Otključavanje vrijednosti iz podataka: Kako su AI agenti osvojili 2024

Ako je 2023. bila godina generativnih chatbota i pretraživanja pokretanih umjetnom inteligencijom, 2024. je bila u znaku agenata umjetne inteligencije. Ono što je započelo u Devinu ranije ove godine preraslo je u pravi fenomen, nudeći tvrtkama i pojedincima način da transformiraju način na koji rade na različitim razinama, od programiranja i razvoja do osobnih zadataka kao što su planiranje i rezerviranje karata za odmor.

Među ovim širokim rasponom aplikacija, ove smo godine također vidjeli porast podatkovnih agenata — agenata pokretanih umjetnom inteligencijom koji obrađuju različite vrste zadataka u nizu podatkovne infrastrukture. Neki su obavljali osnovne poslove integracije podataka, dok su drugi rješavali nizvodne zadatke, poput analize i upravljanja u cjevovodu, čineći stvari jednostavnijima i lakšima za poslovne korisnike.

Prednosti su bile poboljšana učinkovitost i ušteda troškova, zbog čega su se mnogi zapitali: Kako će se stvari promijeniti za podatkovne timove u godinama koje dolaze?

Gen AI Agenti preuzeli su zadatke podataka

Dok agentičke sposobnosti postoje već neko vrijeme, omogućujući tvrtkama da automatiziraju određene osnovne zadatke, uspon generativne umjetne inteligencije podigao je stvari na višu razinu.

S mogućnostima obrade prirodnog jezika i upotrebe alata gen AI, agenti mogu ići dalje od jednostavnog razmišljanja i odgovaranja na stvarno planiranje radnji u više koraka, neovisno komunicirajući s digitalnim sustavima kako bi dovršili radnje dok istovremeno surađuju s drugim agentima i ljudima. Oni također uče poboljšati svoju izvedbu tijekom vremena.

Devin tvrtke Cognition AI bio je prva velika agencijska ponuda koja je omogućila inženjerske operacije na velikom broju. Tada su veći igrači počeli pružati ciljanije poslovne i osobne agente koje pokreću njihovi modeli.

U razgovoru s VentureBeatom ranije ove godine, Gerrit Kazmaier iz Google Clouda rekao je da je od kupaca čuo da se njihovi stručnjaci za podatke stalno suočavaju s izazovima uključujući automatizaciju ručnog rada za podatkovne timove, smanjenje vremena ciklusa podatkovnih cjevovoda i analize te pojednostavljenje upravljanja podacima. U biti, timovima nije nedostajalo ideja o tome kako bi mogli stvoriti vrijednost iz svojih podataka, ali im je nedostajalo vremena za provedbu tih ideja.

Kako bi to popravio, objasnio je Kazmaier, Google je obnovio BigQuery, svoju temeljnu ponudu podatkovne infrastrukture, s Gemini AI. Rezultirajuće agentske sposobnosti ne samo da pružaju tvrtkama mogućnost otkrivanja, čišćenja i pripreme podataka za daljnje aplikacije – razbijajući silose podataka i osiguravajući kvalitetu i dosljednost – već također podržavaju upravljanje i analizu cjevovoda, oslobađajući timove da se usredotoče na zadatke veće vrijednosti.

Više poduzeća danas koristi Geminijeve agentičke mogućnosti u BigQueryju, uključujući fintech tvrtku Julokoji je iskoristio sposobnost Geminija da razumije složene podatkovne strukture kako bi automatizirao svoj proces generiranja upita. Japanska IT tvrtka Unerry također koristi mogućnosti generiranja Gemini SQL-a u BigQueryju kako bi pomogao timovima za podatke da brže isporuče uvid.

No, otkrivanje, priprema i pomoć u analizi bio je samo početak. Kako su se temeljni modeli razvijali, čak su i granularne podatkovne operacije — koje su uveli startupovi specijalizirani za svoje domene — bile ciljane dubljom automatizacijom vođenom agentima.

Na primjer, AirByte i Fastn dospjeli su na naslovnice u kategoriji integracije podataka. Prvi je pokrenuo pomoćnika koji je u nekoliko sekundi stvorio podatkovne konektore iz veze na dokumentaciju API-ja. U međuvremenu, potonji je poboljšao svoju širu ponudu razvoja aplikacija s agentima koji su generirali API-je razine poduzeća — bilo da se radi o čitanju ili pisanju informacija o bilo kojoj temi — koristeći samo opis prirodnog jezika.

