Подключение ИИ-агентов к корпоративным знаниям

Несмотря на весь объем данных, которые системы ИИ постоянно накапливают и анализируют, корпоративные ИИ-агенты часто страдают от любопытного недостатка: нехватки знаний. Знания — это не просто данные, а понимание того, что данные означают в контексте конкретных организаций. ИИ-агентам необходимо это понимание, чтобы рассуждать о ситуациях, принимать решения и в конечном итоге выполнять действия. Без достаточного объема знаний агенты склонны принимать ошибочные и ненадежные решения.

Как показывает наше исследование, нехватка знаний — одна из главных причин, по которой варианты применения агентного ИИ так и не доходят до промышленной эксплуатации. Конкурентное давление делает решение этой проблемы неотложным. Организациям необходимо внедрять и масштабировать больше агентных проектов, чтобы получить обещанный ИИ прирост эффективности. Невыполнение этой задачи чревато напрасной тратой уже вложенных в эти проекты средств и уступкой позиций конкурентам, которые уже эффективнее используют своих агентов.

Цель этого отчета, подготовленного на основе опроса 300 руководителей в сфере данных, ИИ и других технологий, состоит в трех аспектах. Во-первых, он призван оценить возможности организаций в области знаний для агентного ИИ (то есть их способность обеспечить ИИ-агентам полное контекстуальное понимание поглощаемых ими данных) в трех категориях: семантические знания, эпизодическая память и процедурные знания.

Во-вторых, в отчете рассматриваются проблемы, с которыми организации сталкиваются при расширении доступа к знаниям и, в конечном счете, при внедрении большего числа вариантов использования агентов в промышленную эксплуатацию. В-третьих, в нем изучаются меры, которые организации принимают для преодоления этих проблем.

Ключевые выводы включают следующее:

Недостатки данных и знаний постоянно тормозят развитие ИИ-агентов. В среднем до промышленной эксплуатации доходит лишь около трети (34%) проектов организаций в области агентного ИИ. С этой проблемой сталкиваются даже высокотехнологичные компании. Устаревшие системы данных, проблемы безопасности и конфиденциальности, а также нехватка знаний и контекста — основные причины неудач.

Развитые возможности в области знаний коррелируют с успехом агентов. Небольшая группа лидеров промышленной эксплуатации (организаций, в которых в среднем 61% агентных проектов выходят за рамки пилотной стадии) обладает более развитыми возможностями в области знаний, чем остальные, особенно в части семантики. Это преимущество тесно связано с более высокой долей проектов, доходящих до промышленной эксплуатации.

Фрагментация данных значительно усложняет доступ к знаниям. Фрагментация данных (недостаточный обмен данными между системами) чаще всего называлась главным препятствием для расширения доступа агентов к знаниям (на нее указали 55% респондентов). Лидеры промышленной эксплуатации, напротив, чаще считают серьезной проблемой вопросы безопасности и конфиденциальности (на них указали 72% представителей этой группы).

Большинство компаний стремится укрепить связь между данными и агентами. Среди мер, способных повысить качество решений агентов, руководители ожидают наибольшего эффекта от укрепления структурной основы, связывающей данные организации и ее ИИ-агентов. Опрошенные эксперты считают, что одним из основных способов добиться этого является уровень знаний.

Приоритеты инвестиций в расширение объема знаний варьируются от конвейеров до графов знаний. Для расширения доступа агентов к знаниям организации будут отдавать приоритет инвестициям в технологии извлечения данных, такие как конвейеры загрузки, API, готовые для ИИ, и генерация с дополненным поиском (RAG); в агентов для оценки ИИ; а также в графы знаний.

Скачать отчет

Этот материал подготовлен подразделением Insights, отвечающим за заказной контент MIT Technology Review, а не редакцией издания. Исследование и текст подготовлены людьми; любые инструменты ИИ, которые могли использоваться, применялись только в производственных процессах под контролем человека.