Традиционная инфраструктура данных не справится с параллельными требованиями роев ИИ-агентов, пишет на портале The New Stack Чад Мели, директор по маркетингу компании Kinetica.
В сентябре прошлого года я спросил Диджея Патила, бывшего главного специалиста по данным США, а ныне известного венчурного капиталиста, какая тенденция привлекает наибольшее внимание в кругах венчурных инвесторов Кремниевой долины. Не задумываясь, он ответил: «Агентный ИИ». В то время многие еще не обратили на него внимания, но уже через несколько месяцев интерес к агентному ИИ резко возрос. То, что когда-то было перспективным тезисом венчурных фондов, теперь быстро становится определяющим сдвигом в том, как ИИ будет взаимодействовать с корпоративными системами и действовать в них.
Спросите пять человек, что такое агентный ИИ, и вы, скорее всего, получите пять разных ответов. Некоторые определяют его узко, перефразируя в «агентов» привычные сценарии использования — например, чат-боты для обслуживания клиентов или помощники по планированию. Другие склоняются к более амбициозному видению, когда ИИ не просто отвечает на запросы, а действует автономно, рассуждает на уровне систем и выполняет сложные задачи в динамичных средах. Мы придерживаемся последней точки зрения. По своей сути агентный ИИ относится к системам ИИ, которые могут рассуждать, планировать и действовать самостоятельно с помощью различных инструментов и источников данных для достижения определенных результатов.
Что такое агентный ИИ и как он изменит бизнес?
В самом практическом смысле агентный ИИ — это ИИ, который не просто отвечает на вопросы, а решает многоэтапные задачи.
Вместо того чтобы отвечать на запрос одним ответом, агент может разложить его на подзадачи, запросить несколько источников данных, выполнить ряд действий с помощью программных инструментов и отчитаться о проделанной работе. Агенты могут анализировать данные, выполнять вызовы API, обновлять записи, отправлять уведомления, задавать последующие вопросы и даже предпринимать последующие действия.
Агентный ИИ способен обеспечить значимые преобразования в критически важных бизнес-функциях, действуя автономно в сложных, не связанных между собой системах. Например:
- Агентный ИИ будет автономно управлять и оптимизировать маркетинговые кампании, оркестрируя выполнение задач в таких разрозненных системах, как рекламные платформы, веб-аналитика, CRM-инструменты и системы управления контентом. Агент может отслеживать показатели эффективности в реальном времени, корректировать стратегии ставок, сегментировать аудиторию, запускать обновления креатива и даже перераспределять бюджет между каналами на основе того, что работает, без вмешательства человека. Постоянно анализируя данные этих систем, он может тестировать, учиться и адаптироваться в режиме реального времени, чтобы добиться максимального эффекта от кампании.
- Агентный ИИ может изменить планирование логистики, координируя работу различных систем, включая управление запасами, оптимизацию маршрутов, сети перевозчиков и инструменты прогнозирования спроса. Агент может отслеживать спрос и предложение в реальном времени, корректировать маршруты доставки, оптимизировать размещение складов и даже перемещать ресурсы или запасы между локациями, чтобы избежать задержек или дефицита. Рассуждения в этих взаимосвязанных системах позволяют повысить оперативность, эффективность и автономность логистических операций.
- Агентный ИИ может помочь финансовым директорам, интегрируя и анализируя различные финансовые системы, включая ERP-платформы, инструменты бюджетирования, прогнозы доходов и рыночные данные. Агент может отслеживать движение денежных средств в режиме реального времени, выявлять аномалии, моделировать различные бюджетные сценарии и даже перераспределять расходы или корректировать прогнозы в зависимости от меняющихся условий ведения бизнеса. Непрерывные анализ и действия на основе живых финансовых данных позволяют быстрее и более обоснованно принимать решения на уровне руководства.
MCP: новый стандарт для агентно-ориентированных API
Чтобы действовать автономно, агентам необходимо взаимодействовать с широким спектром инструментов и систем данных. Именно здесь на помощь приходит многокомпонентное программирование (MCP).
