Piedāvā Elastic
Tā kā organizācijas cenšas ieviest aģentu AI risinājumus, piekļuve patentētiem datiem no visiem stūriem un šķautnēm būs ļoti svarīga.
Līdz šim lielākā daļa organizāciju ir dzirdējušas par aģentu AI, kas ir sistēmas, kas “domā”, autonomi apkopojot rīkus, datus un citus informācijas avotus, lai sniegtu atbildi. Wager šeit ir skaidrs: uzticamība un atbilstība ir atkarīga no precīza konteksta nodrošināšanas. Lielākajā daļā uzņēmumu šis konteksts ir izkaisīts dažādos nestrukturētos datu avotos, tostarp dokumentos, e-pastos, biznesa programmās un klientu atsauksmēs.
Tā kā organizācijas raugās uz 2026. gadu, šīs problēmas atrisināšana būs galvenais, lai paātrinātu aģentu mākslīgā intelekta izplatīšanu visā pasaulē, saka Kens Eksners, Elastic galvenais produktu virsnieks.
"Cilvēki sāk saprast, ka, lai pareizi veiktu aģentu AI, jums ir jābūt atbilstošiem datiem," saka Eksners. "Atbilstība ir ļoti svarīga aģentu AI kontekstā, jo šis AI rīkojas jūsu vārdā. Kad cilvēkiem ir grūti izveidot AI lietojumprogrammas, es varu gandrīz garantēt, ka problēma ir aktuāla.
Aģenti visur
Cīņa varētu būt pārejas vai pārtraukuma perioda ieiešana, organizācijām cīnoties par konkurences priekšrocībām vai jaunu efektivitātes paaugstināšanu. Deloitte pētījums prognozē ka līdz 2026. gadam vairāk nekā 60% lielo uzņēmumu būs plašā mērogā izvietojuši aģentu AI, kas iezīmē ievērojamu pieaugumu no eksperimentālām fāzēm līdz vispārējai ieviešanai. Un pētnieks Gartners prognozes ka līdz 2026. gada beigām 40% no visām uzņēmuma lietojumprogrammām tiks iekļauti uzdevumiem raksturīgi aģenti, salīdzinot ar mazāk nekā 5% 2025. gadā. Pievienojot uzdevumu specializācijas iespējas, AI palīgi tiek pārveidoti par kontekstu apzinošiem AI aģentiem.
Ievadiet konteksta inženieriju
Course of, lai atbilstošā kontekstā iekļautos aģentos īstajā laikā, ir pazīstams kā konteksta inženierija. Tas ne tikai nodrošina, ka aģenta lietojumprogrammai ir dati, kas tai nepieciešami, lai sniegtu precīzas, padziļinātas atbildes, wager arī palīdz lielajam valodas modelim (LLM) saprast, kādi rīki ir nepieciešami, lai atrastu un izmantotu šos datus, un kā izsaukt šīs API.
Lai gan tagad ir atvērtā pirmkoda standarti, piemēram, Modeļa konteksta protokols (MCP), kas ļauj LLM izveidot savienojumu ar ārējiem datiem un sazināties ar tiem, ir dažas platformas, kas ļauj organizācijām izveidot precīzus AI aģentus, kas izmanto jūsu datus un apvieno izguvi, pārvaldību un orķestrēšanu vienuviet, sākotnēji.
Elasticsearch vienmēr ir bijusi vadošā platforma konteksta inženierijas kodolam. Tā nesen izlaida jaunu līdzekli Elasticsearch ar nosaukumu Agent Builder, kas vienkāršo visu aģentu darbības ciklu: izstrādi, konfigurāciju, izpildi, pielāgošanu un novērojamību.
Agent Builder palīdz veidot MCP rīkus uz privātiem datiem, izmantojot dažādas metodes, tostarp Elasticsearch Question Language — cauruļu vaicājumu valodu datu filtrēšanai, pārveidošanai un analīzei vai darbplūsmas modelēšanai. Pēc tam lietotāji var izmantot dažādus rīkus un apvienot tos ar uzvednēm un LLM, lai izveidotu aģentu.
Agent Builder piedāvā konfigurējamu, gatavu sarunvalodas aģentu, kas ļauj tērzēt ar indeksā esošajiem datiem, kā arī sniedz lietotājiem iespēju to izveidot no nulles, izmantojot dažādus rīkus un uzvednes papildus privātajiem datiem.
"Dati ir mūsu pasaules centrs Elastic. Mēs cenšamies nodrošināt, ka jums ir nepieciešamie rīki, lai šos datus izmantotu," Eksners skaidro. "Kad atverat Agent Builder, jūs norādiet to uz Elasticsearch indeksu un varat sākt tērzēt ar jebkuriem datiem, ar kuriem to savienojat, jebkuriem datiem, kas ir indeksēti Elasticsearch, vai no ārējiem avotiem, izmantojot integrāciju.
Kontekstu inženierija kā disciplīna
Ātrā un konteksta inženierija kļūst par disciplīnu. Tas nav kaut kas tāds, kurā jums ir nepieciešams datorzinātņu grāds, taču parādīsies vairāk nodarbību un labākās prakses, jo tajā ir sava māksla.
"Mēs vēlamies to padarīt ļoti vienkāršu," saka Eksners. "Lieta, kas cilvēkiem būs jāizdomā, ir: kā vadīt automatizāciju ar AI? Tas ir tas, kas veicinās produktivitāti. Cilvēki, kas uz to koncentrējas, redzēs vairāk panākumu."
Bez tam parādīsies citi konteksta inženierijas modeļi. Nozare ir pārgājusi no tūlītējas inženierijas uz izguves paplašināto paaudzi, kur informācija tiek nodota LLM konteksta logā, līdz MCP risinājumiem, kas palīdz LLM izvēlēties rīkus. Wager ar to tas neapstāsies.
"Ņemot vērā to, cik ātri lietas virzās uz priekšu, es garantēšu, ka diezgan ātri parādīsies jauni modeļi," saka Eksners. "Joprojām būs konteksta inženierija, taču tie būs jauni modeļi, kā koplietot datus ar LLM, kā panākt, lai tie tiktu pamatoti ar pareizo informāciju. Un es prognozēju vairāk modeļu, kas ļauj LLM saprast privātos datus, par kuriem tas nav apmācīts."
Agent Builder tagad ir pieejams kā tehniskais priekšskatījums. Sāciet ar an Elastīgā mākoņa izmēģinājumsun skatiet Agent Builder dokumentāciju šeit.
Sponsorētie raksti ir saturs, ko ražo uzņēmums, kas vai nu maksā par ziņu, vai kuram ir biznesa attiecības ar VentureBeat, un tie vienmēr ir skaidri atzīmēti. Lai iegūtu vairāk informācijas, sazinieties gross sales@venturebeat.com.
