Tämä asiakirja esittää näkymän, joka kuvaa IT-arkkitehtuuria, jota yritykset tarvitsevat seuraavien 3-5 vuoden aikana, jotta he voivat hyödyntää agenttien työvoiman arvoa. Se kuvaa IT-transformaation, joka vaaditaan AI-agenttien laajamittaisen käyttöönoton tukemiseksi. Tavoitteena on tarjota strateginen opas ja viitearkkitehtuuri, joka auttaa johtajia, CDO-organisaatioita ja IT-johtajia suunnittelemaan matkansa agenttiyritykseksi.

Tehokkaat tekoälymallit sallivat agenttityövoiman luomisen, joka kykenee havaitsemaan ympäristön, pohtimaan tietoja, tekemään itsenäisiä päätöksiä, suorittamaan tehtäviä ja tekemään tehokasta yhteistyötä ihmisten kanssa. Tämä uusi työvoima lupaa vaiheittaisen muutoksen innovaatioissa, tuottavuudessa ja joustavuudessa, mikä luo arvoa osakkeenomistajille ja asiakkaille. Organisaatioiden täytyy tehdä liiketoiminta- ja IT-transformaatioista agenttiyrityksiä voidakseen toteuttaa tämän vision.

Nykyään perinteinen yritys kohtaa toiminnallisia tehottomuuksia, jotka johtuvat tietosiloista, työntekijöistä, jotka on haudattu manuaaliseen työhön, organisaatiorakenteiden virheellisistä kannustimista ja strategioiden ja lopputulosten välisistä hajanaisista palautteen silmukoista. Nämä ongelmat johtavat ei-optimaaliseen asiakaskokemukseen, tehottomiin prosesseihin ja kasvun mahdollisuuksien puuttumiseen.

Agentic Enterprise ylittää nämä rajoitukset integroimalla älykkäiden tekoälyagenttien digitaalisen työvoiman ihmisten työntekijöihin. Tämän uuden tekoälyn parannetun työvoiman avulla organisaatio voi edistää innovaatioita kasvua varten, edistää toimintatapaa ja parantaa yrityksen kestävyyttä useilla eri liiketoimintaominaisuuksilla.

Uudet liiketoimintaominaisuudet innovaatioiden edistämiseksi:

• Parannettu henkilön tuottavuus: AI-agenttien nopeus, skaalautuminen ja jatkuva luonne sallivat yritysten automatisoida toistuvia töitä ja vapauttaa työntekijöitä keskittymään arvokkaisiin ja luovempiin tehtäviin.
• Sovittavien kykyjen parantaminen: Koska tekoälyn agenttien ajattelua voidaan seurata, he voivat oppia ja ottaa käyttöön uusia taitoja dynaamisesti, mikä sallii yrityksen parantaa suorituskykyä jatkuvasti liiketoimintatavoitteiden saavuttamiseksi ja sopeutua nopeasti uusiin markkinointimahdollisuuksiin.

Esimerkki toiminnasta — Asiakaskokemuksen innovointi finanssipalveluissa: Varojenhallintayritys voi käyttää tekoälyagenttia luodakseen asiakkaan osallistumismallin uudelleen. Agentti valvoo portfolioita itsenäisesti, tunnistaa tärkeimmät ajankohdat asiakkaan tarkastusta varten ja valmistelee neuvonantajalle puhelua edeltävän suunnitelman ja säätää suunnitelmaa uutisten ilmestymisen yhteydessä. Tämän avulla henkilökohtainen neuvonantaja voi tarjota ennakoivan ja henkilökohtaisen asiakaskokemuksen laajalti, vahvistaa suhteita ja löytää uusia mahdollisuuksia.

Uudet liiketoimintaominaisuudet organisaation kestävän kehityksen suojelemiseksi ja varmistamiseksi:

• Elastinen työvoimakapasiteetti: Yritykset voivat nopeasti skaalata kykyjään vastata työkuormituksen nousuja muuttuvista liiketoimintaolosuhteista ilman kustannuksia ja viiveitä, jotka liittyvät kokonaan inhimillisen työvoiman kasvattamiseen.
• Ennakoiva toimintoresistenssi: AI-agenttien 24/7 luonne sallii heidän ennustaa, mallinntaa ja lieventää toiminta-, vaatimustenmukaisuus- ja tietoturvariskejä itsenäisesti reaaliajassa, mikä varmistaa, että yritys ylläpitää asiakkaidensa ja sidosryhmiensa Trustia.

Esimerkki toiminnosta — Asiakastietojen suojaaminen: Suuri yritys voi ottaa käyttöön tekoälyn datan hallintaagentin, joka skannaa sääntelyympäristön tietoturvaa koskevien lakien muutosten varalta, löytää ja luokittelee yrityksen datajoukkojen luottamuksellisia tietoja ja käyttää sitten asiaankuuluvaa hallintakäytäntöä. Agentti voi tarkastaa tietojen käyttöoikeuspyynnöt ja reitittää poikkeukset ihmisen analyytikolle tarkastettavaksi, mikä vähentää vaatimustenmukaisuuden riskiä ja mahdollistaa tietojen käytön luotetulla tavalla.

