Підприємства активно інвестують в агенти штучного інтелекту для оптимізації операцій, але багато реалізацій не приносять реальних результатів. Головна проблема – не інтеграція, а порозуміння. Агенти стикаються з властивою неоднозначністю бізнес-даних, політик і процесів, часто через відсутність єдиного узгодженого визначення ключових термінів.
Відокремлені дані є нормою: відділи продажів визначають «клієнта» інакше, ніж фінансові відділи, визначення продукту відрізняються між відділами (артикули, лінійка продуктів, маркетингові набори), і навіть такі основні показники, як «обсяг продажів продукту», можуть мати різні інтерпретації. Без стандартизованих визначень агенти ШІ не можуть надійно агрегувати дані, що призводить до неточної аналітики та несправної автоматизації. Це також тягне за собою ризики відповідності, оскільки належна класифікація конфіденційних даних (персональних даних відповідно до GDPR або CCPA) залежить від послідовного маркування та тлумачення.
Демонстрації працюють добре, але реалізація в реальному світі з використанням неузгоджених бізнес-даних показує, що агентам штучного інтелекту не тільки потрібно мати доступ до даних, але й розуміти, що ці дані означають.
Рішення: онтологічно обґрунтоване джерело істини
Ключем до розблокування надійних агентів ШІ є створення онтології : формального, чіткого визначення бізнес-концепцій, їхніх зв’язків та ієрархій. Онтологія діє як єдине джерело істини, гарантуючи, що кожен — і кожен агент ШІ — розуміє терміни послідовно.
Онтологія може бути специфічною для певної області (наприклад, фінанси чи охорона здоров’я) або пристосована до внутрішніх структур організації. Створення онтології вимагає початкових інвестицій, але забезпечує міцну основу для агентного ШІ та стандартизує бізнес-процеси.
Онтології можна зберігати у форматах із підтримкою запитів, таких як потрійні сховища даних, або, для більш складних правил, у тегованих графах властивостей, таких як Neo4j. Існуючі загальнодоступні онтології (FIBO для фінансів, UMLS для охорони здоров’я) можуть стати відправною точкою, але часто потребують налаштування для відображення унікальних бізнес-деталей.
Як онтології дозволяють агентам ШІ працювати
Після впровадження онтологія стає керівною силою для агентів ШІ. Ви можете наказати штучному інтелекту дотримуватися онтології під час виявлення даних і зв’язків. Доступ до самої онтології можна отримати через рівень агента, дозволяючи агентам звертатися до неї напряму. Потім в онтологію вбудовуються бізнес-правила та політики, які гарантують, що агенти дотримуються цих правил.
Цей підхід значно знижує ризик галюцинацій, спричинених великими мовними моделями (LLM), які лежать в основі багатьох систем ШІ. For example, the agent may be programmed to enforce a policy that the loan status remains “pending” until all associated documents receive “true” flags in the review settings. Агент запитує базу знань, щоб визначити, які документи відсутні, а потім застосовує правило.
Практична реалізація
Розглянемо таку архітектуру: структуровані та неструктуровані дані обробляються інтелектуальним агентом розпізнавання документів (DocIntel), який заповнює базу даних Neo4j на основі специфічної для бізнесу онтології. Потім агент виявлення даних запитує цей графік, щоб знайти правильні дані для інших агентів ШІ, які виконують бізнес-процеси. Зв’язок між агентами відбувається за допомогою таких протоколів, як A2A (агент-агент), а користувацькі інтерфейси створюються з використанням нових стандартів, таких як AG-UI (взаємодія агент-користувач).
Цей метод дозволяє масштабовано контролювати галюцинації шляхом застосування онтологічно керованих шляхів і підтримки класифікації даних. Аномалії, такі як галюцинації «клієнта» з поганими даними, можна легко виявити та усунути.
Незважаючи на те, що цей підхід збільшує накладні витрати (виявлення даних, бази даних графів), він надає великим підприємствам необхідні гарантії для надійної організації складних бізнес-процесів.
Підсумовуючи, хоча розробка агентів штучного інтелекту швидко просувається вперед, чітко визначена онтологія не є обов’язковою — це фундаментальна вимога для створення надійних і ефективних рішень ШІ в реальному світі.
