Semantiskais intelekts ir būtisks components, lai saprastu, ko dati nozīmē un kā tos var izmantot.
Microsoft tagad savā starpā dziļi integrē semantiku un ontoloģijas Auduma datu platforma ar savu jauno Material IQ tehnoloģiju, ko tā otrdien debitēja Microsoft Ignite konferencē.
Material IQ ir semantiskās inteliģences slānis, kas izstrādāts, lai risinātu būtisku problēmu saistībā ar uzņēmuma AI aģentiem: efektivitāte ir atkarīga ne tikai no datu kopas lieluma, guess arī no tā, cik labi dati atspoguļo faktiskās uzņēmējdarbības operācijas. Jaunā tehnoloģija rada kopīgu semantisko struktūru, kas kartē datu kopas ar reālās pasaules entītijām, to attiecībām, hierarhijām un darbības kontekstu. Semantiskais slānis ir jaunākais solis Microsoft datu platformas stratēģijā, kas nesen tika integrēta LinkedIn grafiku datu bāze tehnoloģija konteksta nodrošināšanai.
Microsoft arī paplašina savu datu portfeli ar virkni jaunu pakalpojumu: Azure HorizonDB, ar PostgreSQL saderīgs pakalpojums agrīnā priekšskatījumā, kā arī SQL Server 2025 un Azure DocumentDBkas tagad ir vispārēji pieejami.
"Kad es domāju par to, ko audums sniedz klientiem, tas sniedz klientiem vienotu datu platformu, lai viņiem nebūtu jāsavieno daudz, daudz, daudz dažādu rīku, lai sasniegtu biznesa vērtību." teica Aruns Ulags, Microsoft Azure Information korporatīvais viceprezidents.
Kāpēc AI aģentiem ir svarīga semantiskā izpratne?
Tradicionālie AI aģenti cīnās ar fundamentālu ierobežojumu: viņi var redzēt datu modeļus, guess nesaprot, ko šie dati atspoguļo uzņēmējdarbības izteiksmē. Aģents var analizēt pārdošanas darījumus, neizprotot klientu hierarhijas, sezonālos modeļus vai produktu attiecības. Tas var pieprasīt krājumu līmeņus, nezinot, kā ražošanas līnijas savienojas ar izplatīšanas tīkliem vai kā attiecības ar piegādātājiem ietekmē pieejamību.
Šī plaisa starp neapstrādātajiem datiem un uzņēmējdarbības nozīmi izraisa neuzticamas prognozes un sliktus automatizētus lēmumus. Ulags paskaidroja, ka Material IQ to risina, nodrošinot semantisku slāni, kas atspoguļo, kā organizācijas faktiski darbojas.
Šī arhitektūras pieeja ievērojami atšķiras no izguves paplašinātās paaudzes (RAG) un vektoru datu bāzes stratēģijām, kuras ir uzsvēruši konkurenti.
Kamēr RAG izvelk attiecīgos dokumentus, lai nodrošinātu kontekstu, Material IQ izveido pastāvīgu semantisko grafiku, kas atspoguļo organizācijas struktūru, darbplūsmas un biznesa loģiku. Aģenti ne tikai iegūst informāciju. Viņi saprot attiecības, piemēram, kuri piegādātāji nodrošina kādus produktus, kā ražošanas līnijas savienojas ar krājumu sistēmām vai kā klientu hierarhijas tiek kartētas ar pārdošanas teritorijām.
No analītikas semantiskiem modeļiem līdz operatīvām ontoloģijām
Microsoft ir ieguldījis semantiskajos modeļos vairāk nekā desmit gadus, izmantojot Energy BI. Šie modeļi iekapsulē biznesa loģiku un definē entītijas un attiecības; tie norāda metriku un hierarhijas; un tie savienojas ar dažādiem datu avotiem pa Azure, AWS, Google Cloud, lokālajām sistēmām un SaaS platformām, piemēram, Dynamics 365.
"Mums ir 20 miljoni semantisko modeļu, kas šodien darbojas audumā. Kāpēc? Tā kā semantiskās modelēšanas slāni esam izveidojuši Energy BI. Tātad aiz katra Energy BI pārskata slēpjas semantisks modelis," Ulags teica. "Šie semantiskie modeļi jau ietver lielu daļu biznesa loģikas, kas atspoguļo to, kas rūp klientam. Kādi ir dati, kas viņiem rūp? Kādi ir rādītāji, kas viņiem rūp? Kā dati ir saistīti viens ar otru?"
