ИИ-стек нового поколения: объединение данных и знаний без границ13.10.2026 17:30

Представлено Google Cloud

На первый взгляд проблемы с данными, с которыми сегодня сталкивается ИИ, могут показаться повторением истории с изолированными архитектурами, породившими аналитику больших данных и проекты по созданию единого профиля клиента. Действительно, объединение изолированных систем и обеспечение доступа к информации в разрозненных средах уже десятилетиями входят в число ключевых задач руководителей, отвечающих за данные.

Но на этот раз дело не просто в очередной проблеме изолированных систем, только в большем масштабе. Изменилось то, кто работает с данными. Раньше модернизация объединяла данные для анализа людьми. Агентный ИИ возлагает эту ответственность на саму платформу данных. Когда автономным агентам нужно действовать без участия человека, результаты становятся ненадёжными, если не опираться на операционный контекст, бизнес-семантику и достоверные данные.

Чтобы поддержать эту новую модель, предприятиям необходимо превратить слой данных из закрытых хранилищ, предназначенных только для пассивного хранения, в активный движок знаний. Традиционные хранилища и каталоги данных делали данные доступными для поиска, извлечения и интерпретации людьми через приложения. Со временем каталоги научились хорошо описывать, какие данные существуют и где они хранятся. Активный движок знаний идёт дальше: во время выполнения он передаёт автономным системам данные, контекст и бизнес-семантику, позволяя агентам строить рассуждения на основе собственных определений организации и реальных условий её работы.

Четыре требования к фундаменту данных для агентного ИИ

Первое требование к фундаменту данных для ИИ — доступность. Данные предприятия по своей природе распределены: они находятся в нескольких облаках, устаревших базах данных, локальных серверах и SaaS-системах и часто включают как структурированные, так и неструктурированные данные — например, изображения, аудио и видео. Подход »озеро-хранилище без границ» разрушает эти закрытые хранилища и объединяет данные в открытый массив для автономных агентов, устраняя избыточные копии и сложное перемещение данных без необходимости их централизовать.

Второе требование — контекст и доверие, ведь доступ к данным — только начало. Когда данные становятся доступными, платформа должна предоставлять машиночитаемый контекст: определять сущности, их взаимосвязи и применимые бизнес-определения. Люди не могут вручную обновлять эти знания в масштабе, необходимом для агентного ИИ, поэтому нужна единая инфраструктура доверия, выходящая за рамки простого контроля доступа. Отслеживание происхождения показывает, откуда поступили данные, проверка актуальности подтверждает, что они не устарели, а аттестация во время выполнения гарантирует, что агент получил указанное значение с помощью предписанных вычислений, а не импровизированного процесса.

Третье требование — обработка, рассчитанная на машинные масштабы. Передача больших объёмов данных большим языковым моделям вместо обработки на уровне платформы данных может резко увеличить расход токенов и вычислительные затраты, а также привести к задержкам. ИИ-ориентированная обработка эффективно справляется с масштабным анализом и позволяет укладываться в операционные бюджеты и требования к производительности, не превращая работу в дорогой эксперимент без чётких границ.

Четвёртое требование — инструменты и интеграции для агентов. Слой данных должен предоставлять контекст и возможности обработки через агентные интерфейсы, такие как MCP и ADK, чтобы организации могли создавать специализированных агентов, работающих с надёжными корпоративными данными. В то же время ИИ-агенты меняют и саму работу с данными: повышают производительность при создании конвейеров данных, в области науки о данных и при разработке моделей, а также обеспечивают доступ к данным через понятные диалоговые интерфейсы. И поскольку агенты всё чаще работают непосредственно на уровне данных, платформа должна фиксировать их действия, чтобы взаимодействия и результаты можно было использовать для постепенного повышения производительности и эффективности агентов.

