लवचिक परिचय
प्रभावी एआय सोल्यूशन्स अंमलात आणण्यासाठी संघटना झटत असताना, सर्व कोनाड्यांमधून आणि कोपऱ्यांमधून मालकीच्या डेटामध्ये प्रवेश करणे महत्त्वाचे असेल.
आत्तापर्यंत, बहुतेक संस्थांनी एजंटिक AI बद्दल ऐकले आहे, जे उत्तर देण्यासाठी स्वायत्तपणे साधने, डेटा आणि माहितीचे इतर स्त्रोत एकत्र करून “विचार” करतात. परंतु येथे समस्या आहे: विश्वासार्हता आणि प्रासंगिकता अचूक संदर्भ प्रदान करण्यावर अवलंबून असते. बहुतेक संस्थांमध्ये, हा संदर्भ कागदपत्रे, ईमेल, व्यवसाय अनुप्रयोग आणि ग्राहक पुनरावलोकनांसह अनेक असंरचित डेटा स्रोतांमध्ये पसरलेला आहे.
संस्था 2026 कडे पाहतात, या समस्येचे निराकरण करणे हे जगभरातील AI उपयोजनांना गती देण्यासाठी महत्त्वाचे असेल, इलास्टिकचे मुख्य उत्पादन अधिकारी केन एक्सनर म्हणतात.
"लोकांना हे समजू लागले आहे की एजंटिक एआय योग्य करण्यासाठी, तुमच्याकडे संबंधित डेटा असणे आवश्यक आहे," एक्सनर म्हणतात. "एजंटिक AI च्या संदर्भात प्रासंगिकता महत्त्वपूर्ण आहे, कारण ते AI तुमच्या वतीने कारवाई करते. “जेव्हा लोक एआय ऍप्लिकेशन्स तयार करण्यासाठी संघर्ष करतात, तेव्हा मी तुम्हाला खात्री देतो की समस्या त्यांच्या प्रासंगिकतेची आहे.”
एजंट सर्वत्र आहेत
संघटना स्पर्धात्मक फायदा मिळवण्यासाठी किंवा नवीन कार्यक्षमता निर्माण करण्यासाठी संघर्ष करत असताना संघर्ष गंभीर कालावधीत प्रवेश करू शकतो. डेलॉइटच्या एका अभ्यासात असे भाकीत केले आहे की 2026 पर्यंत, 60% पेक्षा जास्त मोठ्या संस्था मोठ्या प्रमाणात एजंटिक एआय तैनात करतील, जे प्रायोगिक टप्प्यापासून मुख्य प्रवाहात अंमलबजावणीपर्यंत लक्षणीय वाढ दर्शवेल. संशोधक गार्टनरने भाकीत केले आहे की 2026 च्या अखेरीस, सर्व एंटरप्राइझ अनुप्रयोगांमध्ये 40% कार्य-विशिष्ट एजंट्सचा समावेश असेल, 2025 मधील 5% पेक्षा कमी. टास्क-स्पेसिफिकेशन क्षमता जोडल्याने AI सहाय्यकांना संदर्भ-जागरूक AI एजंट्समध्ये विकसित केले जाईल.
संदर्भ अभियांत्रिकी प्रविष्ट करा
एजंट्सना योग्य वेळी संबंधित संदर्भाची ओळख करून देण्याची प्रक्रिया संदर्भ अभियांत्रिकी म्हणून ओळखली जाते. एजंट ऍप्लिकेशनकडे अचूक, सखोल प्रतिसाद देण्यासाठी आवश्यक असलेला डेटा आहे याची केवळ खात्री करत नाही, तर तो डेटा शोधण्यासाठी आणि वापरण्यासाठी कोणती साधने आवश्यक आहेत आणि त्या API ला कसे कॉल करावे हे समजण्यास ते लार्ज लँग्वेज मॉडेल (LLM) ला मदत करते.
आता मॉडेल कॉन्टेक्स्ट प्रोटोकॉल (MCP) सारखी मुक्त स्रोत मानके आहेत जी LLM ला बाह्य डेटाशी कनेक्ट आणि संवाद साधण्याची परवानगी देतात, असे काही प्लॅटफॉर्म आहेत जे संस्थांना ग्रेन्युलर AI एजंट तयार करण्यास परवानगी देतात जे तुमचा डेटा वापरतात आणि पुनर्प्राप्ती, प्रशासन आणि ऑर्केस्ट्रेशन एकाच ठिकाणी, ऑन-प्रिमाइसेस एकत्र करतात.
