasi awal, namun hal ini membangun fondasi yang kuat untuk AI agen dan menstandardisasi proses bisnis.
Ontologi dapat disimpan dalam format yang dapat dikueri seperti triplestore atau, untuk aturan yang lebih kompleks, diberi label grafik properti seperti Neo4j. Ontologi publik yang ada (FIBO untuk keuangan, UMLS untuk layanan kesehatan) memberikan titik awal tetapi sering kali memerlukan penyesuaian untuk mencerminkan detail bisnis yang unik.
Bagaimana Ontologi Mendukung Agen AI
Setelah diterapkan, ontologi menjadi kekuatan penuntun bagi agen AI. Anda dapat meminta AI untuk mengikuti ontologi saat menemukan data dan hubungan. Ontologi itu sendiri dapat diekspos melalui lapisan agen, memungkinkan agen untuk menanyakannya secara langsung. Aturan dan kebijakan bisnis kemudian dimasukkan ke dalam ontologi, memastikan agen mematuhinya.
Pendekatan ini secara signifikan mengurangi risiko halusinasi yang disebabkan oleh model bahasa besar (LLM) yang merupakan inti dari banyak sistem AI. Misalnya, agen dapat diprogram untuk menerapkan kebijakan yang menyatakan bahwa status pinjaman tetap “menunggu keputusan” sampai semua dokumen terkait telah memverifikasi tanda yang disetel ke “benar”. Agen menanyakan basis pengetahuan untuk menentukan dokumen mana yang hilang dan kemudian menerapkan aturan tersebut.
Implementasi Praktis
Pertimbangkan arsitektur ini: data terstruktur dan tidak terstruktur diproses oleh agen intelijen dokumen (DocIntel), yang mengisi database Neo4j berdasarkan ontologi khusus bisnis. Agen penemuan data kemudian menanyakan grafik ini untuk menemukan data yang tepat untuk agen AI lain yang menjalankan proses bisnis. Komunikasi antar-agen terjadi melalui protokol seperti A2A (agen ke agen), dan antarmuka pengguna dibangun menggunakan standar yang muncul seperti AG-UI (Interaksi Pengguna Agen).
Metode ini memungkinkan kontrol skalabel atas halusinasi dengan menerapkan jalur berbasis ontologi dan mempertahankan klasifikasi data. Anomali—seperti “pelanggan” yang berhalusinasi dengan data yang tidak dapat diverifikasi—dapat dengan mudah dideteksi dan dihilangkan.
Meskipun pendekatan ini memperkenalkan overhead (penemuan data, database grafik), pendekatan ini memberikan batasan yang diperlukan bagi perusahaan besar untuk mengatur proses bisnis yang kompleks dengan andal.
Kesimpulannya, meskipun pengembangan agen AI berkembang pesat, ontologi yang terdefinisi dengan baik bukanlah suatu pilihan – ini adalah persyaratan dasar untuk membangun solusi AI yang tepercaya dan efektif di dunia nyata.
