व्यवसाय प्रक्रिया बदलण्यासाठी कंपन्या AI एजंट्स आणि पायाभूत सुविधांमध्ये अब्जावधी डॉलर्सची गुंतवणूक करत आहेत. तथापि, आम्ही वास्तविक-जगातील अनुप्रयोगांमध्ये मर्यादित यश पाहतो, बहुतेकदा व्यवसाय डेटा, धोरणे आणि प्रक्रिया खरोखर समजण्यास एजंटच्या अक्षमतेमुळे.
आम्ही ऍप्लिकेशन प्रोग्रामिंग इंटरफेस (API) व्यवस्थापन, मॉडेल कॉन्टेक्स्ट प्रोटोकॉल (MCP) आणि इतर यासारख्या तंत्रज्ञानाचा वापर करून एकत्रीकरण चांगल्या प्रकारे व्यवस्थापित करत असताना, दिलेल्या व्यावसायिक संदर्भात डेटाचा “अर्थ” खरोखर समजणारे एजंट असणे ही एक वेगळी गोष्ट आहे. एंटरप्राइझ डेटा सहसा संरचित आणि असंरचित फॉर्ममध्ये भिन्न प्रणालींमध्ये बंद केला जातो आणि डोमेन-विशिष्ट व्यवसाय लेन्स वापरून त्याचे विश्लेषण केले जाणे आवश्यक आहे.
उदाहरणार्थ, “ग्राहक” हा शब्द ग्राहकांना पैसे देण्यासाठी त्या टॅगचा वापर करणाऱ्या वित्त प्रणालीच्या तुलनेत, विक्री CRM प्रणालीमधील लोकांच्या भिन्न गटाचा संदर्भ घेऊ शकतो. विभाग SKU म्हणून “उत्पादन” परिभाषित करू शकतो; दुसरा k चे प्रतिनिधित्व करू शकतो "प्रकल्प" कुटुंब; तिसरे मार्केटिंग पॅकेज आहे.
अशा प्रकारे, “उत्पादन विक्री” संबंधित विधाने सहमत संबंध आणि व्याख्यांशिवाय अर्थाने भिन्न असतात. एजंट्सना एकाधिक प्रणालींमधून डेटा एकत्रित करण्यासाठी, त्यांना भिन्न प्रतिनिधित्व समजले पाहिजे. एजंटना डेटाचा संदर्भ काय आहे आणि योग्य प्रक्रियेसाठी योग्य डेटा कसा शोधायचा हे जाणून घेणे आवश्यक आहे. शिवाय, संकलनादरम्यान सिस्टीममधील स्कीमा बदल आणि डेटा गुणवत्तेच्या समस्यांमुळे एजंट्सना अशा परिस्थितींना सामोरे जाताना कशी प्रतिक्रिया द्यायची हे जाणून घेण्यास अधिक अस्पष्टता आणि असमर्थता निर्माण होऊ शकते.
शिवाय, PII (वैयक्तिकरित्या ओळखण्यायोग्य माहिती) सारख्या श्रेणींमध्ये डेटाचे वर्गीकरण GDPR आणि CCPA सारख्या मानकांचे पालन करण्यासाठी काटेकोरपणे पालन करणे आवश्यक आहे. यासाठी डेटा योग्यरित्या वर्गीकृत करणे आवश्यक आहे आणि एजंट हे वर्गीकरण समजू शकतात आणि त्यांचा आदर करू शकतात. म्हणूनच, आम्हाला आढळले की एजंट वापरून एक उत्कृष्ट डेमो तयार करणे खूप शक्य आहे – परंतु वास्तविक व्यवसाय डेटासह उत्पादनात जाणे ही पूर्णपणे वेगळी कथा आहे.
ऑन्टोलॉजी-आधारित सत्याचा स्रोत
प्रभावी उपाय तयार करण्यासाठी सत्याचा एकल ऑन्टोलॉजी-आधारित स्रोत आवश्यक आहे. ऑन्टोलॉजी ही संकल्पना, त्यांची पदानुक्रम आणि नातेसंबंधांची व्यावसायिक व्याख्या आहे. हे व्यावसायिक क्षेत्रांच्या संबंधात शब्दावली परिभाषित करते आणि डेटासाठी सत्याचा एक स्रोत स्थापित करण्यात, प्रमाणित फील्ड नावे कॅप्चर करण्यात आणि फील्डवर लेबल लागू करण्यात मदत करू शकते.
ऑन्टोलॉजी डोमेन-विशिष्ट (आरोग्य सेवा किंवा वित्त), किंवा अंतर्गत संरचनांवर आधारित संस्था-विशिष्ट असू शकते. समोरच्या उपस्थितीची व्याख्या करणे वेळखाऊ आहे, परंतु ते व्यवसाय प्रक्रिया प्रमाणित करण्यात आणि एजंटिक AI साठी मजबूत पाया घालण्यात मदत करू शकते.
ट्रिपलस्टोअर सारख्या सामान्य क्वेरी करण्यायोग्य स्वरूपांचा वापर करून ऑन्टोलॉजीज प्राप्त केले जाऊ शकतात. मल्टी-हॉप संबंधांसह अधिक जटिल व्यवसाय नियम Neo4j सारखे लेबल केलेले गुणधर्म आलेख वापरू शकतात. हे आकृत्या संस्थांना नवीन नातेसंबंध शोधण्यात आणि जटिल प्रश्नांची उत्तरे देण्यात मदत करू शकतात. FIBO (फायनान्शिअल इंडस्ट्री बिझनेस ऑन्टोलॉजी) आणि UMLS (युनिफाइड मेडिकल लँग्वेज सिस्टीम) सारख्या ऑन्टोलॉजीज सार्वजनिक डोमेनमध्ये उपलब्ध आहेत आणि ते खूप चांगले प्रारंभ बिंदू असू शकतात. तथापि, संस्था-विशिष्ट तपशील कॅप्चर करण्यासाठी त्यांना सहसा सानुकूलित करणे आवश्यक आहे.
