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 agenten om daadwerkelijk actie te ondernemen bedrijfsgegevens begrijpenbeleid en processen.
Hoewel we goed omgaan met integraties met technologieën als API Management, Model Context Protocol (MCP) en andere, is het een ander verhaal om agenten de ‘betekenis’ van gegevens in de context van een bepaald bedrijf echt te laten begrijpen. Bedrijfsgegevens worden meestal opgeslagen in ongelijksoortige systemen in gestructureerde en ongestructureerde vormen en moeten worden geanalyseerd met een domeinspecifieke bedrijfslens.
De term ‘klant’ kan bijvoorbeeld verwijzen naar een andere groep mensen in een verkoop-CRM-systeem, vergeleken met een financieel systeem dat deze tag gebruikt om klanten te betalen. Een afdeling kan ‘product’ definiëren als een SKU; een ander kan een familie van “producten” vertegenwoordigen; een derde als marketingpakket.
Gegevens over ‘productverkoop’ variëren daarom in betekenis zonder overeengekomen relaties en definities. Als agenten gegevens uit meerdere systemen willen combineren, moeten ze verschillende representaties begrijpen. Agenten moeten weten wat de gegevens in hun context betekenen en hoe ze de juiste gegevens voor het juiste proces kunnen vinden. Bovendien kunnen schemawijzigingen in systemen 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 ze met dergelijke situaties worden geconfronteerd.
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 gelabeld en dat agenten deze classificatie kunnen begrijpen en respecteren. We zien dus dat het bouwen van een interessante demo met behulp van agenten heel goed mogelijk is, maar het werk in productie brengen op basis van echte bedrijfsgegevens is een heel ander verhaal.
De op ontologie gebaseerde bron van waarheid
Effectief bouwen oplossingen van agenten vereist één enkele op de ontologie gebaseerde bron van waarheid. De ontologie is een zakelijke definitie van concepten, hun hiërarchie en hun relaties. Het definieert termen voor bedrijfsdomeinen, kan helpen één enkele bron van waarheid voor gegevens tot stand te brengen, consistente veldnamen vast te leggen en classificaties op velden toe te passen.
Een ontologie kan specifiek zijn voor een domein (gezondheidszorg of financiën) of specifiek voor een organisatie op basis van interne structuren. Het vooraf definiëren van een ontologie is tijdrovend, maar het kan helpen bedrijfsprocessen te standaardiseren en een solide basis te leggen Agentische AI.
De ontologie kan worden gebouwd met behulp van veelgebruikte opvraagbare formaten zoals triplestore. Complexere bedrijfsregels met multi-hop-relaties zouden eigenschapsgrafieken kunnen gebruiken met het label Neo4j. Deze grafieken kunnen bedrijven ook helpen nieuwe relaties te ontdekken en complexe vragen te beantwoorden. Ontologieën zoals FIBO (Finance Industry Business Ontology) en UMLS (Unified Medical Language System) zijn beschikbaar in het publieke domein en kunnen een goed startpunt zijn. Deze moeten echter meestal worden aangepast om specifieke details van een bedrijf vast te leggen.
Begin met de ontologie
Eenmaal geïmplementeerd kan een ontologie de drijvende kracht zijn voor zakelijke agenten. Nu kunnen we de AI vragen de ontologie te volgen en deze te gebruiken om gegevens en relaties te ontdekken. Indien nodig kunnen we een agentlaag de belangrijkste details van de ontologie zelf laten bedienen en gegevens ontdekken. In deze ontologie kunnen bedrijfsregels en -beleid worden geïmplementeerd, zodat agenten zich eraan kunnen houden. Dit is een uitstekende manier om uw agenten te gronden en barrières op te werpen op basis van de echte zakelijke context.
Agenten die op deze manier zijn ontworpen en zijn afgestemd om een ontologie te volgen, kunnen zich aan de vangrails houden en hallucinaties vermijden die kunnen worden veroorzaakt door de grote taalmodellen (LLM’s) die hen aandrijven. Een bedrijfsbeleid kan bijvoorbeeld bepalen dat, tenzij voor alle documenten die aan een lening zijn gekoppeld de verificatievlaggen zijn ingesteld op “true”, de status van de lening in de status “in behandeling” moet worden gehouden. Agenten kunnen dit beleid omzeilen en bepalen welke documenten nodig zijn en de kennisbank raadplegen.
Hier is een voorbeeldimplementatie:
(Originele figuur van de auteur)
Zoals geïllustreerd hebben we gestructureerde en ongestructureerde gegevens verwerkt door een documentintelligentieagent (DocIntel) die een Neo4j-database vult op basis van een ontologie van een bedrijfsdomein. Een data discovery agent in Neo4j zoekt en bevraagt de juiste gegevens en geeft deze door aan andere agenten die de uitvoering van bedrijfsprocessen beheren. Communicatie tussen agenten vindt plaats met een populair protocol zoals A2A (agent to agent). Een nieuw protocol genaamd AG-UI (Agent User Interaction) kan helpen bij het creëren van meer generieke gebruikersinterfaceschermen om de werking en reacties van deze agenten vast te leggen.
Met deze methode kunnen we hallucinaties vermijden door agenten te dwingen ontologie-geleide paden te volgen en classificaties en relaties tussen gegevens te behouden. Bovendien kunnen we gemakkelijk opschalen door nieuwe middelen, relaties en beleid toe te voegen waar agenten automatisch aan kunnen voldoen en hallucinaties kunnen beheersen door regels te definiëren voor het hele systeem in plaats van voor individuele entiteiten. Als een agent bijvoorbeeld een enkele ‘klant’ hallucineert, kunnen we deze anomalie gemakkelijk detecteren en de eliminatie ervan plannen, aangezien de gekoppelde gegevens voor de gehallucineerde ‘klant’ niet verifieerbaar zullen zijn bij het ontdekken van gegevens. Dit helpt het agentsysteem zich aan te passen aan het bedrijf en het dynamische karakter ervan te beheren.
Een referentiearchitectuur als deze voegt inderdaad wat overhead toe bij het ontdekken van gegevens en grafische databases. Maar voor een grote onderneming voegt het de juiste vangrails toe en biedt het agenten begeleiding bij het orkestreren van complexe bedrijfsprocessen.
Dattaraj Rao is een innovatie- en R&D-architect bij Persistente systemen.
Lees meer van onze gastschrijvers. Of overweeg om uw eigen bericht in te dienen! Zie de onze richtlijnen hier.