Uudet liiketoimintaominaisuudet, jotka optimoivat toimintatavan huippuosaamisen:

• Automaattinen prosessin suoritus: Digitaalinen työvoima voi suorittaa monimutkaisia, monivaiheisia tehtäviä 24/7 koneen nopeudella (ihmiset silmukassa), mikä vähentää kustannuksia ja skaalaa prosesseja tehokkaasti.
• Rajat ylittävä orkestrointi: AI-agentit voivat työstää tieto- ja kannustimien siltoja, jotka tavallisesti rajoittavat ihmisten työntekijöitä, ja edistää joustavuutta eri prosesseissa.

Esimerkki toiminnassa — Markkinoinnin suppilon optimointi vähittäismyymälässä: Vähittäismarkkinointitiimi voi ottaa käyttöön tekoälyn agentin nopeuttaakseen kampanjan prosessiaan vastaamaan uusiin kuluttajatrendeihin. Agentti voi luoda markkinointisuunnitelmia, tehdä yhteistyötä markkinointi-, tuote- ja myyntitiimien kanssa tarkastusta varten ja luoda sitten automaattisesti digitaalisen vakuuden ja suorittaa sen useista kanavista, säätämällä kampanjaa dynaamisesti reaaliaikaisen palautteen perusteella.

Yrityksen IT-arkkitehtuuri voidaan kuvata käyttämällä kerroksittaista rakennetta. Kerrokset ryhmittävät loogisesti toisiinsa liittyviä teknisiä ominaisuuksia ja helpottavat rakenteellista päättelyä, mutta ne eivät välttämättä tarkoita tiettyjä toteutuksia tai sitä, missä määrin kerros tulisi suunnitella monoliittisesti tai heterogeenisemmin. Tässä kerroksenäkymässä (kuva 1) perinteinen IT-arkkitehtuuri koostuu viidestä pääkerroksesta: Infrastruktuuri, Data, Integraatio, Sovellus ja Kokemus. Kaksi ristitasoa, Security ja IT Operations, kattavat nämä kerrokset hallinnan, valvonnan ja suojauksen varmistamiseksi.

Perinteinen IT-arkkitehtuuri on suunniteltu paradigmaan, jossa yrityksen älykkyys perustuu ihmisiin, jotka suorittavat toimintoja sovelluksissa datan käyttämiseksi, liiketoimintalogiikan soveltamiseksi, yhteistyön helpottamiseksi ja työnkulkujen suorittamiseksi. Se ei ole suunniteltu paradigmaan, jossa tekoälyagentit voivat pohtia ja suorittaa toimintoja tietyille käyttötapauksille, joita ihmiset ovat tehneet aiemmin (tai eivät ole tehneet ollenkaan), kun ihmiset valvovat tekoälyagentteja ja keskittyvät luovempiin ja epäselvempiin tehtäviin.

Vaikka perinteinen arkkitehtuuri voi tukea tekoälyn agenttien nykyisiä alitason käyttöönottoja, se ei voi tarjota kaikkia yllä kuvattuja Agent Enterprise -toimintoja. Näiden ominaisuuksien toteuttaminen vaatii IT-arkkitehtuurin, joka on suunniteltu tehokkaan tekoälyn agenteille, jotka voivat käsitellä laajempia käyttötarkoituksia rajoittamatta niitä rajoitettuihin käyttöönottoihin, jotka koskevat kapeita käyttötarkoituksia.

AI-agentit kehittyvät edelleen seuraavien viiden vuoden aikana, ja IT-arkkitehtuuri täytyy kehittyä, jotta he voivat ymmärtää tehokkaampien ja älykkäämpien tekoälyagenttien arvon, jotta heistä tulisi tulevaisuuden todisteita. Ensin agentit muuttuvat älykkäämmiksi, kun niiden perustana olevat tekoälymallit (kuten monimenetelmäiset LLM) ja agenttien kognitiiviset arkkitehtuurit kehittyvät (esimerkiksi monivaiheinen suunnittelu, tehtävien pilkkominen jne.). Toiseksi tekoälyagenttien oppimis- ja sopeutumiskyky paranee muistin parantamisen, itserakenteen ja palautteesta oppimisen avulla. Kolmanneksi tekoälyn agentit voivat vuorovaikuttaa paremmin muiden agenttien, työkalujen ja tietojen kanssa, kuten avoimien teknologiastandardien nopeasti kehittyvä ekosysteemi osoittaa (esimerkiksi Mallien kontekstiprotokolla, Agent2Agent jne.). Näiden kolmen teknologian trendin avulla tekoälyn agentit voivat olla tehokkaampia, kun he suorittavat abstrakteja ja monimutkaisempia tehtäviä, mutta se tuo mukanaan myös useita haasteita nykypäivän IT-arkkitehtuurille.

Ensinnäkin tekoälyn agentit luottavat pohjimmiltaan tekoälymalleihin, jotka on kehitetty sekä sisäisesti että ulkoisesti, ja jotka kehittyvät nopeasti ja vaativat hienostunutta, jaettua ja standardoitua tekoälyn/ML-mallien hallintaa. Nykyään tekoälymallit on otettu käyttöön sovelluksen tietyille käyttötarkoituksille, eikä yhteisinä ominaisuuksina, joita voidaan käyttää uudelleen yleisten koulutus-, käyttöönotto-, hallinta- ja riskienhallintatyökalujen avulla. Tulevaisuudessa yritysten täytyy voida käyttää erilaisia tekoälymalleja eri agenttien käyttötapauksiin, jotka vaativat työkaluja, joiden avulla agentit voivat vaihtaa perustana olevia malleja (esimerkiksi perusmalli vs. toimialuekohtainen pienempi malli) liiketoimintaympäristön perusteella. Tämä edellyttää, että hallitset sisäisesti kehitettyjä tai isännöityjä tekoälymalleja yhtenäistetyllä elinkaarityökalulla varmistaaksesi yhdenmukaisuuden, uudelleenkäytettävyyden, skaalattavuuden ja tehokkuuden. Vastaavasti ulkoisesti isännöityjen tekoälymallien käyttäminen vaatii yrityksenlaajuisen hallintajärjestelmän, joka varmistaa optimaalisen suorituskyvyn, tietoturvan, vaatimustenmukaisuuden, saatavuuden ja luotettavuuden.

