Bedrijven investeren miljarden dollars in AI-agenten en -infrastructuur om bedrijfsprocessen te transformeren. We zien echter beperkt succes in toepassingen in de echte wereld, vaak vanwege het onvermogen van de agent om het daadwerkelijk te doen bedrijfsgegevens begrijpenbeleid en processen.
Hoewel we integraties goed beheren met technologieën als API-beheer, modelcontextprotocol (MCP) en andere, is het een ander verhaal om agenten te hebben die de ‘betekenis’ van gegevens in een bepaalde zakelijke context echt begrijpen. Bedrijfsgegevens worden meestal in verschillende systemen opgeslagen in gestructureerde en ongestructureerde vormen en moeten worden geanalyseerd met een domeinspecifieke bedrijfslens.
De term ‘klanten’ kan bijvoorbeeld verwijzen naar een andere groep mensen in een Sales CRM-systeem, vergeleken met een financieel systeem dat deze tag zou kunnen gebruiken voor betalende klanten. Eén afdeling zou ‘product’ kunnen definiëren als een SKU; andere vertegenwoordigen wellicht “productfamilies”; een derde als marketingpakket.
Gegevens over ‘productverkoop’ hebben verschillende betekenissen zonder overeengekomen relaties of definities. Als agenten gegevens uit meerdere systemen willen combineren, moeten ze de verschillende representaties begrijpen. Agenten moeten weten wat de gegevens in hun context betekenen en hoe ze de juiste gegevens voor de juiste processen kunnen vinden. Bovendien kunnen schemawijzigingen in het systeem en problemen met de gegevenskwaliteit tijdens het verzamelen leiden tot meer dubbelzinnigheid en het onvermogen van agenten om te weten hoe ze moeten handelen wanneer dergelijke situaties zich voordoen.
Bovendien moet de classificatie van gegevens in categorieën zoals PII (persoonlijk identificeerbare informatie) strikt worden gevolgd om te voldoen aan normen zoals AVG en CCPA. Dit vereist dat gegevens correct worden geëtiketteerd en dat agenten deze classificaties moeten kunnen begrijpen en respecteren. Daarom zien we dat het maken van coole demo’s met behulp van agenten heel goed te doen is, maar echte bedrijfsgegevens in productie krijgen is een ander verhaal.
Op ontologie gebaseerde bronnen van waarheid
Bouw effectief agent oplossing vereist één enkele, op ontologie gebaseerde bron van waarheid. Ontologie is een zakelijke definitie van concepten, hiërarchieën en hun relaties. Het definieert termen die verband houden met het zakelijke domein, kan helpen bij het opzetten van één enkele bron van waarheid voor gegevens, het vastleggen van uniforme veldnamen en het toepassen van classificaties op velden.
Ontologieën kunnen domeinspecifiek zijn (gezondheidszorg of financiële diensten), of organisatiespecifiek op basis van interne structuur. Het vooraf definiëren van een ontologie is tijdrovend, maar het kan helpen bedrijfsprocessen te standaardiseren en een sterke basis te leggen AI-agent.
Ontologieën kunnen worden gerealiseerd met behulp van algemene doorzoekbare formaten zoals triplestore. Complexere bedrijfsregels met multi-hop-relaties kunnen gebruik maken van gelabelde eigenschapsgrafieken zoals Neo4j. Deze grafieken kunnen bedrijven ook helpen nieuwe relaties te ontdekken en complexe vragen te beantwoorden. Ontologieën zoals FIBO (Financial Industry Business Ontology) en UMLS (Unified Medical Language System) zijn beschikbaar in het publieke domein en kunnen een uitstekend startpunt zijn. Meestal moet dit echter worden aangepast om specifieke details van een bedrijf vast te leggen.
Te beginnen met de ontologie
Eenmaal geïmplementeerd kunnen ontologieën een drijvende kracht worden voor bedrijfsagenten. Nu kunnen we AI vragen een ontologie te volgen en deze te gebruiken om gegevens en relaties te ontdekken. Indien nodig kunnen we een agentlaag hebben die belangrijke details van de ontologie zelf presenteert en de gegevens ontdekt. In deze ontologie kunnen bedrijfsregels en -beleid worden geïmplementeerd waaraan agenten moeten voldoen. Dit is een geweldige manier om uw agenten te gronden en vangrails te bouwen op basis van de echte zakelijke context.
Agenten die op deze manier zijn ontworpen en zijn afgestemd om zich aan ontologieën te houden, kunnen zich aan vangrails houden en de hallucinaties vermijden die kunnen worden veroorzaakt door grote taalmodellen (LLM’s) die deze ondersteunen. Een bedrijfsbeleid kan bijvoorbeeld bepalen dat, tenzij voor alle documenten met betrekking tot een lening niet de geverifieerde vlag op ‘waar’ is ingesteld, de lening de status ‘in behandeling’ moet behouden. Agenten kunnen dit beleid omzeilen en bepalen welke documenten vereist zijn en de kennisbank raadplegen.
Het volgende is een voorbeeld van de implementatie ervan:
(Originele afbeelding van auteur)
Zoals geïllustreerd hebben we gestructureerde en ongestructureerde gegevens verwerkt door een documentintelligentieagent (DocIntel) die een Neo4j-database vult op basis van de ontologie van het bedrijfsdomein. Data Discovery-agents in Neo4j vinden en ondervragen de juiste gegevens en geven deze door aan andere agenten die de uitvoering van bedrijfsprocessen afhandelen. Communicatie tussen agenten vindt plaats met populaire protocollen zoals A2A (agent to agent). Een nieuw protocol genaamd AG-UI (Agent User Interaction) kan helpen bij het bouwen van meer algemene UI-schermen om vast te leggen hoe deze agenten werken en reageren.
Met deze methode kunnen we hallucinaties vermijden door de agent te dwingen een op ontologie gebaseerd pad te volgen en de gegevensclassificatie en relaties te behouden. Bovendien kunnen we eenvoudig opschalen door nieuwe middelen, relaties en beleid toe te voegen waar agenten automatisch aan kunnen voldoen, en kunnen we hallucinaties onder controle houden door regels te definiëren voor het hele systeem, niet voor individuele entiteiten. Als een agent bijvoorbeeld een individuele ‘klant’ hallucineert, omdat de verbonden gegevens voor de hallucinerende ‘klant’ niet kunnen worden geverifieerd bij het ontdekken van gegevens, kunnen we deze anomalie gemakkelijk detecteren en plannen maken om deze te elimineren. Dit helpt het agentsysteem mee te evolueren met het bedrijf en het dynamische karakter ervan te beheren.
Het is waar dat een referentiearchitectuur als deze enige overhead toevoegt bij het ontdekken van gegevens en grafische databases. Maar voor grote bedrijven voegt het passende vangrails toe en geeft het agenten richting om complexe bedrijfsprocessen te beheren.
Dattaraj Rao is een innovatie- en onderzoeks- en ontwikkelingsarchitect bij Persistente systemen.
Lees meer van ons gastauteur. Of overweeg om uw eigen bericht in te dienen! Bekijk ons richtlijnen hier.
