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 dat echt te doen bedrijfsgegevens begrijpenbeleid en processen.
Hoewel we de integraties goed beheren met technologieën als API-beheer, model context protocol (MCP) en andere, is het een ander verhaal als agenten de ‘betekenis’ van gegevens in de context van een bepaald bedrijf echt begrijpen. Bedrijfsgegevens zijn meestal in verschillende systemen ingekapseld 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 Sales CRM-systeem dan een financieel systeem dat deze tag mogelijk gebruikt voor betalende klanten. Een afdeling kan ‘product’ definiëren als een SKU; een ander kan een “product” -familie voorstellen; een derde als marketingpakket.
Gegevens over “productverkoop” variëren dus in betekenis zonder overeengekomen relaties en definities. Om agenten gegevens uit meerdere systemen te laten combineren, moeten ze verschillende representaties begrijpen. Agenten moeten weten wat data in de context betekenen en hoe ze de juiste data voor het juiste proces kunnen vinden. Bovendien kunnen schemawijzigingen in systemen en problemen met de gegevenskwaliteit tijdens het verzamelen leiden tot meer dubbelzinnigheid en een onvermogen voor 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) nauwlettend worden gevolgd om te voldoen aan normen zoals AVG en CCPA. Dit vereist dat de gegevens correct worden gelabeld en dat agenten deze classificatie kunnen begrijpen en respecteren. Daarom zien we dat het heel goed mogelijk is om een coole demo te bouwen met behulp van agenten, maar het in productie nemen van het werken met echte bedrijfsgegevens is een heel ander verhaal.
De op ontologie gebaseerde bron van waarheid
Bouw efficiënt oplossingen van agenten vereist een op ontologie gebaseerde enkele bron van waarheid. Ontologie is een zakelijke definitie van concepten, hun hiërarchie en relaties. Het definieert termen met betrekking tot bedrijfsdomeinen, kan helpen bij het opzetten van één enkele bron van waarheid voor gegevens, en het vastleggen van consistente veldnamen en het toepassen van classificaties op velden.
Een ontologie kan domeinspecifiek zijn (gezondheidszorg of financiën) of organisatiespecifiek op basis van interne structuren. Het vooraf definiëren van een ontologie is tijdrovend, maar kan helpen bedrijfsprocessen te standaardiseren en er een sterke basis voor te leggen agent AI.
Ontologie kan worden gerealiseerd met behulp van veelgebruikte queryformaten zoals triplestore. Complexere bedrijfsregels met multi-hop-relaties zouden een gelabelde eigenschapsgrafiek zoals Neo4j kunnen gebruiken. 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 zeer goed startpunt zijn. Deze moeten echter meestal worden aangepast om specifieke details over een bedrijf vast te leggen.
Aan de slag met ontologie
Eenmaal geïmplementeerd kan een ontologie de drijvende kracht zijn voor bedrijfsagenten. We kunnen AI nu vragen de ontologie te volgen en deze te gebruiken om gegevens en relaties te ontdekken. Indien nodig kunnen we een agentlaag belangrijke details van de ontologie zelf laten beheren en gegevens ontdekken. In deze ontologie kunnen bedrijfsregels en -beleid worden geïmplementeerd waaraan agenten zich moeten houden. Dit is een uitstekende manier om uw agenten te gronden en vangrails te creëren 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) die hen aandrijven. Een bedrijfsbeleid kan bijvoorbeeld definiëren dat tenzij voor alle documenten die aan een lening zijn gekoppeld geen geverifieerde vlaggen zijn ingesteld op ‘waar’, 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 auteur)
Zoals geïllustreerd hebben we gestructureerde en ongestructureerde gegevens verwerkt door een document intelligence-agent (DocIntel) die een Neo4j-database vult op basis van een ontologie van het zakelijke domein. Een data-discovery-agent in Neo4j vindt en bevraagt de juiste gegevens en geeft deze door aan andere agenten die de uitvoering van bedrijfsprocessen afhandelen. De 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 bouwen van meer generieke UI-schermen om het werk en de reacties van deze agenten vast te leggen.
Met deze methode kunnen we hallucinaties vermijden door agenten te dwingen ontologie-gedreven paden te volgen en dataclassificaties en relaties te onderhouden. Bovendien kunnen we eenvoudig opschalen door nieuwe middelen, relaties en beleid toe te voegen waar agenten zich automatisch aan kunnen houden, en kunnen we hallucinaties onder controle houden door systeembrede regels te definiëren in plaats van individuele entiteiten. Als een agent bijvoorbeeld een individuele ‘klant’ hallucineert omdat de verbonden gegevens voor de gehallucineerde ‘klant’ niet verifieerbaar zullen zijn bij het ontdekken van gegevens, kunnen we deze anomalie gemakkelijk detecteren en plannen maken om deze te elimineren. Dit helpt het agentsysteem mee te groeien met het bedrijf en het dynamische karakter ervan te beheren.
Een referentiearchitectuur als deze voegt feitelijk wat overhead toe bij het ontdekken van gegevens en grafische databases. Maar voor een grote onderneming voegt het de juiste vangrails toe en geeft het agenten instructies om complexe bedrijfsprocessen te orkestreren.
Dattaraj Rao is een innovatie- en R&D-architect bij Duurzame systemen.
Lees meer van onze gastschrijvers. Of overweeg om uw eigen bericht in te dienen! Zie de onze richtlijnen hier.