Toiseksi tekoälyn agenteilla on erilliset skaalauskuviot ja toimintavaatimukset, kuten isännöinti, kehittäminen, perustelut, oppiminen, muistin hallinta ja toiminnot, mikä vaatii erillisen ja erillisen arkkitehtonisen rajoituksen agenteille. Tämän ominaisuuden upottaminen suoraan nykypäivän staattiseen ja deterministiseen sovellusrakenteeseen johtaisi tarpeettomaan arkkitehtoniseen monimutkaisuuteen ja riskiin. Lisäksi tekoälyagenttien tulisi toimia yhdessä olemassa olevien sovellusten kanssa standardoitujen käyttöliittymien tai viestintäjärjestelmien avulla reaaliaikaista vuorovaikutusta varten.

Kolmanneksi tekoälyn agenteilla täytyy olla kyky pohtia eri tietojoukkoja ja tehdä yhteistyötä toistensa kanssa, usein erillisissä sovelluspinoissa, mutta nykypäivän arkkitehtuurissa ei ole yhteisiä semanttisia ominaisuuksia tarjotakseen agenteille yhteisen käsityksen, jotta he voivat pohtia eri tietojoukkoja. Tästä syystä, vaikka yksittäisiä agentteja voidaan ottaa käyttöön onnistuneesti, niiden skaalaaminen toimimaan suurina määrinä monimutkaisissa, ristiinlasketuissa tehtävissä on edelleen vaikeaa ja riskialtista.

Lopuksi tämänhetkinen yrityksen IT-arkkitehtuuri ei sisällä tehokasta tapaa organisoida, optimoida ja hallita kokonaisvaltaisia liiketoimintaprosesseja, jotka sisältävät tehokkaampien agenttien suorittamat dynaamiset työnkulut, jotka parantavat ja joissakin tapauksissa korvaavat ihmisten roolia kyseisessä prosessissa. Nykyään automatisointityökaluja hyödynnetään lineaaristen, determinististen työnkulkujen hallintaan, jotka tavallisesti noudattavat esimääritettyä järjestystä, jotka on dokumentoitu prosessikohtaisilla kielillä ja jotka perustuvat harvoin muuttuvaan staattiseen logiikkaan. AI-teknologiat voivat parantaa joitakin näistä lineaarisista prosesseista (esimerkiksi käyttämällä ML-malleja kovakoodattujen liiketoimintasääntöjen sijaan laskeakseen lainan hyväksymisen kynnysarvot), mutta useimpien kriittisten liiketoimintaprosessien strategiset ja suorituskykyyn liittyvät näkökohdat pysyvät luonnostaan dynaamisina ja joustavina. Tehtävillä, kuten markkinointistrategioiden kehittäminen, monimutkaisten asiakkaiden ongelmien ratkaiseminen tai prospektin tarjoaminen asiakkaille, on selkeät tavoitteet (asiakastyytyväisyys, tapausten ratkaisemisen nopeus jne.), mutta ne eivät noudata kiinteää, esimääritettyä suoritusjärjestystä.

Tällä hetkellä perinteiset yritykset luottavat ensisijaisesti ihmisiin koordinoidakseen ja suorittaakseen näitä monimutkaisia liiketoimintaprosesseja (kuten strategian määrittäminen ja monimutkaisten ohjelmien hallinta). Kun tekoälyagentit kehittyvät edelleen (lisäävät älykkyyttä, oppimista ja vuorovaikutuskykyä) seuraavien 3-5 vuoden aikana, heidän kykyynsä suorittaa tällaisia dynaamisia prosesseja itsenäisesti kasvaa merkittävästi, mikä aiheuttaa monimutkaisuuksia ja integraatiokysymyksiä, jotka ylittävät nykyisten integraatio- ja automatisointityökalujen kyvyt. AI-agenttien mukautettava ja dynaaminen luonne luo vahvan tarvetta uusiin orkestrointiominaisuuksiin, jotta voidaan varmistaa yritystason hallinta, kattava näkyvyys ja yhdenmukainen yhteensopivuus yrityksenlaajuisten strategisten tavoitteiden kanssa, varsinkin monimutkaisten, pitkäaikaisten ja monivaiheisten työnkulkujen hallinnassa, jotka kattavat tekoälyn agentit, ihmiset, automatisointityökalut ja muut deterministiset järjestelmät.

