Контекст: создание надежной основы данных для агентного ИИ

Контекст играет ключевую роль в общении. Высказывание, вырванное из контекста, может показаться полной противоположностью тому, что имелось в виду. Если встретить человека вне привычного контекста, бывает трудно его узнать. Контекст — это связующее звено человеческих отношений, которое помогает нам находить смысл в социальном взаимодействии.

То же верно и для ИИ-агентов. Именно контекст позволяет агентам устранять неоднозначность — например, отличать Apple (технологическую компанию) от Apple (звукозаписывающего лейбла) и apple (фрукта). 

Это умение различать сущности крайне важно, потому что корпоративный ИИ принимает решения и действует молниеносно: выявляет подозрительные транзакции, одобряет кредиты и запускает оповещения. Если агенты не понимают, какие сущности задействованы в рабочих процессах, они все равно будут действовать, но можно не сомневаться: ошибки неизбежны. 

Согласно некоторым оценкам, типичное крупное предприятие будет использовать до 1 600 агентов к концу этого года, поэтому число таких ошибок быстро возрастет.

Сложности сопоставления цифровых идентичностей

Агентный ИИ не случайно вызывает такой интерес, но пока агенты не научатся по-настоящему понимать сущности в своих наборах данных, мы рискуем строить на песке. 

Решить эту задачу непросто. Например, один и тот же клиент может фигурировать в разных корпоративных базах данных под разными именами (J. Bloggs, Jane Bloggs, Bloggs и т. д.). Аналогичным образом одна и та же компания может быть указана отдельно в данных о нескольких ее дочерних предприятиях. Как агентам понять, что эти сущности, которые кажутся разными, на самом деле относятся к одному профилю? 

Пока что часто не могут. Причина — в том, как устроены агенты. По сути, агент — это система, которая получает входные данные и выдает результаты. Но сколько именно данных следует передавать агентам? Исследования показывают, что из-за чрезмерно длинных контекстных окон агенты начинают галлюцинировать. И наоборот: если данных слишком мало, агент примет решение с уверенностью, но на основе недостоверной информации. Предприятиям необходимо найти тонкий баланс и предоставлять системе ровно столько контекста, сколько ей требуется, — не больше и не меньше. 

Ключевая роль интеграции данных

Объем данных — лишь часть проблемы. Предприятиям также необходимо учитывать качество данных и их интеграцию. Плохой контекст возникает из-за недостаточно связанных данных. Галлюцинации могут возникать, когда данные, необходимые агенту для принятия решения, фрагментированы и разбросаны по разрозненным базам данных, приложениям и подразделениям компании. Около 80–90 % бизнес-контекста содержится в разрозненных неструктурированных файлах в несвязанных системах. Без доступа к этой информации результаты работы ИИ будут основаны на неполных предположениях. 

Несмотря на все эти проблемы, внедрение ИИ-агентов продолжается быстрыми темпами. Если руководители компаний не могут доверять агентам в вопросах принятия точных решений и правильных действий, им придется вкладываться в более серьезный человеческий контроль, чем потребовалось бы в противном случае. Вместо автономных и высокоэффективных агентов, на которых они рассчитывали, предприятия получат ненадежные инструменты, за которыми придется постоянно присматривать. Альтернатива — повышение бизнес-рисков и увеличение нагрузки на команды по комплаенсу и юридические отделы. 

Создание основы контекстных данных

Что же нужно сделать? Главное — обеспечить агентов точной и проверенной основой данных. Эта основа объединяет фрагментированные данные из внутренних и внешних источников и обеспечивает единообразное управление как структурированными, так и неструктурированными данными. Затем к данным добавляется контекст, благодаря которому информация, поступающая в ИИ, отражает реальные взаимосвязи, а не разрозненные записи. Это позволяет агентам связывать человека с его псевдонимами, а дочернее предприятие — с материнской компанией. 

Наличие такой основы контекстных данных делает операции с использованием ИИ точными и объяснимыми, а также позволяет уверенно принимать решения. Предприятия могут доверять своим агентам, а не контролировать их на каждом шагу, и в полной мере использовать преимущества агентной автоматизации без чрезмерного надзора. 

С технической точки зрения контекст обеспечивают две возможности. Первая — сопоставление сущностей. Оно связывает записи, относящиеся к одной и той же сущности, когда соответствующие сведения разбросаны по различным системам и представлены в разных типах данных. Записи сводятся в единое достоверное представление о людях, организациях и активах. Это помогает устранить дублирование и неоднозначность, которые часто снижают качество данных и приводят к ошибочным результатам работы ИИ. 

Вторая возможность — графы знаний. Они добавляют контекст, моделируя отношения между сущностями: как клиенты связаны со счетами, как транзакции соотносятся с поведением и как риски распространяются по сетям. В сочетании с сопоставлением сущностей графы знаний дают точное представление о данных, отражающих реальный мир, и обеспечивают ИИ-агентов основой, необходимой для успешной работы в масштабах предприятия. 

Преимущества не ограничиваются агентным ИИ

Разумеется, ИИ-агенты — не единственные потребители данных в компании. Контекстная основа данных позволяет операционным сотрудникам, специалистам по соблюдению нормативных требований, бизнес-аналитикам, HR-командам и всем остальным пользователям данных также получать целостное и точное представление о происходящем. 

В свою очередь, это может повысить качество обслуживания клиентов. Например, если компания ведёт несколько профилей одного и того же клиента, разные команды могут связываться с ним по нескольку раз. Такой опыт, мягко говоря, может вызвать у клиентов раздражение. Данные, обогащённые контекстом, улучшают качество обслуживания: они помогают организациям лучше понимать своих клиентов и обеспечивать корректное взаимодействие с ними. В конечном счёте это более человекоориентированный подход, который позволяет компаниям экономить время и деньги. 

Чтобы ИИ оставался честным

По прогнозу Gartner, 40% корпоративных приложений в этом году будут использовать специализированных ИИ-агентов для выполнения задач — против менее 5% в 2025 году. Эпоха агентного ИИ уже наступила. 

Однако преимущества рабочих процессов на базе агентного ИИ достанутся не всем, кто инвестирует в эту технологию, в равной степени. Организации, которые подготовят почву, создав единую, насыщенную контекстом основу данных, смогут доверять результатам работы ИИ и быстро масштабировать решения. Остальным придётся тратить время и силы на постоянный контроль новых систем. Поэтому успех зависит от того, насколько рано — с первого же дня — в технологический стек агентного ИИ будет встроен динамический слой контекста.