Поиск по сайту:

Как компании ускоряют получение ценности от агентного ИИ

Агентный ИИ может принести большие преимущества, но бизнес-лидеры должны подумать о том, как справиться с этим сложным спектром факторов.

Недавний опрос 1050 ИТ-директоров показал, что 93% ИТ-руководителей внедрят агентов ИИ в ближайшие два года, при этом ИТ-руководители работают над внедрением технологии, сосредоточившись на устранении разрозненности данных.

Среднее количество приложений, используемых респондентами, составило 897, при этом 45% сообщили об использовании 1000 приложений или более, что затрудняет способность ИТ-команд создавать унифицированный опыт.

Только 29% корпоративных приложений интегрированы и обмениваются информацией между всеми подразделениями. Чтобы подготовиться к более широкому использованию ИИ, ИТ-директора предприятий выделяют 20% своих бюджетов на инфраструктуру данных и управление, что в четыре раза больше, чем они тратят на ИИ (5%).

  • Понимание намерений с помощью естественного языка
  • Планируйте с использованием рассуждений и соответствующего контекста
  • Примите меры с помощью инструментов для достижения цели
  • Совершенствование с помощью итераций и непрерывного обучения

По мнению ARK, искусственный интеллект усилит работу на основе знаний. К 2030 году ARK ожидает, что количество развернутого программного обеспечения на одного работника умственного труда значительно вырастет, поскольку компании инвестируют в решения для повышения производительности. В зависимости от темпов внедрения, глобальные расходы на программное обеспечение могут увеличиться с 14% в год за последние 10 лет до 18-48% в год.

Тем не менее, создание агентного ИИ, способного справляться со сложными задачами с приемлемой производительностью, является сложной задачей. Компания Valoir обнаружила, что использование платформы, оптимизированной для разработки агентного ИИ, такой как Salesforce Agentforce, позволяет организациям предоставлять автономных агентов ИИ в среднем в 16 раз быстрее, чем при других подходах, при этом повышая точность на 75%.

Компания Valoir определила семь этапов разработки агентов (сложность агентных задач и объем, источники и гигиена данных варьируются в зависимости от клиента, а также размер и уровень данных):

  1. Настройка модели
  2. Интеграция данных и приложений
  3. Оперативный инжиниринг
  4. Ограждения и безопасность ИИ
  5. Разработка пользовательского интерфейса и рабочего процесса/приложения
  6. Настройка
  7. Точность данных

Одним из ключевых выводов Valoir в отношении настройки модели стали различия между подходом «сделай сам» (DIY) и глубоко интегрированной платформой со встроенными возможностями агентного ИИ.

Валуар обнаружил, что большинство организаций, использующих подход «сделай сам», используют готовые модели, на настройку которых обычно уходит от трех до 12 месяцев. В отличие от них, модели Agentforce предварительно интегрированы и настроены, практически не требуют времени на настройку, в среднем в 7,5 раз быстрее по сравнению с готовыми моделями.

Valoir также обнаружила, что организации, использующие альтернативы с открытым исходным кодом, потратили не менее месяца на выбор подхода RAG. Процессы включали интеграцию инструментов приема, извлечения и хранения документов, интеграцию RAG с генеративными моделями, а также дополнительные два-три месяца на обучение ретривера и модели с данными, специфичными для предметной области. Интеграция данных Agentforce и приложений была завершена за несколько недель, или в три с половиной раза быстрее.

Наиболее значимое сравнение «сделай сам» с использованием глубоко интегрированной платформы ИИ было связано с ограничениями ИИ, доверием и безопасностью. Доверие стало ключевым фактором, позволившим организациям перейти от генеративных к агентным сценариям использования ИИ. Командам разработчиков со значительным опытом в области разработки и обработки и анализа данных потребуется более 12 месяцев, чтобы разработать эквивалентный уровень доверия.

Точность данных является ключевым фактором времени окупаемости, времени, необходимого для создания и обучения агентов ИИ для обеспечения приемлемого уровня правильного реагирования. В зависимости от сложности задачи процент точности варьировался в зависимости от подхода «сделай сам» и использования глубоко интегрированной платформы.

Для простых задач показатели точности составили 50% для DIY против 95% для Agentforce. В сложных задачах, таких как коучинг по продажам, точность составила 40% для DIY против 95% для Agentforce. В целом, платформенный подход может повысить точность работы операторов на 75%.

Валуар пришел к выводу, что среднее общее количество месяцев, затраченных на проекты «сделай сам», составило 75,5, в то время как среднее время, необходимое для доведения проекта Agentforce до продуктивной точности, составило 4,8 месяца, что делает подход к платформе в 16 раз быстрее. Чтобы узнать больше об исследованиях Valoir в области искусственного интеллекта агентов, перейдите по этой ссылке.