Šo semantisko modeļu ierobežojums ir bijis to darbības joma. Tie labi darbojās biznesa informācijas, analītikas un vizualizācijas jomā, taču tie darbojās tikai atsevišķu pārskatu vai departamentu robežās. Material IQ novērš šos ierobežojumus.
"Tomēr mums ir bijusi plaisa. Šie semantiskie modeļi tika izmantoti tikai BI lietošanas gadījumiem," Ulags teica. "Tur ir daudz lielāka iespēja, proti, iespēja izmantot šos semantiskos modeļus un jaunināt tos pilnā ontoloģijā."
Semantisko modeļu jaunināšana uz ontoloģijām būtiski maina to, ko organizācijas var darīt ar biznesa kontekstu un nozīmi. "Ko tas dara, ja jūs tos jaunināt par ontoloģiju? Tagad jūs varat savienot datus visā uzņēmumā," Ulags teica.
Viņš paskaidroja, ka ontoloģija integrējas arī ar reāllaika datu plūsmām. Papildus datu savienošanai ontoloģijas ļauj organizācijām definēt darbības noteikumus. Šī kombinācija rada pamatu operatīvajiem aģentiem, kas izprot biznesa kontekstu tādā līmenī, ko tradicionālās AI sistēmas nevar sasniegt. Starpuzņēmumu datu savienojumi darbojas kopā ar reāllaika integrāciju un noteikumu definīcijām.
Operatīvie aģenti, kas saprot biznesa operācijas un rīkojas tajā
Material IQ nodrošina jaunu aģentu klasi, ko Microsoft izsauc "operatīvie aģenti." Šie aģenti var autonomi uzraudzīt datus un veikt darbības, pamatojoties uz ontoloģijas izpratni par biznesa operācijām.
"Mēs arī ieviešam to, ko sauc par operāciju aģentiem, kas var skatīt jūsu datus jūsu vietā, kas var skatīt noteikumus, kurus jūs lūdzat pārraudzīt. Un tā var patstāvīgi rīkoties cilvēka uzraudzībā," Ulags teica.
Ulag sniedza piegādes ķēdes piemēru, kas ilustrē atšķirību no tradicionālajām pieejām. Organizācija var modelēt savu piegādes ķēdi un piegādes operācijas ontoloģijā. Ja reāllaika dati liecina par sastrēgumiem pilsētas daļā, operatīvais aģents var automātiski novirzīt kravas automašīnas ap problēmu.
Material IQ izveidotās ontoloģijas tieši integrējas ar Microsoft aģentu izstrādes platformām. Tas nodrošina uzņēmējdarbības kontekstu, kas padara aģentus uzticamākus un precīzākus.
"Darbs, ko esam paveikuši semantiskajos modeļos audumā ar vienotiem datiem, patiešām paceļ pilnīgi atšķirīgu līmeni, ļaujot klientiem modelēt savas darbības un veikt biznesa darbības," Ulags teica.
Ko tas nozīmē uzņēmuma AI stratēģijām
Šķiet, ka ir a nepieciešams konteksta inženierija lai labāk iespējotu aģentu AI.
Semantika un ar to saistītās ontoloģijas dara tieši to un vēl vairāk. Konteksts ir saistīts ar izpratni, kāpēc tiek izteikts pieprasījums, un semantika saprot dziļāko nozīmi. Uzņēmumiem, kas cīnās ar AI aģenta uzticamību, neskatoties uz lielajām datu kopām, Material IQ ir principiāli atšķirīga pieeja. Tas pārsniedz mērogošanas aprēķinu vai modeļu precizēšanu. Kritiskais jautājums ir, vai ontoloģijās ietvertais biznesa konteksts uzlabotu aģenta efektivitāti vairāk nekā tradicionālie optimizācijas ceļi.
Microsoft stratēģiskā likme ir skaidra: biznesa operāciju semantiskā izpratne nosaka AI aģenta efektivitāti. Ar piekļuvi lielām datu kopām vien nepietiek. Esošo semantisko modeļu jaunināšana uz operatīvām ontoloģijām varētu nodrošināt ātrāku ceļu pie uzticamiem aģentiem.