Agent Enterprise -yrityksen IT-arkkitehtuuri luo alustan älykkäille toiminnoille integroimalla ihmisten työntekijät, tekoälyagentit ja deterministiset järjestelmät saumattomasti. Tämä arkkitehtuuri sallii sekä ihmisten että tekoälyn agenttien käyttää ja hyödyntää dynaamisesti yhtenäistettyä Enterprise Knowledgea useista eri tietolähteistä, jotka on rikastettu semanttisella asiayhteydellä suorittaakseen tehokkaasti monimutkaisia työnkulkuja ja prosesseja, jotka vastaavat strategisia liiketoimintatavoitteita. Yksittäisten sovellusalustojen ja pisteratkaisujen joukon nykyinen IT-arkkitehtuuri kehittyy yhdistettävien sovelluspalveluiden, semanttisten ja datatyökalujen sekä tekoälyagenttien verkostojen joukoksi, jota valvovat ja hallitsevat uudet älykkäät liiketoimintaprosessien orkestrointityökalut.

Tämä arkkitehtuuri sallii agenttien ymmärtää, päättää ja toimia omien vaikutusalueidensa mukaisesti, työskennellä liiketoiminta-alueiden sisällä ja niiden välillä sekä oppia, parantaa ja sopeutua jatkuvasti. Tämä edellyttää suunnittelua, joka keskittyy vahvoihin mekanismeihin, joilla pääsee käsiksi dataan ja Knowledgeen (semanttinen ymmärtäminen), joustaviin ja standardoituihin viestintäprotokollisiin ja rajapintoihin (kuten agentille agentille, agentille deterministisille järjestelmille ja agentille ihmiselle) ja kriittisesti organisoi työnkulkuja ja prosesseja agenttien, ihmisten sekä automatisointityökalujen ja determinististen järjestelmien välillä.

Jos haluat toteuttaa älykkäiden toimintojen alustan arkkitehtonisen näkymän, suosittelemme seuraavia suunnitteluperiaatteita:

• Kokoonpano ja modulariteetti: Suunnittele arkkitehtuurin elementtejä modulaarisina komponentteina standardoiduilla käyttöliittymillä, jotta agenttien ominaisuuksien, työnkulkujen ja ihmisten etupuolella olevien pintojen kokoonpano on nopeaa ja dynaamista. Priorisoi selkeät käyttöliittymäsopimukset ja abstraktio salliaksesi tekoälyn agenttien kirjoittaa työnkulkuja mahdollisimman joustavasti.
• Data ja semantti ensin: Varmista datan kattava, tarkka, nopea, turvallinen ja kustannustehokas käyttö, ja jaa semanttinen ymmärrys, jotta agentit voivat päättää asiasta tehokkaasti erillisissä järjestelmissä. Tämä edellyttää, että käsittelet dataa (ja metadataa) tuotteena, käyttämällä työkaluja, joilla varmistetaan laatu, sukupolvi, hallinto ja käyttöoikeudet sekä tapaa tarjota semanttinen ymmärrys, joka on jaettu agenteille ja ihmisille.
• IT- ja liiketoiminnan havaittavuus upotettuna: Upota kokonaisvaltaisia valvonta-, seuranta-, arviointi- ja selittävyysominaisuuksia koko arkkitehtuuriin saadaksesi havaintoja agenttien päättelytavoista, toimintatavoista, järjestelmävuorovaikutuksista ja liiketoiminnan KPI-mittareiden vaikutuksista salliaksesi agenttien suorituskyvyn jatkuvan optimoinnin. Tämä sisältää kustannusten optimoinnin (FinOps), kestävän kehityksen tilastot ja operaation telemetrian, mutta säilyttää Trustin, vaatimustenmukaisuuden ja vastuullisen resurssin kulutuksen. Koska tekoälyn agentit ovat luonnostaan ei-deterministisiä, havaittavuus on tärkeää, jotta tekoälyn agentit voivat toimia luotetulla, vaatimustenmukaisella ja auditoitavalla tavalla ihmisten valvonnalla.
• Trust-wide: Noudata dynaamisia ja tarkempia käyttöoikeuksia agentin tehtävien tarkoituksen perusteella (tietojen käyttöoikeudet, toiminnot jne.) ja toteuta kattavia tietoturvakäytäntöjä, mukaan lukien tiimistö, automaattinen CVE-skannaus, haavoittuvuuden havaitseminen ja riskipohjaiset vahvistuksen ohjaimet. Tarkempia ja dynaamisempia asetuksia tarvitaan, koska agentit voivat aiheuttaa riskejä, koska he voivat toimia koneiden nopeudella. Varmista, että kaikki tekoälyn luomat tulokset (agentteiltä tai malleilta) vahvistetaan tarkasti määritettyjen vaatimustenmukaisuus-, turvallisuus-, toksisuus- ja puolueellisuuskäytäntöjen perusteella ennen käyttöä tai toimittamista, mikä vaatii lokien kirjaamista ja selitettävyysmekanismeja ja vahvistettavia tarkastuspolkuja tekoälyn päätöksille, toiminnoille, sisällölle ja ennusteille.
• Agentti-ensimmäinen, jolla on ihmisen valvonta: Salli tekoälyn agenttien olla oletusarvoinen työkalu liiketoimintatarkoitusten ratkaisemiseen, jättäen pois muut huomioitavat asiat (kustannukset, tekninen soveltuvuus) ja suunnittele IT-järjestelmät, joita voi käyttää agenttien työnkuluissa. Tämä sisältää, että ihmiset voivat valvoa, puuttua ja korvata agentin prosessin minkä tahansa vaiheen. Agentit tarvitsevat heijastavia kykyjä etsiäkseen henkilökohtaista ohjetta ennakoivasti, jos heidän luottamuksensa päätöksentekoon laskee esimääritettyjen kynnysarvojen alle.
• Reaktiivinen ja multimodaalinen vuorovaikutus: Ota arkkitehtuuri käyttöön tukeaksesi kattavia agenttien kutsujen ja vastausten mekanismeja kaikissa vuorovaikutustyypeissä, mukaan lukien agentilta agentille -protokollat, ihmisten multimodaaliset syöttötapahtumat (ääni, teksti, visuaalinen), liiketoimintatapahtumat, järjestelmäsignaalit ja streaming-data. Ota käyttöön tapahtumiin perustuvat ja reaaliaikaiset käsittelyominaisuudet varmistaaksesi, että agentit voivat reagoida mihin tahansa ajoitettuun signaaliin mistä tahansa lähteestä tai muodosta.
• AI-yhteensopiva infrastruktuuri: Varmista, että infrastruktuuri voi skaalata joustavasti sisäänrakennetulla redundanssilla, joka käsittelee vaihtelevia tekoälyn työkuormia, ja integroi ML/LLM-putket dataan ja sovellusten arkkitehtuuriin, samalla kun datan asuinsijaintivaatimuksia noudatetaan.
• Avoin ekosysteemi: Priorisoi yhteentoimivuus ja vältä teknologian lukitsemista suosimalla avoimia standardeja, protokollia ja hyvin määritettyjä rajapintoja (API:t, tapahtumat) hyödyntääksesi teknologia-ekosysteemiä.

