Prezentowane przez Elastic
Ponieważ organizacje mają trudności z wdrażaniem rozwiązań AI opartych na agentach, dostęp do zastrzeżonych danych z każdego zakątka będzie miał kluczowe znaczenie
Do tej pory większość organizacji słyszała o sztucznej inteligencji agentycznej, czyli systemach, które „myślą”, samodzielnie gromadząc narzędzia, dane i inne źródła informacji w celu udzielenia odpowiedzi. Ale tu pojawia się problem: wiarygodność i trafność zależą od podania dokładnego kontekstu. W większości przedsiębiorstw kontekst ten jest rozproszony w różnych nieustrukturyzowanych źródłach danych, w tym w dokumentach, wiadomościach e-mail, aplikacjach biznesowych i opiniach klientów.
Ponieważ organizacje patrzą w przyszłość na rok 2026, rozwiązanie tego problemu będzie miało kluczowe znaczenie dla przyspieszenia wdrażania sztucznej inteligencji przez agentów na całym świecie, mówi Ken Exner, dyrektor ds. produktu w Elastic.
„Ludzie zaczynają zdawać sobie sprawę, że aby prawidłowo stworzyć agentową sztuczną inteligencję, trzeba mieć odpowiednie dane” – mówi Exner. „Istotność jest kluczowa w kontekście agentycznej sztucznej inteligencji, ponieważ sztuczna inteligencja podejmuje działania w Twoim imieniu. Kiedy ludzie mają trudności z tworzeniem aplikacji AI, mogę niemal zagwarantować, że problemem jest trafność”.
Agenci wszędzie
Walka może rozpocząć się w fazie rozstrzygającej lub przełomowej, gdy organizacje walczą o przewagę konkurencyjną lub o stworzenie nowej efektywności. Badanie Deloitte przewiduje, że do 2026 r. ponad 60% dużych przedsiębiorstw wdroży na dużą skalę sztuczną inteligencję opartą na agentach, co oznacza znaczący skok od etapu eksperymentalnego do głównego nurtu wdrożenia. Badacz Gartner przewiduje, że do końca 2026 r. 40% wszystkich aplikacji biznesowych będzie zawierać agenty specyficzne dla danego zadania, w porównaniu z mniej niż 5% w 2025 r. Dodanie możliwości specjalizacji zadań sprawi, że asystenci AI staną się agentami AI świadomymi kontekstu.
Wprowadź inżynierię kontekstową
Proces dostarczania agentom odpowiedniego kontekstu we właściwym czasie nazywany jest inżynierią kontekstu. Nie tylko zapewnia, że aplikacja agenta posiada dane potrzebne do zapewnienia dokładnych, dogłębnych odpowiedzi, ale także pomaga modelowi dużego języka (LLM) zrozumieć, jakich narzędzi potrzebuje, aby znaleźć i wykorzystać te dane oraz jak wywołać te interfejsy API.
Chociaż istnieją obecnie standardy open source, takie jak Model Context Protocol (MCP), które umożliwiają LLM łączenie się z danymi zewnętrznymi i interakcję z nimi, istnieje kilka platform, które umożliwiają organizacjom tworzenie precyzyjnych agentów AI, którzy korzystają z danych i łączą wyszukiwanie, zarządzanie i orkiestrację w jednym miejscu, natywnie.
Elasticsearch zawsze był wiodącą platformą do inżynierii podstawowego kontekstu. Niedawno udostępnił nową funkcję w Elasticsearch o nazwie Agent Builder, która upraszcza cały cykl życia agentów: programowanie, konfiguracja, wykonywanie, dostosowywanie i widoczność.
Agent Builder pomaga tworzyć narzędzia MCP na prywatnych danych przy użyciu różnych technik, w tym Elasticsearch Query Language, ukierunkowanego języka zapytań do filtrowania, przekształcania i analizy danych lub modelowania przepływu pracy. Użytkownicy mogą następnie skorzystać z różnych narzędzi i połączyć je z zapytaniami i LLM, aby utworzyć agenta.
Agent Builder oferuje konfigurowalnego, gotowego do użycia agenta konwersacyjnego, który umożliwia komunikację z danymi w indeksie, a także daje użytkownikom możliwość zbudowania go od podstaw przy użyciu różnych narzędzi i zapytań na podstawie prywatnych danych.
„Dane są w centrum naszego świata w Elastic. Staramy się mieć pewność, że masz narzędzia potrzebne do prawidłowego funkcjonowania tych danych” – wyjaśnia Exner. „Gdy tylko otworzysz program Agent Builder, wskażesz mu indeks w Elasticsearch i możesz zacząć rozmawiać z dowolnymi danymi, z którymi się łączysz, dowolnymi danymi zaindeksowanymi w Elasticsearch — lub ze źródeł zewnętrznych poprzez integrację”.
Inżynieria kontekstu jako dyscyplina
Szybka i kontekstowa inżynieria staje się dyscypliną. Nie jest to coś, do czego potrzebny jest dyplom z informatyki, ale pojawi się więcej wykładów i najlepszych praktyk, ponieważ jest w tym sztuka.
„Chcemy, aby było to bardzo proste” – mówi Exner. „Ludzie będą musieli się zastanowić, w jaki sposób można napędzać automatyzację za pomocą sztucznej inteligencji? To będzie napędzać produktywność. Osoby, które się na tym skupią, odniosą większy sukces”.
Ponadto pojawią się inne wzorce inżynierii kontekstu. Branża przeszła od szybkiej inżynierii do generacji z rozszerzonym wyszukiwaniem, w której informacje są przekazywane do LLM w oknie kontekstowym, do rozwiązań MCP, które pomagają LLM w wyborze narzędzia. Ale to nie koniec.
„Biorąc pod uwagę szybkość zmian, gwarantuję, że nowe wzorce pojawią się dość szybko” – mówi Exner. „Nadal będzie istniała inżynieria kontekstu, ale pojawią się nowe wzorce udostępniania danych LLM i sposoby ich oparcia na właściwych informacjach. Przewiduję też więcej wzorców, które pozwolą LLM zrozumieć prywatne dane, w zakresie których nie zostało przeszkolone”.
Program Agent Builder jest teraz dostępny w wersji zapoznawczej. Zacznij od Wersja próbna elastycznej chmuryi sprawdź dokumentację programu Agent Builder Tutaj.
Artykuły sponsorowane to treści tworzone przez firmę, która płaci za publikację lub ma relacje biznesowe z VentureBeat i zawsze są wyraźnie oznaczone. Aby uzyskać więcej informacji, prosimy o kontakt sprzedaż@venturebeat.com.