संदर्भ अभियांत्रिकीच्या गाभ्यासाठी Elasticsearch हे नेहमीच आघाडीचे व्यासपीठ राहिले आहे. आम्ही अलीकडेच Elasticsearch मध्ये एजंट बिल्डर नावाचे एक नवीन वैशिष्ट्य जारी केले आहे, जे एजंटचे संपूर्ण ऑपरेशनल जीवनचक्र सुलभ करते: विकास, कॉन्फिगरेशन, अंमलबजावणी, सानुकूलन आणि निरीक्षणक्षमता.
एजंट बिल्डर विविध तंत्रज्ञानाचा वापर करून खाजगी डेटावर MCP साधने तयार करण्यात मदत करतो, ज्यामध्ये Elasticsearch Query Language, फिल्टरिंग, ट्रान्सफॉर्मिंग, डेटाचे विश्लेषण किंवा वर्कफ्लो मॉडेलिंगसाठी पाइपलाइन केलेली क्वेरी भाषा समाविष्ट आहे. वापरकर्ते नंतर एजंट तयार करण्यासाठी विविध साधने वापरू शकतात आणि दावे आणि LLM सह एकत्रित करू शकतात.
एजंट बिल्डर रेडीमेड, कॉन्फिगर करण्यायोग्य चॅट एजंट प्रदान करतो जो तुम्हाला इंडेक्समधील डेटाशी चॅट करण्याची परवानगी देतो आणि ते वापरकर्त्यांना खाजगी डेटाच्या शीर्षस्थानी विविध साधने आणि प्रॉम्प्ट वापरून सुरवातीपासून एजंट तयार करण्याची क्षमता देखील देते.
"इलास्टिक येथे डेटा हे आपल्या जगाचे केंद्र आहे. हा डेटा चालवण्यासाठी तुमच्याकडे आवश्यक असलेली साधने आहेत याची खात्री करण्याचा आम्ही प्रयत्न करत आहोत," एक्सनर स्पष्ट करतात. "ज्या क्षणी तुम्ही एजंट बिल्डर उघडता, तुम्ही ते इलास्टिकसर्चमधील निर्देशांकाकडे निर्देशित करता आणि तुम्ही कनेक्ट केलेल्या कोणत्याही डेटाशी किंवा इलास्टिकसर्चमध्ये इंडेक्स केलेल्या कोणत्याही डेटाशी – किंवा एकत्रीकरणाद्वारे बाह्य स्त्रोतांकडून चॅटिंग सुरू करू शकता.
एक प्रणाली म्हणून संदर्भ अभियांत्रिकी
चपळ आणि संदर्भ अभियांत्रिकी ही खासियत बनली आहे. तुम्हाला संगणक शास्त्रात पदवी आवश्यक नाही, परंतु अधिक वर्ग आणि सर्वोत्तम पद्धती उदयास येतील, कारण त्यात एक कला आहे.
"आम्हाला हे करणे अगदी सोपे करायचे आहे," एक्सनर म्हणतात. "लोकांना शोधून काढण्याची गोष्ट म्हणजे, तुम्ही AI सह ऑटोमेशन कसे चालवाल? यामुळे उत्पादकता वाढेल. जे लोक यावर लक्ष केंद्रित करतात त्यांना अधिक यश मिळेल."
त्यापलीकडे, इतर संदर्भ भूमिती नमुने उदयास येतील. उद्योग चपळ अभियांत्रिकी पासून, पुनर्प्राप्ती-वर्धित पिढीकडे वळला आहे, जिथे माहिती संदर्भ विंडोमध्ये LLM ला दिली जाते, MCP सोल्यूशन्स जे टूल निवडीत LLM ला मदत करतात. पण ते तिथेच थांबणार नाही.
"गोष्टी किती वेगाने हलतात ते पाहता, मी हमी देतो की नवीन नमुने खूप लवकर उदयास येतील." एक्सनर म्हणतात. "अजूनही संदर्भीय अभियांत्रिकी असेल, परंतु एमबीए सोबत डेटा कसा शेअर केला जातो आणि तो योग्य माहितीवर कसा आधारित आहे याचे नवीन नमुने असतील. मला अधिक नमुन्यांची अपेक्षा आहे जे LLM ला प्रशिक्षित नसलेला खाजगी डेटा समजण्यास सक्षम करतात."
एजंट बिल्डर आता तांत्रिक पूर्वावलोकन म्हणून उपलब्ध आहे. ने सुरुवात करा लवचिक मेघ अनुभवआणि एजंट बिल्डरसाठी कागदपत्रे पहा येथे.
प्रायोजित लेख ही पोस्टसाठी पैसे देणाऱ्या किंवा VentureBeat शी कार्यरत संबंध असलेल्या कंपनीद्वारे उत्पादित केलेली सामग्री असते आणि नेहमी स्पष्टपणे लेबल केलेली असते. अधिक माहितीसाठी, कॉल करा sales@venturebeat.com.
