Kontekst: budowanie wiarygodnych podstaw danych dla agentowej AI

Kontekst ma kluczowe znaczenie dla tego, jak się komunikujemy. Wypowiedzi wyrwane z kontekstu mogą sprawiać wrażenie, że znaczą dokładne przeciwieństwo tego, co zamierzono. Gdy spotykamy kogoś poza kontekstem, możemy mieć trudności z rozpoznaniem tej osoby. Kontekst jest spoiwem łączącym relacje międzyludzkie i pozwalającym nam odnajdywać sens w interakcjach społecznych.

To samo dotyczy agentów AI. Kontekst pozwala agentom eliminować niejednoznaczności — na przykład odróżniać Apple (firmę technologiczną), Apple (wytwórnię płytową) i jabłko (owoc). 

To rozróżnienie ma kluczowe znaczenie, ponieważ AI w przedsiębiorstwach podejmuje decyzje i działa błyskawicznie: oznacza transakcje, zatwierdza kredyty i uruchamia alerty. Jeśli agenci nie rozumieją, jakie podmioty uczestniczą w realizowanych przez nich procesach, nadal będą działać, ale można mieć pewność, że będą popełniać błędy. 

Biorąc pod uwagę, że według niektórych szacunków typowe duże przedsiębiorstwo może korzystać z nawet 1600 agentów do końca tego roku, błędy te szybko się nasilą.

Złożoność rozpoznawania tożsamości cyfrowych

Agentowa AI słusznie budzi duże zainteresowanie, ale dopóki agenci nie będą w stanie naprawdę rozumieć podmiotów w swoich zbiorach danych, grozi nam budowanie zamków na piasku. 

To niełatwy problem do rozwiązania. Na przykład jeden klient może figurować w różnych bazach danych przedsiębiorstwa pod różnymi nazwami (J. Bloggs, Jane Bloggs, Bloggs itd.). Podobnie ta sama osoba prawna może być odrębnie wykazywana w kilku należących do niej spółkach zależnych. Skąd agenci mają wiedzieć, że te pozornie różne podmioty w rzeczywistości odpowiadają jednemu profilowi? 

Obecnie często nie potrafią. Wynika to ze sposobu, w jaki buduje się agentów. U podstaw agent jest systemem, który przyjmuje dane wejściowe i zwraca wyniki. Ale ile dokładnie danych powinniśmy dostarczać agentom? Badania pokazują, że zbyt długie okna kontekstowe powodują, że agenci halucynują. Z kolei jeśli dostarczymy zbyt mało danych, agent podejmie decyzję z przekonaniem i zadziała na podstawie nieprawdziwych informacji. Przedsiębiorstwa muszą znaleźć złoty środek i dostarczać systemowi dokładnie tyle kontekstu, ile potrzebuje — ani więcej, ani mniej. 

Integracja danych ma kluczowe znaczenie

Wolumen danych to tylko część wyzwania. Przedsiębiorstwa muszą również uwzględnić jakość i integrację danych. Nieodpowiedni kontekst wynika ze słabo połączonych danych. Halucynacje mogą występować, gdy dane potrzebne agentowi do podjęcia decyzji są rozproszone w wielu odizolowanych bazach danych, aplikacjach i jednostkach biznesowych. Około 80-90% kontekstu biznesowego znajduje się w odizolowanych i nieustrukturyzowanych plikach rozproszonych między niepołączonymi systemami. Bez dostępu do tych informacji wyniki działania AI będą oparte na niepełnych założeniach. 

Mimo tych wszystkich problemów wdrażanie agentów AI nadal postępuje w szybkim tempie. Jeśli liderzy biznesowi nie mogą ufać, że ich agenci podejmą trafne decyzje i będą działać właściwie, będą musieli zainwestować w większy nadzór człowieka, niż byłoby to konieczne w innym przypadku. Zamiast autonomicznych, wysoce wydajnych agentów, na jakich liczyli, przedsiębiorstwom pozostaną zawodne narzędzia, których trzeba pilnować. Alternatywą jest zwiększenie ryzyka biznesowego oraz obciążenia zespołów ds. zgodności i prawnych. 

