Odblokowywanie wartości z danych: jak agenci AI podbijają rok 2024

Jeśli rok 2023 był rokiem chatbotów i wyszukiwarek opartych na sztucznej inteligencji, rok 2024 był rokiem agentów AI. To, co zaczęło się od Devina na początku tego roku, przekształciło się w pełnoprawne zjawisko, zapewniając sposób na zmianę sposobu pracy przedsiębiorstw i osób prywatnych na różnych poziomach, od programowania i rozwoju po indywidualne zadania, takie jak planowanie i rezerwacja biletów na wakacje.

Wśród tych szerszych zastosowań zaobserwowaliśmy w tym roku wzrost liczby agentów danych – agentów opartych na sztucznej inteligencji, którzy wykonują różnorodne zadania w stosie infrastruktury danych. Niektórzy zajmowali się podstawową integracją danych, podczas gdy inni zajmowali się dalszymi zadaniami, takimi jak analiza i zarządzanie w przygotowaniu, dzięki czemu wszystko było prostsze i łatwiejsze dla użytkowników korporacyjnych.

Korzyści z tego zaowocowały poprawą wydajności i oszczędnościami kosztów, co skłoniło wiele osób do zastanowienia się: jak zmieni się sytuacja zespołów zajmujących się danymi w nadchodzących latach?

Ogólne agenci AI przejmują zadania związane z danymi

Chociaż możliwości agentowe są już dostępne od jakiegoś czasu i pozwalają przedsiębiorstwom zautomatyzować niektóre podstawowe zadania, rozwój generatywnej sztucznej inteligencji przeniósł wszystko na zupełnie nowy poziom.

Dzięki możliwościom przetwarzania języka naturalnego i wykorzystania narzędzi Zen AI agenci mogą wyjść poza proste rozumowanie i dostarczanie odpowiedzi i zająć się faktycznym planowaniem wieloetapowych zadań, współpracując jednocześnie z innymi agentami i osobami w celu ich wykonania, aby móc swobodnie wchodzić w interakcje z systemami cyfrowymi. Z biegiem czasu uczą się także poprawiać swoje wyniki.

Davin firmy Cognition AI był pierwszą dużą ofertą agentów, która umożliwiła operacje inżynieryjne na dużą skalę. Następnie więksi gracze zaczęli dostarczać bardziej ukierunkowanych agentów korporacyjnych i osobistych opartych na ich modelach.

W rozmowie z VentureBeat na początku tego roku Gerrit Kazmaier z Google Cloud powiedział, że słyszał od klientów, że ich specjaliści zajmujący się danymi stoją przed ciągłymi wyzwaniami, takimi jak automatyzacja ręcznej pracy zespołów zajmujących się danymi, budowanie potoków danych, skracanie czasu cykli analitycznych i upraszczanie zarządzania danymi. Zasadniczo zespołom nie brakowało pomysłów na to, w jaki sposób mogą stworzyć wartość ze swoich danych, ale brakowało im czasu na wprowadzenie tych pomysłów w życie.

Aby rozwiązać ten problem, wyjaśnił Kazmaier, Google unowocześnił BigQuery, swoją podstawową ofertę infrastruktury danych, dodając Gemini AI. Powstałe w ten sposób możliwości agentyczne nie tylko zapewniają przedsiębiorstwom możliwość odkrywania, czyszczenia i przygotowywania danych do dalszych zastosowań – rozbijania silosów danych oraz zapewniania jakości i spójności – ale także wspierają zarządzanie potokami i analitykę, dając zespołom swobodę skupienia się na wyższych -zadania wartościujące.

Wiele przedsiębiorstw korzysta dziś z możliwości agenta Gemini w BigQuery, w tym firmy fintech. więcej niż toKtóre wykorzystało zdolność Gemini do zrozumienia złożonych struktur danych w celu zautomatyzowania procesu tworzenia zapytań. Japońska firma informatyczna jednoargumentowy Gemini korzysta również z możliwości generowania kodu SQL w BigQuery, aby szybciej dostarczać informacje zespołom zajmującym się danymi.

Jednak badania, przygotowania i pomoc w analizach to dopiero początek. W miarę ewolucji podstawowych modeli nawet szczegółowe operacje na danych – zapoczątkowane przez start-upy posiadające wiedzę specjalistyczną w swoich dziedzinach – zostały ukierunkowane na głęboką automatyzację opartą na agentach.

Na przykład, Airbyte Firma Fasten trafiła na pierwsze strony gazet w kategorii integracji danych. Pierwsza uruchomiła pomocnika, który w ciągu kilku sekund utworzył łącznik danych na podstawie łącza do dokumentacji API. W międzyczasie ta ostatnia rozszerzyła swoją kompleksową ofertę tworzenia aplikacji o agenty generujące interfejsy API klasy korporacyjnej – czy to do czytania, czy pisania informacji na dowolny temat – przy użyciu wyłącznie opisów w języku naturalnym.

