Przedsiębiorstwa aktywnie inwestują w agentów AI, aby usprawnić operacje, ale wiele wdrożeń nie przynosi realnych rezultatów. Głównym problemem nie jest integracja, ale zrozumienie. Agenci stają w obliczu nieodłącznej niejednoznaczności danych biznesowych, zasad i procesów, często z powodu braku jednej, uzgodnionej definicji kluczowych terminów.
Silosy danych są normą: działy sprzedaży definiują „klienta” inaczej niż działy finansowe, definicje produktów różnią się w zależności od działu (jednostki SKU, linia produktów, zestawy marketingowe), a nawet podstawowe wskaźniki, takie jak „wielkość sprzedaży produktów”, mogą mieć wiele interpretacji. Bez standardowych definicji agenci AI nie mogą wiarygodnie agregować danych, co prowadzi do niedokładnych analiz i wadliwej automatyzacji. Wiąże się to również z ryzykiem braku zgodności, ponieważ właściwa klasyfikacja danych wrażliwych (danych osobowych zgodnie z RODO lub CCPA) zależy od spójnego oznakowania i interpretacji.
Wersje demonstracyjne działają dobrze, ale wdrożenie w świecie rzeczywistym przy użyciu niespójnych danych biznesowych pokazuje, że Agenci AI muszą nie tylko mieć dostęp do danych, ale także rozumieć, co te dane oznaczają.
Rozwiązanie: ontologicznie ugruntowane źródło prawdy
Kluczem do odblokowania godnych zaufania agentów AI jest stworzenie ontologii : formalnej, jednoznacznej definicji koncepcji biznesowych, ich relacji i hierarchii. Ontologia działa jak pojedyncze źródło prawdy, zapewniając, że wszyscy – i każdy agent AI – rozumieją terminy w sposób spójny.
Ontologia może być specyficzna dla konkretnej domeny (na przykład finansów lub opieki zdrowotnej) lub dostosowana do wewnętrznych struktur organizacji. Tworzenie ontologii wymaga początkowej inwestycji, ale zapewnia solidną podstawę dla sztucznej inteligencji opartej na agentach i standaryzuje procesy biznesowe.
Ontologie mogą być przechowywane w formatach obsługujących zapytania, takich jak potrójne magazyny danych, lub, w przypadku bardziej złożonych reguł, w oznakowanych grafach właściwości, takich jak Neo4j. Istniejące ontologie publiczne (FIBO dla finansów, UMLS dla opieki zdrowotnej) mogą stanowić punkt wyjścia, ale często wymagają dostosowania w celu odzwierciedlenia unikalnych szczegółów biznesowych.
Jak ontologie umożliwiają działanie agentów AI
Po wdrożeniu ontologia staje się siłą przewodnią dla agentów AI. Możesz poinstruować sztuczną inteligencję, aby podczas odkrywania danych i relacji postępowała zgodnie z ontologią. Dostęp do samej ontologii można uzyskać poprzez warstwę agenta, dzięki czemu agenci mogą bezpośrednio do niej wysyłać zapytania. Reguły i zasady biznesowe są następnie wbudowane w ontologię, zapewniając, że agenci będą przestrzegać tych reguł.
Takie podejście znacznie zmniejsza ryzyko halucynacji spowodowanych przez duże modele językowe (LLM), które leżą u podstaw wielu systemów AI. Na przykład agenta można zaprogramować tak, aby egzekwował zasadę, zgodnie z którą status pożyczki pozostaje „oczekujący”, dopóki wszystkie powiązane dokumenty nie otrzymają flagi „prawda” w ustawieniach przeglądu. Agent wysyła zapytanie do bazy wiedzy, aby określić, których dokumentów brakuje, a następnie stosuje regułę.
Praktyczne wdrożenie
Rozważ następującą architekturę: dane ustrukturyzowane i nieustrukturyzowane są przetwarzane przez inteligentnego agenta rozpoznawania dokumentów (DocIntel), który zapełnia bazę danych Neo4j w oparciu o ontologię specyficzną dla biznesu. Następnie agent wykrywania danych wysyła zapytanie do tego wykresu, aby znaleźć prawidłowe dane dla innych agentów AI wykonujących procesy biznesowe. Komunikacja pomiędzy agentami odbywa się za pośrednictwem protokołów takich jak A2A (agent-agent), a interfejsy użytkownika tworzone są przy użyciu nowych standardów, takich jak AG-UI (interakcja agent-użytkownik).
Metoda ta pozwala na skalowalną kontrolę halucynacji poprzez zastosowanie ścieżek sterowanych ontologicznie i wspierającą klasyfikację danych. Anomalie, takie jak halucynacyjny „klient” ze złymi danymi, można łatwo wykryć i wyeliminować.
Chociaż takie podejście zwiększa obciążenie (odkrywanie danych, bazy grafów), zapewnia dużym przedsiębiorstwom niezbędne gwarancje niezawodnej orkiestracji złożonych procesów biznesowych.
Podsumowując, chociaż rozwój agentów AI postępuje szybko, dobrze zdefiniowana ontologia nie jest opcjonalna – jest podstawowym wymogiem budowania solidnych i skutecznych rozwiązań AI w realnym świecie.
