Terlepas dari semua data yang terus dikumpulkan dan dianalisis oleh sistem AI, agen AI perusahaan sering menderita kekurangan yang aneh: kurangnya pengetahuan. Lebih dari data, pengetahuan adalah pemahaman tentang apa arti data dalam konteks organisasi individu. Agen AI membutuhkan pemahaman ini untuk bernalar tentang situasi, membuat keputusan, dan pada akhirnya mengambil tindakan. Tanpa pengetahuan yang cukup, agen cenderung membuat keputusan yang cacat dan tidak dapat diandalkan. Kurangnya pengetahuan, menurut penelitian kami, adalah alasan utama mengapa kasus penggunaan AI agen tidak pernah mencapai produksi.
Tekanan kompetitif membuatnya mendesak untuk mengatasi hal ini. Organisasi perlu menggunakan dan meningkatkan skala lebih banyak proyek agen mereka untuk menangkap keuntungan efisiensi yang dijanjikan AI. Kegagalan berisiko menyia-nyiakan investasi yang sudah ditanamkan dalam proyek-proyek ini, dan menyerahkan lahan kepada pesaing yang sudah menempatkan agen mereka untuk bekerja lebih efektif.
Berdasarkan survei terhadap 300 eksekutif data, AI, dan teknologi lainnya, laporan tersebut menemukan bahwa kelemahan data dan pengetahuan secara konsisten menghambat kemajuan agen AI. Rata-rata, hanya sekitar sepertiga (34%) proyek AI agen organisasi yang mencapai produksi. Sekelompok kecil pemimpin produksi (di mana rata-rata 61% proyek agen maju melampaui tahap uji coba) memiliki kemampuan pengetahuan yang lebih kuat, terutama dalam hal semantik.
Fragmentasi data paling sering disebut sebagai tantangan utama untuk memperluas akses agen ke pengetahuan (disebut oleh 55%). Sebagian besar perusahaan bertujuan untuk memperkuat hubungan antara data dan agen, dengan para ahli melihat lapisan pengetahuan sebagai cara utama untuk mencapai hal ini. Prioritas investasi mencakup teknologi pengambilan seperti saluran injeksi, API yang siap AI, dan generasi yang ditingkatkan pengambilan (RAG); agen evaluasi AI; dan grafik pengetahuan.
Sumber: MIT Technology Review AI · Diringkas oleh HeadlinesBriefing