Несмотря на все данные, которые системы ИИ постоянно накапливают и анализируют, корпоративные ИИ-агенты часто страдают от любопытного недостатка: нехватки знаний. Больше, чем данные, знание — это понимание того, что означают данные в контексте отдельных организаций. ИИ-агентам нужно это понимание, чтобы рассуждать о ситуациях, принимать решения и в конечном итоге совершать действия. Без достаточных знаний агенты склонны принимать ошибочные и ненадежные решения. Нехватка знаний, как показывают наши исследования, является основной причиной, по которой агентные случаи использования ИИ никогда не доходят до производства.
Конкурентное давление делает решение этой проблемы срочным. Организациям необходимо развертывать и масштабировать больше своих агентных проектов, чтобы получить обещанные ИИ преимущества в эффективности. Неудача рискует потратить впустую инвестиции, уже вложенные в эти проекты, и уступает позиции конкурентам, которые уже более эффективно используют своих агентов.
На основе опроса 300 руководителей в области данных, ИИ и других технологий, отчет показывает, что слабые места в данных и знаниях постоянно тормозят прогресс ИИ-агентов. В среднем только около трети (34%) агентных ИИ-проектов организаций доходят до производства. Небольшая группа лидеров производства (где в среднем 61% агентных проектов выходят за рамки пилотного этапа) обладает более сильными знаниями, особенно в отношении семантики.
Фрагментация данных чаще всего упоминалась как главная проблема для расширения доступа агентов к знаниям (упомянута 55%). Большинство компаний стремятся укрепить связь между данными и агентами, и эксперты видят уровень знаний как основной способ достижения этого. Приоритеты инвестиций включают технологии поиска, такие как конвейеры приема данных, API, готовые к ИИ, и генерацию с дополненным поиском (RAG); агенты оценки ИИ; и графы знаний.
Источник: MIT Technology Review AI · Сводку подготовил HeadlinesBriefing