AI-modeller og plattformer

Aera lanserer seks nyheter for å utvikle og styre KI-beslutninger i virksomheter

mm
Legg til Unite.AI blant dine foretrukne kilder på Google
Conceptual illustration connecting enterprise decision workflows, policy controls, decision records, agents and monitoring.

En KI-agent for virksomheter kan for eksempel anbefale å bytte leverandør eller flytte lagerbeholdning. For at anbefalingen skal bli en pålitelig forretningsbeslutning, trengs det mer: relevante data, en sammenligning av alternativer, kontroll mot retningslinjer, tillatelse til å handle og en oversikt over hva som skjedde etterpå. Aera Technology samler disse trinnene gjennom seks nye funksjoner i plattformen sin for agentbasert beslutningsintelligens, som ble kunngjort på AeraHUB 26 NYC 27. oktober.

Lanseringen omfatter utvikling av ferdigheter ved hjelp av naturlig språk, Decision Ledger, Policy Studio, interoperabilitet mellom agenter, Dynamic UX og et Command Center. Hovedbudskapet er at selskaper må styre beslutningene agentene tar, like bevisst som de styrer dataene og systemene agentene bruker.

Denne tilnærmingen handler om mer enn å øke produktiviteten til den enkelte ansatte. Aera retter seg mot tilbakevendende driftsbeslutninger, som hva som skal produseres, hvor varer skal sendes og når det skal kjøpes inn. Slike beslutninger kan påvirke flere avdelinger, og resultatet må kunne inngå i den neste beslutningen.

Bygger videre på en plattform som kobler sammen data, modeller og gjennomføring

Aera stiller med det tekniske fundamentet. Selskapet beskriver en Decision Data Model som samordner informasjon fra virksomhetssystemer og eksterne kilder, kombinert med orkestrering på tvers av forretningsregler, optimalisering, simuleringer, maskinlæring og agenter. Plattformen støtter også samhandling med brukere på naturlig språk.

Plattformens ferdigheter samler disse funksjonene rundt bestemte forretningsproblemer. En ferdighet kombinerer dataintegrasjon, analyse, beslutningslogikk og gjennomføring i målsystemer. Dermed blir den en gjenbrukbar operativ funksjon, ikke bare et svar generert i et chattevindu.

De seks annonserte nyhetene handler om hvordan selskaper oppretter, fører tilsyn med og utvider denne automatiseringen. De gjenspeiler også en praktisk begrensning for agenter i virksomheter: Resonnering er bare nyttig når systemet har tilgang til relevant forretningskontekst og en kontrollert måte å gjennomføre konklusjonen på.

Utvikling av ferdigheter gjør en forretningsforespørsel om til en automatiseringsplan

Den oppdaterte funksjonen for utvikling av ferdigheter tar utgangspunkt i en forretningsutfordring formulert i et klart og enkelt språk. En bruker kan for eksempel be Aera om å utvikle en funksjon som varsler om leverandører i faresonen. Systemet foreslår en plan som brukeren gjennomgår, justerer og godkjenner før den blir til styrt beslutningsautomatisering.

Aera sier at prosessen ofte kan gjennomføres i løpet av én arbeidsøkt. Lanseringen oppgir ingen uavhengig måling av tidsbruken, men den ønskede endringen er tydelig: å redusere behovet for spesialistarbeid med konfigurering mellom det å beskrive et problem og det å ta i bruk en gjentakbar løsning.

Gjennomgangen er fortsatt viktig. En operativ forespørsel kan skjule valg om hvilke data man skal stole på, hva som regnes som en risiko, og hvem som har lov til å handle. Et planforslag gjør det mulig å diskutere disse valgene før automatiseringen godkjennes. Brukerne kan deretter justere og oppdatere ferdigheter gjennom samtaler etter hvert som forretningsbehovene endrer seg.

Decision Ledger og Policy Studio gjør styring til en del av arbeidsflyten

Decision Ledger er utviklet for å bevare konteksten bak et valg: situasjonen, begrunnelsen, retningslinjene som ble vurdert, handlingene som ble utført, og det endelige resultatet. Løsningen registrerer beslutninger som tas i Aera, og beslutninger som sendes inn fra andre systemer via API-et. Selskapet sier også at Aera kan identifisere beslutninger som oppstår i en samtale, og be en person om å bekrefte dem.

En slik oversikt kan være verdifull når et team trenger å forstå hvorfor et unntak ble godkjent, eller om et tidligere tiltak fungerte. Et transaksjonssystem kan vise at lagerbeholdningen ble flyttet; en beslutningslogg skal forklare omstendighetene og avveiningene som førte til flyttingen.