ऑन्टोलॉजीपासून सुरुवात
एकदा अंमलात आणल्यानंतर, एंटरप्राइझ एजंट्ससाठी ऑन्टोलॉजी प्रेरक शक्ती असू शकते. आम्ही आता AI ला उपस्थिती ट्रॅक करण्यास सांगू शकतो आणि डेटा आणि संबंध शोधण्यासाठी त्याचा वापर करू शकतो. आवश्यक असल्यास, आमच्याकडे एक प्रॉक्सी स्तर असू शकतो जो अस्तित्वाचे मूलभूत तपशील देतो आणि डेटा शोधतो. एजंट्सना पालन करण्यासाठी या अस्तित्वामध्ये व्यवसाय नियम आणि धोरणे लागू केली जाऊ शकतात. आपले ग्राहक स्थापित करण्याचा आणि वास्तविक व्यवसाय संदर्भावर आधारित रेलिंग तयार करण्याचा हा एक उत्कृष्ट मार्ग आहे.
अशा प्रकारे डिझाइन केलेले आणि ऑन्टोलॉजीचे पालन करण्यासाठी सुसज्ज असलेले एजंट रेलिंगला चिकटून राहू शकतात आणि त्यांना व्यापलेल्या मोठ्या लँग्वेज मॉडेल्समुळे (LLM) होऊ शकणारे भ्रम टाळू शकतात. उदाहरणार्थ, व्यवसाय धोरण निर्दिष्ट करू शकते की जोपर्यंत कर्जाशी संबंधित सर्व दस्तऐवजांमध्ये त्यांचे प्रमाणीकरण ध्वज सेट केले जात नाहीत तोपर्यंत… "खरे," कर्जाची स्थिती “प्रलंबित” स्थितीत राहिली पाहिजे. एजंट हे धोरण ओव्हरराइड करू शकतात, आवश्यक कागदपत्रे निर्दिष्ट करू शकतात आणि ज्ञान बेसची क्वेरी करू शकतात.
येथे अंमलबजावणीचे एक उदाहरण आहे:
(लेखकाचा मूळ क्रमांक)
दाखवल्याप्रमाणे, आमच्याकडे दस्तऐवज इंटेलिजन्स एजंट (DocIntel) द्वारे संरचित आणि असंरचित डेटा आहे जो व्यवसाय डोमेनच्या उपस्थितीवर आधारित Neo4j डेटाबेस तयार करतो. Neo4j मधील डेटा डिस्कवरी एजंट योग्य डेटा शोधतो, त्याची चौकशी करतो आणि व्यवसाय प्रक्रियांची अंमलबजावणी हाताळणाऱ्या इतर एजंटांकडे पाठवतो. A2A (एजंट ते एजंट) सारख्या सामान्य प्रोटोकॉलचा वापर करून एजंट्समधील संवाद होतो. एजी-यूआय (एजंट वापरकर्ता परस्परसंवाद) नावाचा नवीन प्रोटोकॉल या एजंटच्या क्रिया आणि प्रतिसाद कॅप्चर करण्यासाठी अधिक सामान्य वापरकर्ता इंटरफेस स्क्रीन तयार करण्यात मदत करू शकतो.
या पद्धतीचा वापर करून, आम्ही एजंटना ऑन्टोलॉजी-आधारित मार्गांचे अनुसरण करण्यास आणि डेटा वर्गीकरण आणि संबंध राखण्यास भाग पाडून भ्रम टाळू शकतो. शिवाय, एजंट आपोआप पालन करू शकतील अशा नवीन मालमत्ता, संबंध आणि धोरणे जोडून आम्ही सहजपणे मोजमाप करू शकतो आणि वैयक्तिक घटकांऐवजी संपूर्ण प्रणालीसाठी नियम परिभाषित करून भ्रम नियंत्रित करू शकतो. उदाहरणार्थ, जर एजंट एखाद्या वैयक्तिक “क्लायंट”ला भ्रमित करत असेल, कारण भ्रमित करणाऱ्या “क्लायंट” चा कनेक्ट केलेला डेटा डेटा शोधात पडताळता येणार नाही, आम्ही ही विसंगती सहजपणे शोधू शकतो आणि ती दूर करण्याची योजना करू शकतो. हे एजंट सिस्टमला व्यवसायाचे प्रमाण वाढविण्यात आणि त्याचे गतिशील स्वरूप व्यवस्थापित करण्यात मदत करते.
खरं तर, यासारखे संदर्भ आर्किटेक्चर डेटा शोध आणि आलेख डेटाबेसमध्ये काही ओव्हरहेड जोडते. परंतु मोठ्या संस्थांसाठी, ते योग्य रेलिंग जोडते आणि एजंटांना जटिल व्यावसायिक प्रक्रियांचे समन्वय साधण्यासाठी मार्गदर्शन देते.
दत्तराज राव हे इनोव्हेशन आणि R&D अभियंता आहेत स्थिर प्रणाली.
आमच्या वेबसाइटवरून अधिक वाचा पाहुणे लेखक. किंवा तुमची स्वतःची पोस्ट सबमिट करण्याचा विचार करा! आमचे पहा येथे मार्गदर्शक तत्त्वे.