Budowanie podstaw danych kontekstowych

Co zatem należy zrobić? Kluczowe jest zapewnienie agentom wiarygodnych i zweryfikowanych podstaw danych. Łączą one rozproszone dane z wewnętrznych i zewnętrznych źródeł oraz zapewniają spójny nadzór nad danymi ustrukturyzowanymi i nieustrukturyzowanymi. Następnie wzbogacają dane o kontekst, dzięki czemu informacje przekazywane AI odzwierciedlają rzeczywiste relacje, a nie tylko odizolowane rekordy. Pozwala to agentom powiązać osobę z jej aliasami lub spółkę zależną z jej jednostką dominującą. 

Dzięki podstawom danych kontekstowych operacje wspierane przez AI stają się dokładne i zrozumiałe, a także umożliwiają podejmowanie decyzji z przekonaniem. Przedsiębiorstwa mogą ufać swoim agentom, zamiast nieustannie ich pilnować, i czerpać pełne korzyści z automatyzacji agentowej bez potrzeby sprawowania nadmiernego nadzoru. 

Z technicznego punktu widzenia kontekst zapewniają dwie funkcje. Pierwszą jest rozpoznawanie encji. Polega ono na łączeniu rekordów dotyczących tej samej encji, gdy odnoszące się do niej informacje są rozproszone w różnych systemach i typach danych. Rekordy są ujednolicane, tworząc jeden wiarygodny obraz osób, organizacji i zasobów. Rozwiązuje to problem duplikacji i niejednoznaczności, które często obniżają jakość danych i prowadzą do błędnych wyników działania AI. 

Drugą funkcją są grafy wiedzy. Zapewniają one kontekst poprzez modelowanie relacji między encjami: powiązań klientów z kontami, związków transakcji z zachowaniami oraz rozprzestrzeniania się ryzyka w sieciach. W połączeniu z rozpoznawaniem encji grafy wiedzy tworzą dokładny obraz danych odzwierciedlający rzeczywistość, zapewniając agentom AI podstawy niezbędne do skutecznego działania na dużą skalę. 

Korzyści wykraczające poza agentową AI

Oczywiście agenci AI nie są jedynymi użytkownikami danych w przedsiębiorstwie. Fundament danych kontekstowych zapewnia również pracownikom operacyjnym, zespołom ds. zgodności, analitykom biznesowym, zespołom HR i wszystkim pozostałym użytkownikom danych jednolity i rzetelny obraz rzeczywistości. 

To z kolei może przyczynić się do poprawy jakości obsługi klienta. Jeśli na przykład firma prowadzi kilka profili tego samego klienta, może to skutkować wielokrotnym kontaktem z nim ze strony różnych zespołów. Takie doświadczenia mogą delikatnie mówiąc, frustrować klientów. Dane wzbogacone kontekstem poprawiają jakość obsługi klienta, ponieważ pozwalają organizacjom lepiej poznać klientów i zadbać o właściwy sposób komunikacji z nimi. To podejście bardziej skoncentrowane na człowieku, które może oszczędzić firmom czas i pieniądze. 

Dbałość o rzetelność AI

Gartner przewiduje, że 40% aplikacji korporacyjnych będzie w tym roku wyposażonych w wyspecjalizowanych agentów AI, w porównaniu z mniej niż 5% w 2025 roku. Era agentowej AI już nadeszła. 

Jednak pełne korzyści z przepływów pracy opartych na agentowej AI nie będą udziałem wszystkich, którzy zainwestują w tę technologię. Organizacje, które przygotują grunt, zapewniając jednolity fundament danych bogaty w kontekst, będą mogły ufać wynikom AI i szybko zwiększać skalę działania. Pozostałe będą tracić czas i wysiłek na nieustanne doglądanie nowych systemów. Sukces zależy więc od wbudowania dynamicznej warstwy kontekstu w stos technologiczny agentowej AI już od pierwszego dnia.