Проблемы знаний в агентном ИИ: как преодолеть барьеры для успешной реализации

В условиях стремительного роста и внедрения искусственного интеллекта в бизнес-процессы, многие компании сталкиваются с одной из ключевых проблем: недостатком знаний у агентных ИИ-систем. Несмотря на то что эти системы способны обрабатывать и анализировать огромные объемы данных, они часто не обладают необходимым контекстом для принятия обоснованных решений. Знания, в отличие от данных, представляют собой понимание того, что эти данные означают в рамках конкретной организации. Это понимание критически важно для того, чтобы ИИ-агенты могли эффективно рассуждать о ситуациях, принимать решения и, в конечном итоге, действовать.

Недостаток знаний как причина неудач

Наши исследования показывают, что отсутствие достаточных знаний является одной из основных причин, по которым многие проекты с использованием агентного ИИ не доходят до стадии производства. В условиях растущей конкурентной борьбы организациям необходимо развертывать и масштабировать больше своих агентных проектов, чтобы реализовать обещанные ИИ преимущества в эффективности. Невозможность справиться с этой задачей может привести к потере инвестиций, уже вложенных в проекты, и уступке позиций конкурентам, которые более эффективно используют своих агентов.

Цели исследования

Цель данного отчета, основанного на опросе 300 руководителей в области данных, ИИ и других технологий, состоит в трех аспектах: 1. Оценка возможностей организаций в области агентных знаний, то есть их способности предоставить ИИ-агентам полное контекстуальное понимание обрабатываемых данных. 2. Изучение проблем, с которыми сталкиваются организации при улучшении доступа к знаниям и увеличении числа случаев использования агентов в производстве. 3. Анализ мер, которые принимают организации для преодоления этих проблем.

Основные выводы

1. Слабости в данных и знаниях тормозят прогресс ИИ-агентов. В среднем только около трети (34%) проектов агентного ИИ доходят до стадии производства. Даже высокотехнологичные компании сталкиваются с этой проблемой. 2. Ключевые точки отказа. Основными факторами, мешающими успешному развертыванию ИИ-агентов, являются устаревшие системы данных, проблемы безопасности и конфиденциальности, а также недостаток знаний и контекста. 3. Сильные знания способствуют успеху агентов. Небольшая группа лидеров производства, где в среднем 61% проектов агентного ИИ продвигаются дальше пилотной стадии, обладает более развитыми знаниями, особенно в области семантики. Это преимущество тесно связано с их более высоким уровнем производства. 4. Фрагментация данных усложняет доступ к знаниям. Фрагментация данных, то есть недостаточное взаимодействие данных между системами, была наиболее часто упомянутой проблемой, мешающей расширению доступа агентов к знаниям (55%). В то же время, лидеры производства чаще рассматривают проблемы безопасности и конфиденциальности как основную проблему (72% этой группы). 5. Укрепление связи между данными и агентами. Среди шагов, которые могут привести к более качественным решениям агентов, руководители ожидают наибольшего эффекта от укрепления структурной основы между данными организации и ее ИИ-агентами. Эксперты, с которыми мы общались, считают, что создание слоя знаний является важным способом достижения этой цели. 6. Приоритеты инвестиций для повышения знаний. Для расширения доступа агентов к знаниям организации будут приоритизировать инвестиции в технологии извлечения, такие как каналы ввода данных, API, готовые к ИИ, и генерацию, дополненную извлечением (RAG); в оценочные агенты ИИ; и в графы знаний. Таким образом, для успешного внедрения агентного ИИ организациям необходимо не только сосредоточиться на данных, но и развивать знания, которые помогут их ИИ-агентам принимать более обоснованные решения.