
Agentic AI es uno de los últimos conceptos en inteligencia industrial, que ahora ganó una verdadera tracción más allá de su zumbido temprano. Los avances continuos en la IA de agente están acelerando el crecimiento de sistemas comerciales autónomos, basándose en los logros del formación inconsciente.
Operando como un ‘agente’ independiente, esta tecnología está equipada para tomar decisiones informadas basadas en los datos multimodales y la método algorítmica, y luego puede ‘asimilar’ y ponerse al día a través de la experiencia.
Aún más emocionante es su capacidad para comportarse de forma independiente. Es esta capacidad única para adaptarse, planificar y sufrir a lengua tareas complejas sin supervisión humana que distingue la IA agente de las generaciones anteriores de herramientas de IA.
En las cadenas de suministro, por ejemplo, los agentes de IA pueden rastrear la actividad del mercado y las tendencias de demanda histórica para pronosticar las deposición de inventario e implementar medidas para evitar la escasez, como la automatización de partes de los procesos de reposo. Estos agentes cambian su comportamiento en respuesta a las condiciones cambiantes del mercado, aumentan la eficiencia y el rendimiento. Por lo tanto, no sorprende que el 26% de los líderes empresariales denuncien a sus organizaciones están comenzando a dar forma a los enfoques estratégicos en torno a la IA de agente.
Sin secuestro, por mucho que parezca externalizar tales tareas a la IA de agente, todavía debemos errar por precaución. A pesar de todo su poder autónomo, ¿cómo pueden ser totalmente confiables las acciones y los resultados de los agentes de IA? Si confiamos en la IA de agente para completar tareas sofisticadas por sí sola, ¿cómo nos aseguramos de que sus decisiones se basen efectivamente en lo que está sucediendo en el mundo positivo o en la visión de la empresa del mundo?
De la misma guisa que nuestros cerebros usan la observación y las entradas adicionales para sacar conclusiones, los agentes de IA deben dejarlo en Dios en muchas fuentes y señales externas para mejorar sus capacidades de razonamiento.
Esta falta se puede satisfacer con soluciones y plataformas que recopilan y presentan datos de una guisa accesible y recuperable. Aquí está como:
El desafío de confianza en los sistemas de IA autónomos
Como se discutió, lo que distingue a la IA Agentic de otros sistemas de IA es su capacidad de comportarse de guisa autónoma, no solo en una conversación derecho. La complejidad de las tareas que completan los agentes generalmente requiere que se refieran a múltiples fuentes externas dinámicas. Como resultado, el aventura de que poco salga mal aumente automáticamente. Por ejemplo, puede dejarlo en Dios en un chatbot para proporcionarle una puesta al día sobre el estado de un publicidad o reembolso, pero ¿se sentiría tan confiado al darle a un agente de IA los datos de su plástico de crédito para reservar un planeo para usted?
Acullá de la IA conversacional, los agentes basados en tareas planean y cambian las acciones dependiendo del contexto que se les da. Delegan subtareas a las diversas herramientas disponibles a través de un proceso que a menudo se conoce como “encadenamiento” (la salida de una energía se convierte en la entrada para la futuro). Esto significa que las consultas (o tareas) se pueden dividir en tareas más pequeñas, y cada una requiere acercamiento a datos en tiempo positivo, procesadas de guisa iterativa para imitar la resolución de problemas humanos.
El impacto de la esclavitud (en el que se toman las decisiones) está informado por el entorno que se está monitoreando, es proponer, las fuentes de datos. Como resultado, se requiere una recuperación de datos explicable y precisa en cada paso de la esclavitud por dos razones. En primer superficie, los usuarios deben memorizar por qué el agente de IA ha aterrizado en una valentía particular y tiene visibilidad de la fuente de datos en la que se pedestal.
Deben poder dejarlo en Dios en que la energía es, de hecho, la más efectiva y apto. En segundo superficie, deben poder optimizar el proceso para obtener el mejor resultado posible cada vez, analizar cada etapa de la salida y asimilar de cualquier resultado insatisfactorio.
Para dejarlo en Dios en un agente para completar tareas sofisticadas basadas en múltiples pasos de recuperación, el valía de los datos necesarios para respaldar el proceso de toma de decisiones se multiplica significativamente.