Jotta agenttien transformaatiota voitaisiin ottaa käyttöön ja skaalata onnistuneesti, yritysten täytyy mennä pidemmälle kuin vain parantaa nykyisiä kerroksia. Heidän täytyy harkita neljän muun arkkitehtitason (kuva 2) käyttöönottoa, jotka on suunniteltu vastaamaan tekoälyn agenttien tarpeita.

Agentin kerros on tarkoitettu tekoälyn agenttien kehittämiseen ja hallintaan, joka kattaa kognitiiviset ominaisuudet, kuten suunnittelu, päättely, muisti, työkalujen käyttöaste, tilan hallinta ja elinkaaren hallinta. Tämä kerros käsittelee tekoälyn agenttien ainutlaatuiset tekniset ja toiminnalliset vaatimukset, varmistaa sovellusten ja datan myymälöiden yhteentoimivuuden standardoitujen protokollien avulla ja helpottaa agenttien välistä yhteistyötä. Olemassa oleva sovelluskerros muuttuu sovelluspalveluiksi, jotka on laadittu dynaamisesti agenttien työnkulkuja varten.

Semanttinen kerros otetaan käyttöön ratkaistakseen raakadatan ja tekoälyn agenttien tarvitseman semanttisen ymmärryksen välisen katkoksen. Se koodaa ja hallitsee liiketoimintaentiteettejä, käsitteitä, määritelmiä ja välisiä suhteita erikseen luomalla yrityksen ontologian ja liiketoimintatietojen Knowledge, jotta voit käyttää jaettua semanttista ymmärrystä, joka edistää monimutkaisempia usean agentin työnkulkuja, jotka suorittavat ylemmän tason tehtäviä. Semanttinen kerros kääntää datakatalogin lisäksi luonnollisen kielen kyselyn tarkkoihin kyselyihin tietyille datasäiliöille, yhdenmukaistaa tulokset ja palauttaa agentille asiayhteydestä riippuvan ja kattavamman vastauksen. Nykyinen datakerros yhtenäistyy keskitetyn järvenpylvään käyttöönoton kautta ja laajentaa datan käyttöoikeuksia tekoälyn käyttövalmiilla datakudoksilla datan verkkomuotoisten toimintomallien periaatteiden tukemiseksi.

AI/ML-kerros keskittää yrityksen tekoälymallien ominaisuuksien hallinnan, mukaan lukien suuren kielen mallit, suuret toimintomallit ja toimialuekohtaiset ML-mallit, käsittelemällä sekä sisäisesti kehitettyjä tekoälymalleja niiden koko elinkaaren ajan että ulkoisten tekoälymallipalveluiden hallittuja käyttöoikeuksia. Toisin kuin perinteiset arkkitehtuurit, joissa tekoälymallit on upotettu sovelluksiin, tämä kerros luo tekoälymalleja ensimmäisen luokan komponentteina ja jaetuina palveluina yrityksessä. Se keskittyy yrityksen hallitsemiin tekoälyominaisuuksiin (ei ulkoisten toimittajien tarjoamiin tekoälyominaisuuksiin). Tämä kerros tarjoaa älykkäästi tietoja eri agenteille ja muille yrityksen tekoälyn työkuormille Trust-, turvallisuus-, vaatimustenmukaisuus- ja käyttöönottomekanismien standardoinnilla.

