ИИ-агенты могут располагать точными данными — и всё равно принимать неверные бизнес-решения

Представлено SAP

Корпоративные ИИ-агенты принимают надежные бизнес-решения, только если понимают структуру компании: связи между клиентами, поставщиками, продуктами и финансовыми документами; бизнес-процессы, через которые проходят эти документы; и бизнес-правила, определяющие значение каждой точки данных. Без этого контекста агент может располагать полными и точными данными и все же принять неверное решение. Например, он может заблокировать оплату корректного счета, поскольку из самого счета не следует, как поставщик связан с материнской компанией и какие кредитные условия применяются.

Корпоративному ИИ необходимы три вида бизнес-знаний, которых нет у больших языковых моделей общего назначения: понимание связей между бизнес-сущностями, бизнес-процесса, связанного с каждой задачей, а также исключений и вариаций, возникающих в реальной работе, говорит Яад Орен, глобальный руководитель отдела исследований и инноваций и управляющий директор SAP Labs U.S.

«Недостаточно извлечь данные только по имени клиента и общей сумме, — говорит Орен. — Нужно учитывать все связи вокруг этого клиента: сколько у него заказов на продажу, каков уровень его удовлетворенности, сколько раз задерживались поставки и с какого производственного предприятия поступают эти заказы. Прежде чем рассуждать, агентам нужен граф знаний, отображающий эти связи».

Что значит для ИИ понимать бизнес

Каждая корпоративная задача для ИИ относится к какому-либо процессу — будь то платеж, заказ, поставка или адаптация нового сотрудника. Контекст процесса подсказывает агенту, на каком этапе он находится, что происходило до этого и что будет дальше. Исключения возникают благодаря людям, которые ведут эти процессы и, опираясь на собственное суждение, одобряют или задерживают работу за пределами бизнес-систем.

«Не все строго следует букве процесса, — говорит Орен. — Нужно понимать, когда перед вами исключение, как с ним работать и как включить его в ответ или действие в качестве понятного контекста».

Как только такое понимание начинает применяться на практике, его охват быстро расширяется. Вопрос, который начинается с информации о клиенте — например, о маркетинговых кампаниях и скидках, — превращается в вопрос о сроках доставки, относящийся к управлению цепочками поставок, а затем — о платежах, которые относятся к финансам.

«Ценность создается тогда, когда мы связываем все в карту вашего бизнеса с помощью графа знаний и онтологии, — говорит Орен. — Именно в этом и заключается интеллектуальная составляющая ИИ».

Почему графов знаний и онтологий недостаточно

Граф знаний может связать все счета в компании, но агент все равно столкнется с противоречивыми сигналами, если в разных подразделениях под «счетом» понимают разные вещи. Для одного отдела это может быть платеж клиента, для другого — компенсация расходов на командировку, а для третьего — счет поставщика. Онтология устраняет эту неоднозначность, придавая каждому термину единое значение в контексте бизнеса и обеспечивая сохранение этого значения в разных системах и источниках данных.

«В международных корпорациях, где работают сотни тысяч человек, эти записи должны быть связаны друг с другом и при этом говорить на одном языке, — говорит Орен. — Онтология обеспечивает единую истину, единый язык для всех имеющихся у вас данных».

Платформа SAP Business AI Platform (BAIP) призвана объединить данные и бизнес-контекст в управляемой среде. Ее граф знаний отражает связи между клиентами, поставщиками, активами, продуктами, организационными структурами и бизнес-процессами, позволяя повторно использовать этот контекст в разных агентах.

Но общего значения недостаточно, чтобы агент прошел весь путь. Платформа также должна предоставлять операционный контекст, определяющий, как следует выполнять задачу: соглашения об уровне обслуживания и условия оплаты, налоговые правила и политики безопасности, региональные ограничения, правила анонимизации данных и другие требования.

Почему агентам нужны модели, созданные для работы с бизнес-данными

Еще одна проблема возникает на более низком уровне технологического стека. Значительная часть данных компаний имеет реляционную и транзакционную структуру и организована в таблицах, а не на естественном языке. Большие языковые модели общего назначения не разрабатывались специально для работы с такой структурой.