Altimate AI sa sjedištem u San Franciscu, sa svoje strane, ciljao je na različite podatkovne operacije, uključujući dokumentaciju, testiranje i transformacije, s novom tehnologijom DataMates, koja je koristila agentsku umjetnu inteligenciju za izvlačenje konteksta iz cijelog skupa podataka. Više drugih startupa, uključujući Redbird i RapidCanvas, također je radilo u istom smjeru, tvrdeći da nude AI agente koji mogu obraditi do 90% podatkovnih zadataka potrebnih u AI i analitičkim cjevovodima.

Agenti koji pokreću RAG i više

Osim širokog raspona podatkovnih operacija, agentičke mogućnosti također su istražene u područjima kao što je generiranje proširenog dohvaćanja (RAG) i automatizacija nizvodnog tijeka rada. Na primjer, tim koji stoji iza vektorske baze podataka Tkati nedavno je raspravljao o ideji agentskog RAG-a, procesa koji agentima umjetne inteligencije omogućuje pristup širokom rasponu alata — poput pretraživanja weba, kalkulatora ili softverskog API-ja (kao što je Slack/Gmail/CRM) — za dohvaćanje i provjeru valjanosti podataka iz više izvora radi poboljšanja točnost odgovora.

Nadalje, krajem godine pojavila se Snowflake Intelligence, dajući poduzećima mogućnost postavljanja podatkovnih agenata koji bi mogli pristupiti ne samo podacima poslovne inteligencije pohranjenim u njihovoj instanci Snowflake, već i strukturiranim i nestrukturiranim podacima preko izoliranih alata trećih strana — kao što su kao prodajne transakcije u bazi podataka, dokumenti u bazama znanja kao što je SharePoint i informacije u alatima za produktivnost kao što su Slack, Salesforce i Google Workspace.

Uz ovaj dodatni kontekst, agenti otkrivaju relevantne uvide kao odgovor na pitanja o prirodnom jeziku i poduzimaju određene radnje oko generiranih uvida. Na primjer, korisnik može zatražiti od svog podatkovnog agenta da unese prikazane uvide u obrazac koji se može uređivati ​​i prenese datoteku na njegov Google disk. Od njih se čak može zatražiti da pišu u Snowflake tablice i po potrebi izvrše izmjene podataka.

Još mnogo toga dolazi

Iako možda nismo pokrili sve primjene agenata podataka viđene ili najavljene ove godine, jedna je stvar prilično jasna: tehnologija je tu da ostane. Kako se generacijski modeli umjetne inteligencije nastavljaju razvijati, usvajanje agenata umjetne inteligencije ići će punom parom, pri čemu će većina organizacija, bez obzira na sektor ili veličinu, odlučiti delegirati zadatke koji se ponavljaju specijaliziranim agentima. To će se izravno prevesti u učinkovitost.

Kao dokaz za to, u nedavnom istraživanju 1100 tehnoloških rukovoditelja koje je proveo Capgemini82% ispitanika reklo je da namjerava integrirati agente temeljene na umjetnoj inteligenciji na svojim skupovima u sljedeće 3 godine — što je porast u odnosu na trenutnih 10%. Što je još važnije, čak 70 do 75% ispitanika reklo je da bi povjerilo agentu umjetne inteligencije da analizira i sintetizira podatke u njihovo ime, kao i da se nosi sa zadacima poput generiranja i iterativnog poboljšanja koda.

Ova promjena vođena agentima također bi značila značajne promjene u načinu na koji timovi za podatke funkcioniraju. Trenutačno rezultati agenata nisu proizvodni, što znači da čovjek u nekom trenutku mora preuzeti posao kako bi fino prilagodio rad svojim potrebama. Međutim, s još nekoliko napretka u nadolazećim godinama, ovaj jaz će najvjerojatnije nestati – dajući timovima AI agente koji bi bili brži, precizniji i manje skloni pogreškama koje obično čine ljudi.

Dakle, da sažmemo, uloge znanstvenika i analitičara podataka koje danas vidimo vjerojatno će se promijeniti, s korisnicima koji će se možda preseliti u nadzornu domenu umjetne inteligencije (gdje bi mogli pratiti radnje umjetne inteligencije) ili zadatke veće vrijednosti koje sustav mogao teško izvesti.