Z kolei Ultimate AI z siedzibą w San Francisco ukierunkowała różne operacje na danych, w tym dokumentację, testowanie i transformacje, za pomocą nowej technologii DataMates, która wykorzystywała agentyczną sztuczną inteligencję do pobierania kontekstu z całego stosu danych. Kilka innych startupów, w tym Redbird i RapidCanvas, również poszło w ich ślady, twierdząc, że oferują agentów AI, którzy mogą obsłużyć 90% zadań związanych z danymi wymaganych w potokach AI i analiz.

RAG i inne środki zwiększające siłę

Oprócz szerszej obsługi danych zbadano także możliwości agenta w takich obszarach, jak generowanie wspomagane wyszukiwaniem (RAG) i automatyzacja przepływu pracy na dalszym etapie. Na przykład zespół odpowiedzialny za bazę danych Vector robić na drutach Ostatnio dyskutowano nad ideą agentycznego RAG, procesu, który umożliwia agentom AI dostęp do szerokiej gamy narzędzi, takich jak wyszukiwarka internetowa, kalkulatory czy interfejsy API oprogramowania (np. Slack/Gmail/CRM) – dzięki czemu można pobierać dane z wielu źródeł i potwierdzone od. Dokładność odpowiedzi.

Pod koniec roku pojawiła się także aplikacja Snowflake Intelligence, która umożliwiła przedsiębiorstwom zainstalowanie agenta danych, który mógłby wykorzystywać dane analityki biznesowej nie tylko przechowywane w instancji Snowflake, ale także ustrukturyzowane i zintegrowane z izolowanymi narzędziami innych firm korzystaj także z danych nieustrukturyzowanych – takich jak transakcje sprzedaży w bazach danych, dokumenty w bazach wiedzy, takich jak SharePoint i informacje w narzędziach zwiększających produktywność, takich jak Slack, Salesforce i Google Workspace.

Dzięki temu dodatkowemu kontekstowi agenci ujawniają istotne spostrzeżenia w odpowiedzi na pytania związane z językiem naturalnym i podejmują określone działania w oparciu o wygenerowane spostrzeżenia. Na przykład użytkownik może poprosić swojego agenta danych o wprowadzenie napotkanych informacji w edytowalnym formularzu i przesłanie pliku na jego Dysk Google. Można ich także poprosić o zapisanie w tabelach Snowflake i wykonanie niezbędnych modyfikacji danych.

Jeszcze wiele przed nami

Chociaż nie omówiliśmy wszystkich zastosowań agentów danych zaobserwowanych lub ogłoszonych w tym roku, jedno jest całkiem jasne: technologia ta pozostanie. W miarę ewolucji ogólnych modeli sztucznej inteligencji wdrażanie agentów sztucznej inteligencji będzie postępowało pełną parą, a większość organizacji, niezależnie od sektora lub wielkości, zdecyduje się na delegowanie powtarzalnych zadań wyspecjalizowanym agentom. To bezpośrednio przełoży się na efektywność.

Dowodem tego jest niedawne badanie przeprowadzone przez 1100 dyrektorów technicznych capgemini82% respondentów stwierdziło, że zamierza włączyć do swojego stosu agentów opartych na sztucznej inteligencji w ciągu najbliższych 3 lat – w porównaniu z obecnymi 10%. Co ważniejsze, od 70 do 75% respondentów stwierdziło, że zaufałoby agentowi sztucznej inteligencji, który w ich imieniu zajmie się takimi zadaniami, jak analizowanie i synteza danych, a także tworzenie i iteracyjne ulepszanie kodu.

Ta zmiana napędzana przez agentów będzie również oznaczać znaczące zmiany w sposobie pracy zespołów zajmujących się danymi. Obecnie wyniki uzyskiwane od agentów nie są na poziomie produkcyjnym, co oznacza, że ​​w pewnym momencie ktoś będzie musiał przejąć kontrolę, aby dostosować pracę do swoich potrzeb. Jednak wraz z pewnymi dalszymi postępami w nadchodzących latach luka ta prawdopodobnie się zamknie – zespoły znajdą agentów AI, którzy są szybsi, dokładniejsi i mniej podatni na błędy, które zwykle popełniają ludzie.

Krótko mówiąc, role badaczy danych i analityków, które obserwujemy dzisiaj, prawdopodobnie ulegną zmianie, a użytkownicy prawdopodobnie przeniosą się w stronę domeny nadzoru nad sztuczną inteligencją (gdzie mogą monitorować działania sztucznej inteligencji) lub zadań o wyższej wartości wykonywanych przez system . Być może będziesz musiał walczyć o wykonanie.