Policy Studio tar for seg reglene som styrer gjennomføringen. Team laster opp et retningslinjedokument eller beskriver en regel, og Aera utarbeider utkast til regler som en person må godkjenne. Reglene kan testes mot beslutninger i sanntid før de håndheves. Når de er aktivert, kan de blokkere en beslutning, kreve godkjenning eller utløse et varsel. Resultatene av evalueringen registreres i Decision Ledger.

Sammenhengen mellom de to produktene er viktig: Retningslinjene kontrolleres mens en beslutning tas, og resultatene blir en del av beslutningshistorikken. Dermed kan organisasjoner knytte kontrollene til dokumentasjon på hvordan de ble brukt, i stedet for å måtte rekonstruere prosessen i etterkant.

Kobler sammen agenter i virksomheten uten å miste forretningskonteksten

De nye interoperabilitetsfunksjonene kobler Aera til Microsoft Copilot Studio, eksterne agenter gjennom Agent2Agent (A2A) og eksterne verktøy gjennom Model Context Protocol (MCP). Dette er ulike integrasjonsmåter: A2A støtter samarbeid mellom agenter, mens MCP gir et grensesnitt for tilgang til verktøy og kontekst.

For en organisasjon som allerede tar i bruk assistenter og agenter, er gjenbruk en viktig fordel. Aeras beslutningsfunksjoner kan inngå i en eksisterende arbeidsflyt, samtidig som andre systemer beholder sine egne grensesnitt og funksjoner. Produktutfordringen er å sikre at forretningskontekst, tillatelser og kontroller mot retningslinjer fortsatt gjelder når arbeidet går på tvers av disse grensene.

Kunngjøringen beskriver interoperabilitet som et middel til å koble sammen resonnering, styring og gjennomføring. Integrasjonen i seg selv er ikke bevis på at resultatene fra alle tilkoblede agenter er korrekte; det avhenger fortsatt av beslutningsprosessen, kildedataene og kontrollene rundt handlingen.

Dynamic UX og Command Center synliggjør beslutninger

Dynamic UX lar brukerne opprette og tilpasse brukeropplevelser ved hjelp av naturlige språkforespørsler og Aeras diagrammer, tabeller, anbefalinger og handlingspunkter, og deretter publisere dem som en del av en Skill. Aera beskriver redesignen som et skifte fra en tradisjonell innboks med anbefalinger til interaktive arbeidsområder tilpasset ulike roller.

Dette er nyttig fordi ulike beslutninger krever ulik dokumentasjon. En innkjøpsansvarlig som vurderer leverandørrisiko, og en planlegger som vurderer overføring av lagerbeholdning, kan ha behov for ulike sammenligninger, terskelverdier og handlinger, selv om begge bruker den samme underliggende plattformen.

Command Center gir et helhetlig bilde av virksomheten og dekker beslutningsaktivitet, resultater og forretningseffekt på tvers av strukturerte og situasjonsbestemte beslutninger, enten personer får støtte eller gjennomføringen er automatisert. Løsningen skal hjelpe organisasjoner med å vurdere resultatene og finne ut hvor beslutningsprosessene bør forbedres etter hvert som utrullingen utvides.

«Visjonen vår har alltid vært å forvalte beslutninger som en digital ressurs: registrert, styrt og kontinuerlig forbedret», sa Shariq Mansoor, medgrunnlegger og teknologidirektør i Aera.

De seks nyhetene støtter denne visjonen på ulike stadier i livssyklusen: utvikling av funksjonaliteten, anvendelse av retningslinjer, koordinering av systemer, presentasjon av dokumentasjon, registrering av resultatet og overvåking av ytelsen. Forretningsverdien vil avhenge av hvor godt disse delene fungerer sammen i den daglige driften. For virksomheters bruk av KI ligger det vesentlige skiftet i å gå fra å produsere en troverdig anbefaling til å håndtere en handling der resonnementet, begrensningene og utfallet kan undersøkes.

Aiden Cross er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-produktstrategi, gjennomføring og de praktiske utfordringene ved å omdanne eksperimentelle modeller til skalerbare, markedsklare produkter. Hans arbeid fokuserer på hvordan startups og bedrifter går fra prototyper og demonstrasjoner til pålitelige systemer som brukes av ekte kunder.
Med et pragmatisk og detaljorientert perspektiv, analyserer Aiden produktveikart, strategier for markedslansering, plattformbeslutninger og organisatoriske kompromisser som avgjør om AI-initiativer lykkes eller stopper. Han legger særlig vekt på deployeringsrealiteter, brukeradopsjon, infrastrukturbegrensninger og samsvaret mellom teknisk evne og forretningsverdi.
Artikler skrevet av Aiden Cross er AI-generert og gjennomgått av Unite.AIs redaksjonsteam for å sikre klarhet, nøyaktighet og ansvarlig dekning av hvordan AI-produkter bygges, gjøres tilgjengelige og skaleres i den virkelige verden.