Enterprise Orchestration Layer on toiminnallinen abstraktio, jota käytetään monimutkaisten, monivaiheisten työnkulkujen ja liiketoimintaprosessien koordinointiin, hallintaan ja optimointiin, jotka kattavat tekoälyn agentit, ihmiset, automatisointityökalut ja deterministiset järjestelmät. Tämä kerros hyödyntää yhdistettyä orkestrointimallia, joka sallii yksittäisten agenttien ja järjestelmien käsitellä paikallisesti koreografoituja tehtäviä itsenäisesti käyttämällä avoimia protokollia, kuten MCP ja A2A, tarjoamalla keskitetyn kokonaisvaltaisen valvonnan ja koordinoinnin koko prosessille. Jotta voit toteuttaa yhdistetyn orkestrointimallin, tämä kerros edustaa kriittisiä liiketoimintaprosesseja koneellisesti luettavassa semanttisessa muodossa, joka määrittää liiketoimintaprosessin deterministiset vaiheet (mallinnettu suunnittelun aikana) ja dynaamiset vaiheet (joita agentit päättävät suorituksen aikana), mikä luo prosessimallin perustan hallintaa ja optimointia varten.

Perinteisesti merkittävät osat ihmisiin perustuvista liiketoimintaprosesseista ovat edelleen asiattomasti dokumentoituja tai niitä ei voi käyttää koneellisesti luettavassa muodossa. AI-agenttien toimintojen yksityiskohtainen havaittavuus, mukaan lukien niiden tehtävien ja toimintojen muotoiltu data ja metadata, sallii kuitenkin dynaamisten, aiemmin jäsentämättömien töiden kaappaamisen, dokumentoinnin ja integroinnin determinististen lineaaristen työnkulkujen kanssa luodakseen kattavia prosessimalleja. Yksityiskohtainen prosessien dokumentaatio sieppaa aiemmin näkymättömiä tehtävien välisiä riippuvuuksia ja suorituspolkuja, mikä sallii yrityksen optimoida jatkuvasti toimintatehokkuutta, korjata pullonkaulakohteita tehokkaasti ja koodata agenttien tunnistamia parhaita käytäntöjä järjestelmällisesti uudelleenkäytettäviksi yrityksenlaajuisiksi pelikirjoiksi. Tämä luo kokonaisvaltaisen digitaalisen kaksinkertaisen kokonaisuuden yksittäisistä prosesseista ja koko yrityksestä.

Monimutkaiset prosessit, kuten kattavien myyntistrategioiden suorittaminen tai uusien työntekijöiden perehdytys, sisältävät esimerkiksi useita toisistaan riippumattomia vaiheita, joissa orkestrointikerros voi varmistaa asiaankuuluvan ihmisten osallistumisen (esimerkiksi poikkeusten käsittely), rajoitetun itsenäisyyden tekoälyn agenteille ja noudattaa vaatimuksia. Näiden prosessien aikana ylhäältä alas -orkestrointikerros parantaa ennustettavuutta ja hallintaa, seuraa ja arvioi jatkuvasti keskeisiä suorituskykyindikaattoreita (KPI), varmistaa työnkulkujen ja periytymislogiikan transaktioiden eheyden ja pitää työnkulun kaikki vaiheet näkyvissä varmistaakseen, että ne vastaavat yleisiä liiketoimintatavoitteita. Tämä kerros käyttää tämän toiminnon toteuttamiseksi käytäntöjä, sääntöjä ja suojausruutuja, jotka saadaan suojaus- ja hallintakerroksesta (käytännön kautta koodina) sekä semanttisessa kerroksessa säilytetyistä liiketoimintatavoitteista ja suorituskykyindikaattoreista. Koska tekoälyn perustuvat vuorovaikutukset ovat itsenäisiä ja nopeita, pelkkä hajautetun koreografian käyttö voi aiheuttaa strategisia virheitä tai vaatimustenmukaisuuden rikkomuksia varsinkin pitkäaikaisissa, monivaiheisissa työnkuluissa. Yhdistetty orkestrointimenetelmä vähentää näitä riskejä upottamalla yrityksenlaajuiset liiketoimintasäännöt, vaatimustenmukaisuuden tarkastukset ja käytäntöjen noudattamisen suoraan monimutkaisiin työnkulkuihin ja integroimalla ihmisten valvonta kriittisissä vaiheissa.

Jokainen näistä 11 kerroksesta lisää tiettyjä toimintoja tekoälyn agenttien laajamittaiseen käyttöönottoon turvallisella, luotetulla ja tehokkaalla tavalla, joka avaa agenttien tekoälyn täyden potentiaalin muuttaakseen työn tekemistä yrityksessä. Alla olevassa osiossa kuvataan kerroksen toimintoja, uusia muutoksia tekoälyagenttien kasvun vuoksi ja sen tärkeimpiä teknologisia ominaisuuksia.

Funktio: Kokemusten kerros toimii ensisijaisena käyttöliittymänä ihmiskäyttäjille, mikä mahdollistaa multimodaalisen vuorovaikutuksen keräämällä syötettyjä tietoja (teksti, ääni, visuaalinen) ja tarjoamalla asiayhteydestä riippuvaisia vastauksia useilla laitteilla. Se siirtää käyttäjien tarkoitukset saumattomasti agenttikerrokselle toimintoja varten ja tarjoaa samalla dynaamisen käyttöliittymän ja visualisointeja, jotka helpottavat henkilökohtaisia eskalointeja ja hyväksyntöjä agenttien työnkuluissa.

Mikä on erilaista verrattuna tämänhetkiseen: Tekoäly täydentää perinteisiä GUI-rajapintoja luonnollisen kielen käsittelyllä, asiayhteydestä ja ennakoivalla päätöksenteostolla. AI-agentit voivat käynnistää vuorovaikutuksia ennakoivasti ja tarjota henkilökohtaisia, reaaliaikaisia suosituksia kaikissa kanavissa ja toimintatavoissa.