La falta de hacer que los datos empresariales confiables estén a disposición de los agentes es secreto. Esta es la razón por la cual las empresas reconocen cada vez más el poder de la tecnología de la colchoneta de datos gráficas para la amplia matiz de estrategias de recuperación que ofrece, lo que a su vez multiplica el valía de los datos.
Cómo la tecnología gráfica fortalece el razonamiento de IA
A medida que la IA de agente impulsa las decisiones de los datos, las ideas que sustentan estas decisiones deben ser precisas, transparentes y explicables: los beneficios que las bases de datos gráficas están optimizadas de forma única para entregar. Gartner ya identifica los gráficos de conocimiento como una capacidad esencial para las aplicaciones Genai, como Graphrag (coexistentes de recuperación aumentada), donde la ruta de recuperación incluye un boceto de conocimiento, puede mejorar enormemente la precisión de las horizontes.
La estructura única de los gráficos de conocimiento, compuesto por ‘nodos’ y ‘bordes’, es donde se pueden derivar respuestas de decano calidad. Los nodos representan entidades existentes en un boceto (como una persona o superficie), y los bordes representan la relación entre esas entidades, es proponer, cómo se conectan entre sí. En este tipo de estructura, cuanto más grandes y complejos son los datos, más información oculta se pueden revelar. Estas características son invaluables para presentar los datos de una guisa que facilite a los agentes de IA completar las tareas de una guisa más confiable y útil.
Los usuarios han descubierto que las respuestas de Graphrag no solo son más precisas sino todavía más ricas, más rápidas, más completas y, en consecuencia, más bártulos. Por ejemplo, un agente de IA que aborda consultas de servicio al cliente podría ofrecer un paquete de costado ancha con descuento particular basado en una comprensión completa del cliente, como resultado de usar Graphrag para conectar información dispar sobre dicho cliente. ¿Cuánto tiempo lleva el cliente con la empresa? ¿Qué servicios están utilizando actualmente? ¿Han presentado quejas antiguamente?
Para replicar a estas preguntas, se pueden crear nodos para representar cada aspecto de la experiencia del cliente con la empresa (incluidas las interacciones anteriores, el uso del servicio y la ubicación) y los bordes para mostrar el mejor o mejor servicio para ellos. Una visión fragmentada y dispersa de los datos podría sufrir al agente que ofrece un paquete con descuento cuando no se debía, lo que llevaba a implicaciones de costos para el negocio.
Según lo mencionado por el CEO de Klarna, “alentar a una LLM el mundo de datos corporativos fraccionado, fragmentado y disperso dará como resultado una LLM muy confundida”. Pero el resultado es muy diferente cuando los datos están conectados en un boceto: el equipo de servicio al cliente de LinkedIn ha informado de resultados como el equipo de servicio al cliente de LinkedIn, que ha escaso el tiempo medio de resolución por problema en un 28.6% desde que implementó Graphrag.
Por qué los datos conectados son secreto para la preparación de la IA de agente
Con cada iteración, los LLM detrás de los agentes de IA avanzan rápidamente, y los marcos de agente están facilitando la creación de aplicaciones complejas de varios pasos. El futuro movimiento fundamental es hacer que los datos empresariales sean lo más ricos, conectados y contextualmente conscientes posible, por lo que es totalmente accesible para estos poderosos agentes.
Tomar este paso permite a las empresas desbloquear el valía total de sus datos, lo que permite a los agentes que no solo son más precisos y eficientes, sino que todavía son más fáciles de entender y explicar. Aquí es donde la integración de la IA agente y los gráficos de conocimiento demuestra transformación. Los datos conectados brindan a los agentes el contexto que necesitan para pensar con más claridad, originar resultados más inteligentes y tienen un decano impacto.
Hemos compilado una letanía de las mejores herramientas de encuestas.
Este artículo fue producido como parte del canal de Insights Expert de TechRadarpro, donde presentamos las mejores y más brillantes mentes de la industria de la tecnología en la hogaño. Las opiniones expresadas aquí son las del autor y no son necesariamente las de TechRadarpro o Future PLC. Si está interesado en contribuir, obtenga más información aquí: https://www.techradar.com/news/submit-your-story-to-techradar-pro