SAP устраняет этот пробел с помощью табличных базовых моделей, включая RPT-1.6 (Relational Pre-trained Transformer) и TabPFN-3.5 Plus от Prior Labs — передовой лаборатории ИИ SAP. Эти модели предназначены для непосредственной работы со структурированными бизнес-данными, в том числе с пропущенными значениями, смешанными типами данных и полями с высокой кардинальностью. Возможность оркестрации табличных данных SAP в AI Core на этапе выполнения отвечает за выбор контекста и доступ к данным, чтобы такие прогнозы можно было включать в производственные рабочие процессы.

«Данные внутри компании по своей сути реляционные и транзакционные, — говорит Орен. — Нужны модели, которые изначально понимают эту структуру».

Как меняется управление, когда агенты начинают действовать

Ставки повышаются, когда агент переходит от ответов на вопросы к действиям. Неверный ответ можно проверить или проигнорировать; ошибочная блокировка платежа, отклонение заказа или отметка о кредитном риске могут сразу повлиять на поставщика, клиента или бизнес-процесс.

«Ответ всегда нужно подвергать проверке, — говорит Орен. — Понимание бизнеса дает ИИ больше знаний, но одновременно задает ему больше ограничений. Извлекаемый с его помощью контекст охватывает политики, требования безопасности и все остальное, что имеет значение для принятия решения».

Эти ограничения приобретают все большее значение по мере того, как компании внедряют агентов в разных системах и подразделениях. В BAIP агенты работают под уникальными учетными записями с ограниченными разрешениями; журнал аудита фиксирует, кто действовал, какими полномочиями располагал и какие действия совершил. Возможности ИИ проходят проверки на соответствие этическим нормам и оценку рисков, а агентов проверяют по каждой функции отдельно, чтобы обеспечить соответствие применимым региональным политикам, законам о защите конфиденциальности и нормативным требованиям.

Бизнес-правила также должны допускать исключения. Орен приводит пример того, что в SAP называют «отложенным документом». После корпоративного мероприятия контролеру, возможно, потребуется распределить счета за кейтеринг между несколькими бюджетами, прежде чем их можно будет обработать дальше. Если контролера нет в офисе, агент, отслеживающий процесс, может счесть задержку счетов серьезным сбоем. Имея более широкий бизнес-контекст, агент сможет понять, что ответственный сотрудник в отпуске или декретном отпуске, и расценить задержку как исключение, а не как сбой процесса.

Четыре уровня стека корпоративного ИИ

Орен описывает архитектуру корпоративного ИИ, состоящую из четырех уровней:

Модель: Модели, способные интерпретировать реляционные и транзакционные данные, хранящиеся в корпоративных системах.

Платформа: Графы знаний, семантические уровни, контекст и управление, а также инструменты для создания агентов и управления ими.

Агенты: Агенты, выполняющие работу в разных приложениях и подразделениях, например в финансах и цепочке поставок, и автоматизирующие значительную часть потока транзакций.

Пользовательский интерфейс: Интерфейсы, с помощью которых люди взаимодействуют с агентами, включая текст, голос и динамическую визуализацию.

Ключевым уровнем для понимания бизнеса является платформа. Если связи, определения и контекст процессов хранятся там, а не в отдельных приложениях, их можно повторно использовать в разных агентах. Финансовому агенту и агенту по управлению цепочками поставок не нужно отдельно выяснять, что означают клиент, поставщик или транзакция: оба могут рассуждать, опираясь на одно и то же базовое представление бизнеса. Здесь же должно осуществляться управление, обеспечивающее отслеживаемость агентов и их действий по мере того, как компании внедряют их все больше.

SAP соотносит свои продукты с этими уровнями — от табличных базовых моделей и BAIP до Joule Agents для разных подразделений, включая финансы и управление цепочками поставок. Но более общий тезис Орена заключается в том, что модели и агенты не могут самостоятельно понять бизнес. Им необходим бизнес-контекст, включая графы знаний, семантику и механизмы управления. Модели должны понимать структуру бизнес-данных. Агентам нужны связи, определения и контекст процессов, а платформа должна обеспечивать соблюдение правил и ограничений, определяющих, как можно использовать этот контекст.

«Наше преимущество заключается в контексте, графе знаний и семантике — как в данных SAP, так и за их пределами, — говорит Орен. — Я считаю, что они нужны каждой компании, которая хочет создать перспективное корпоративное приложение и масштабировать его».

Спонсируемые статьи — это материалы, созданные компанией, которая оплачивает публикацию или поддерживает деловые отношения с VentureBeat; такие материалы всегда имеют четкую маркировку. За дополнительной информацией обращайтесь по адресу sales@venturebeat.com.