MCP быстро становится стандартом де-факто для взаимодействия агентов с экосистемой ПО. Вдохновленное традиционной интеграцией на основе API, MCP позволяет агентам ИИ относиться к программным системам не как к статичным бэкендам, а как к динамичным, вызываемым компонентам в более широком плане действий.
Подобно тому, как в прошлом десятилетии предприятия обставляли унаследованные системы API, чтобы интегрировать их с современными приложениями, сейчас мы видим, как та же самая схема применяется для поддержки агентов ИИ. Но на этот раз интерфейсы предназначены не только для разработчиков, но и для интеллектуальных машин.
Предприятия начинают внедрять MCP-совместимые системы, чтобы агенты могли:
- получать внутренние показатели;
- подавать заявки на поддержку;
- обновлять CRM и ERP;
- запускать конвейеры автоматизации.
Этот сдвиг очень интересен, и он влечет за собой серьезные последствия для инфраструктуры.
Почему агентный ИИ ломает традиционные архитектуры данных
Сила агентного ИИ заключается в роях агентов — не одной системе, а десятках или сотнях, работающих параллельно для достижения целей в масштабе.
И вот в чем загвоздка: большинство корпоративных систем данных никогда не создавались для такого рода параллелизма. В то время как ваша приборная BI-панель может поддерживать несколько сотен ежедневных пользователей, рои агентов могут генерировать тысячи запросов в секунду (QPS), поскольку они агрегируют данные, проверяют гипотезы и принимают решения в режиме реального времени.
Рассмотрим агента, которому поручено оптимизировать складскую логистику. Ему может потребоваться:
- подсчитать данные о запасах;
- рассчитать исторические показатели отгрузки по регионам;
- проверить наличие автопарка;
- сравнить SLA разных провайдеров;
- предложить маршрут и обновить систему выполнения заказов.
Теперь представьте себе 100 таких примеров, с 1000 агентов, выполняющих эти действия каждые несколько секунд. Суммарный объем запросов перегрузит традиционное озеро-хранилище данных.
В этом и заключается упущенная из виду реальность агентного ИИ: MCP выявляет ограничения в инфраструктуре, но не устраняет их. Агенты эффективны лишь настолько, насколько эффективны системы, на которые они опираются. Если эти системы не могут предоставлять информацию в реальном времени при высоком уровне параллелизма, агенты замирают, выходят из строя или возвращают устаревшие данные.
Инфраструктура, готовая к работе с агентами
Для поддержки агентного ИИ предприятиям необходима платформа данных, которая:
- Создана для выполнения запросов с низкой задержкой и высокой кардинальностью.
- Способна поддерживать огромный параллелизм без снижения производительности.
- Достаточно гибкая для одновременного обслуживания внутренних пользователей и агентов ИИ.
Именно здесь на помощь приходят OLAP-системы реального времени, такие как Apache Pinot. Созданная изначально в LinkedIn для работы с пользовательской аналитикой в режиме реального времени, Pinot получила распространение после того, как в приложения стали встраивать аналитику, что привело к новому виду параллелизма, с которым не могли справиться традиционные системы данных. По мере роста спроса на интерактивную аналитику реального времени в продуктах данных, ориентированных на клиентов, Pinot стала золотым стандартом для таких рабочих нагрузок.
Сегодня такие компании, как Uber, Stripe, Walmart и DoorDash, полагаются на Pinot как на основную часть своих платформ данных. Эти возможности позволяют решать любые задачи — от обнаружения мошенничества до динамического ценообразования и персонализации пользовательского опыта.
Теперь, когда агенты ИИ становятся новыми приложениями, они предъявляют еще более высокие требования к инфраструктуре данных. Архитектура Pinot, оптимизированная для выполнения запросов в течение нескольких секунд, обновления в реальном времени и экстремальных QPS, делает ее уникальной для удовлетворения этих требований. Она обрабатывает миллиарды строк, поддерживает сложную фильтрацию и агрегацию, а также обеспечивает скорость, масштаб и свежесть данных, необходимых современным агентам для рассуждений, планирования и действий в режиме реального времени.
Агентный ИИ — это не тенденция, а трансформация. По мере того как агенты ИИ становятся центральным элементом процесса выполнения работы, обслуживания клиентов и функционирования бизнеса, должна развиваться и инфраструктура их поддержки.