Tärkeimmät teknologiaominaisuudet:

• Keskusteluiden tekoäly ja digitaaliset avustajat: Ota käyttöliittymä käyttöön oletusarvoisesti tarjotaksesi AI-apua ihmiskäyttäjien tukemiseen.
• Attribuutin ja läpinäkyvyyden käyttöliittymä: Tee vastauksista selittäviä käyttöliittymässä, kuten näyttämällä lainausmerkkejä, tiedostojen/järjestelmien lähteitä ja päätösten lähestymistapaa/perustelua.
• Proaktiivinen ja ympäristön ilmoituspalvelu: Sallii agenttien lähettää havaintoja tai hälytyksiä käyttäjille ennakoivasti sopivimmalla kanavalla ja lomakkeella käyttäjän tämänhetkisen asiayhteyden perusteella.
• Omnichannel-käyttökokemukset: Tarjoaa saumattoman, yhdenmukaisen ja yhtenäisen käyttökokemuksen kaikissa kanavissa matkan jatkuvuudella, jossa keskustelut ja tehtävät seuraavat henkilöä sovelluksen sijaan.
• Monimenetelmäiset ominaisuudet: Sallii ihmisten vuorovaikuttaa agenttien ja sovellusten kanssa tekstin, äänen, kuvan, kosketusnäytön, videon ja AR/VR:n kautta, jotta agentit voivat ymmärtää ja esittää tietoja tehokkaimmin.
• Kontekstiin perustuva personalisointi ja dynaaminen käyttöliittymä: Ottaa käyttöön asiayhteydestä tietoisia reaaliaikaisia käyttäjäkokemuksia (aika, sijainti, käyttäjän toiminnot) ottaakseen käyttöön personalisoinnin, mukaan lukien käyttöliittymän luominen lennolla.

Funktio: Agenttikerros toimii oletusarvoisena suorituksen aikaisena ympäristöön, jossa tekoälyagentit voivat pilkkoa tehtäviä kokemusten kerroksesta ja suorittaa tehtäviä dynaamisesti kokoamalla työnkulkuja käyttämällä työkaluja sovellusten ja sovelluspalveluiden kerroksesta ja datakerroksesta. Tekoälyagenttien kokoonpanotilat tallennetaan ja hallitaan tässä kerroksessa. Agentit luodaan tietyille tehtäville ja tietyt agenttien esiintymät poistetaan käytöstä myöhemmin. Tämän toteutuksen avulla agentteja voidaan kutsua aina uusimmasta kokoonpanotilasta offline-optimointien perusteella (käyttämällä tekoälyn/ML:n, havaittavuuden ja orkestroinnin kerroksista saatuja toimintoja). Tämä kerros on vastuussa tekoälyn agenttien kattavasta elinkaaren hallinnasta, koordinoinnista ja hallinnasta.

Mikä on erilaista verrattuna tämänhetkiseen: Tämä kerros muodostaa nykyisen pilottijoukon ja agenttien rajoitetut käyttöönotot. Vaikka sääntöihin perustuvia botteja on olemassa, muutamia mukautuvia, ei-deterministisiä ja tavoitteisiin perustuvia ohjelmia on käytössä laajalti.

Tärkeimmät teknologiaominaisuudet:

• Agentin suorituksen aikainen ympäristö: Hallitsee tekoälyn agenttien elinkaarta, suoritusta ja resurssien allokaatiota.
• Agentin elinkaaren hallinta -paketti: Sisältää kehyskehyksiä, kehittäjien ja testien työkaluja sekä hallintajärjestelmiä agenttien toiminnoille ja versioiden hallinnalle.
• Agentin perustelujärjestelmä: Kognitiivinen kehys, jonka avulla agentit voivat pilkkoa tavoitteita, suunnitella ja päättää, mitä työkaluja käyttää monimutkaisten ongelmien ratkaisemiseen.
• Agentin muisti ja asiayhteystietokanta: Sallii agenttien esiintymien peruuttaa ja ylläpitää aiempien vuorovaikutusten tietoja, mikä varmistaa yhdenmukaisuuden ja personalisoinnin.
• Agentin yhteensopivuusprotokollat: Standardoidut rajapinnat agentilta agentille -viestintään (A2A) ja agenteille ulkoisten järjestelmien kanssa (esimerkiksi mallin kontekstiprotokollan kautta).
• Työkalurekisteri: Koostettu joukko sisäisiä ja ulkoisia työkaluja, joita agentit voivat kutsua suorittaakseen tietyn tehtävän.
• Agenttien rekisteri: Käyttövalmiiden tekoälyratkaisujen ja agenttien järjestelmä, joka tukee havaintojen ja kykyjen täsmäämistä.
• Jakattu agenttien käytäntöjen noudattaminen: Ottaa käyttöön yrityksenlaajuisen hallinnan sallimalla agenttien tarkastaa vaatimustenmukaisuuden itse ennen toimintojen suorittamista.
• Agentin itserakenteen ja sopeutumisen kehys: Tarjoaa agentille mekanismin, jolla hän voi analysoida omaa suorituskykyään ja käynnistää parannuksia tai ehdottaa muutoksia itselleen henkilön hyväksynnällä.