Агентный ИИ меняет привычный подход к модернизации

Объединение изолированных систем и обработка огромных объёмов данных в реальном времени — знакомые задачи. Новое заключается в необходимости одновременно обеспечить масштабируемость, мгновенный доступ и разнообразие данных. Агентам может потребоваться объединять транзакционные записи с документами, изображениями, переписками и другими неструктурированными данными, которые часто скрыты в SaaS-приложениях за API или распределены по облакам с разными моделями управления и затратами на исходящий трафик. Для этого необходим доступ в реальном времени ко всем нужным данным без постоянного копирования информации в другую централизованную систему, а также инфраструктурные инновации, обеспечивающие необходимое соотношение цены и производительности.

Доступ в реальном времени имеет и более серьёзные последствия, чем во времена предыдущих волн аналитики. На панели мониторинга можно показать человеку данные с задержкой, чтобы он их обдумал. Агент, работающий в непрерывном цикле, должен рассуждать, действовать, наблюдать за результатом и корректировать свои действия, пока операционный контекст остаётся актуальным.

Примеры реальных внедрений показывают, как ведущие предприятия развивают архитектуры данных, создавая фундамент для перспективных сценариев применения агентного ИИ. Например, Yahoo использует связанную графовую основу глобального масштаба для принятия решений в реальном времени на своей рекламной платформе с агентным ИИ. Сочетание возможностей операционных графов с более глубокими аналитическими и прогностическими системами показывает, как оперативные решения и исторические данные могут сосуществовать в одной архитектуре.

Этот пример демонстрирует, как объединение операционных и аналитических систем превращает платформу данных в активную операционную модель автоматизированного предприятия.

Движок знаний — это не просто улучшенный каталог

Разве цель традиционных каталогов данных не состояла в том, чтобы собирать метаданные и помогать командам находить нужные ресурсы? Да, объединение метаданных по-прежнему необходимо, но одного описания местоположения недостаточно. Настоящий движок знаний должен идти дальше и предоставлять слой рассуждений, который активно формирует бизнес-определения, выявляет взаимосвязи и устанавливает значение данных в момент, когда агент действует.

Ключевое отличие — активное обогащение данных. Агенту необходимо понимать разницу между такими понятиями, как «зафиксированная выручка» и «прогнозируемая выручка», опираясь на определения самой организации, а не на правдоподобную трактовку, сгенерированную на основе общих знаний модели.

Затем эти обогащённые знания необходимо предоставлять в реальном времени, чтобы уточнять запросы агентов и избегать галлюцинаций. Возможности работы с графами превращают статические метаданные в динамический граф знаний во время выполнения, позволяя агентам перемещаться между связанными бизнес-понятиями по чётко определённым маршрутам и отвечать на многоступенчатые вопросы — например, почему упали продажи или почему клиент может уйти. Цель состоит не просто в улучшении поиска, а в рассуждениях, основанных на общей, регулируемой и достоверной картине мира.

Демонстрации и прототипы против промышленного масштаба

Прямое подключение агента к базе данных через протокол Model Context Protocol или другой интерфейс позволяет быстро создать впечатляющую демонстрацию. Но наличие работающего соединения ещё не доказывает, что система способна предоставлять достоверный контекст, работать со всеми данными предприятия, обеспечивать необходимую производительность в масштабе или оставаться доступной по мере роста нагрузки.

Именно это и становится настоящей проверкой готовности к агентному ИИ. Существенное различие проходит между организациями, которые по-прежнему используют разрозненные подключения, и теми, у кого есть надёжный фундамент данных на основе Borderless Lakehouse, Knowledge Engine и ИИ-ориентированной обработки, способный дать автономным агентам возможность внедрять инновации на предприятии.

Узнайте, как начать масштабировать свои инициативы в области ИИ с помощью Agentic Data Cloud от Google Cloud.

Нираджа Рентачинтала — старший директор по управлению продуктами в Google Cloud.

Спонсорские статьи — это материалы, подготовленные компанией, которая оплачивает публикацию или состоит с VentureBeat в деловых отношениях. Такие материалы всегда имеют соответствующую маркировку. За дополнительной информацией обращайтесь по адресу sales@venturebeat.com.

Полный текст статьи читайте на VentureBeat.ru прочитано 781 раз