Funktio: Tämä kerros toimii keskitetyn älykkyyden hubina, joka tarjoaa tekoälymalleja jaettujen palveluiden joukkoina, joita agenttikerros (ja sovellukset) kuluttavat edistääkseen sen päättelykykyä ja päätöksentekoa sisäänrakennetuilla suojauskehyksillä ja valvonnalla.

Mikä on erilaista verrattuna tämänhetkiseen: Tavallisesti tekoälymallit upotettiin tiettyihin sovelluksiin. Agentic Enterprise -tietojärjestelmän IT-arkkitehtuurissa tekoälyn/ML-kerros on ensimmäisen luokan keskittynyt palvelujoukko, joka tukee useita sovelluksia ja agentteja ja tukee mallin koko elinkaarta kehityksestä reaaliaikaiseen toimintaan.

Tärkeimmät teknologiaominaisuudet:

• Käyttövalmiit perusmallit: Suuret ML-mallit, jotka on koulutettu laajan datan perusteella ja jotka voivat suorittaa useita yleisiä tehtäviä.
• Nouto-laajennettu generointi (RAG): AI-pohjainen myyntiputki, joka perustuu perustamalleihin yrityskohtaisessa datassa parantaakseen tarkkuutta ja vähentääkseen hallusinaatioita.
• AI-luottamus-, turvallisuus- ja hallintahubi: Malliin integroitu joukko työkaluja, jotka noudattavat vastuullisten tekoälyn periaatteita, kuten vinoumien havaitsemista, selittävyyttä ja turvallisuuden valvontaa.
• Mallin yhdyskäytävä: Reititysjärjestelmä, joka toimii yhtenä sisääntulopisteenä kaikille mallien johtopyynnöille ja hallitsee kutsuja useisiin sisäisiin ja ulkoisiin malleihin optimoidakseen kustannukset, suorituskyvyn ja vaatimustenmukaisuuden.
• Mallin kehitystyökalu: Integroitu kehitysympäristö datatieteilijöille, joka sisältää työkaluja datan esikäsittelyyn, mallin kouluttamiseen ja kokeiluihin.
• MLOps- ja elinkaaren automatisointiputki: CI/CD-järjestelmä koneoppimista varten, joka automatisoi mallien lopputuloksen elinkaaren koulutuksesta käyttöönottoon ja poistamiseen.
• Mallin palvelun ja havaintojen suorituksen aika: Skaalattava ja vähäisen viiveen ympäristö koulutettujen mallien käyttöönottamiseksi turvallisina API-päätepisteinä reaaliaikaista kulutusta varten.
• Mallin ja omaisuuksien rekisteri: Kaikkien tekoälyn/ML-resurssien, mukaan lukien mallien, datajoukkojen ja lähdekoodien, keskitetty versiohallittu säiliö, joka varmistaa toistettavuuden ja auditoitavuuden.
• Synteettitietojen luonti ja hallinta: Työkalu, jolla luodaan ja hallitaan synteettistä dataa, joka säilyttää todellisen datan tilastolliset ominaisuudet paljastamatta luottamuksellisia tietoja.

Funktio: Enterprise Orchestration Layer on ohjaava taso agenteille tarkoitetulle yritykselle. Se varmistaa, että agenttien työnkulut ja vuorovaikutukset noudattavat yrityksen tavoitteita ja hallintakäytäntöjä. Se käyttää havaittavuuden telemetriaa muista kerroksista rakentaakseen kattavia liiketoimintaprosessien malleja, mikä mahdollistaa semanttisesta kerroksesta saatujen KPI-mittareiden optimoinnin. Tämä kerros tarjoaa yhteisen kontekstin ja pitkäaikaisen muistin kaikille tekoälyn agentin uusille esiintymille kriittisille työnkuluille.

Mikä on erilaista verrattuna tämänhetkiseen: Tämä kerros tarjoaa yhtenäisen näkymän liiketoimintaprosesseihin luomalla koneiden luettavia malleja, jotka sieppaavat sekä rakenteelliset, deterministiset vaiheet että ihmisten ja agenttien suorittamat jäsentämättömät ja dynaamiset työt. Se siirtyy nykyisten ihmisiin keskittyvien yhteistyö- ja hallintamallien ulkopuolelle ohjelmallisesti koodattamalla liiketoimintatavoitteita ja vaatimustenmukaisuussääntöjä rajoituksina agenttien työnkulkuihin, joilla hallitaan agenttien työvoimaa.

Tärkeimmät teknologiaominaisuudet:

• Hybridityönkulkujen suoritusjärjestelmä: Ydintoiminto, joka suorittaa "yhdistetyn orkestrointimallin", joka tarjoaa keskitetyn valvonnan ja mahdollistaa paikallisen agentin koreografian.
• Prosessien hallinta ja rajoitusjärjestelmä: Reaaliaikainen hallintapalvelu, joka kuluttaa ja soveltaa deklaratiivisia liiketoimintasääntöjä, käytäntöjä ja rajoituksia kaikkiin lento-prosesseihin.
• Jaettu muisti ja asiayhteyden hallinta: Jaettu muistikerros, jonka kaikki työnkulun osatekijät voivat käyttää ylläpitääkseen jatkuvuutta ja yhdenmukaisuutta useissa vaiheissa.
• Process Modeling Studio: Suunnitteluaikainen ympäristö, jossa voit luoda ja hallita koneellisesti luettavia, semanttisesti muotoiltuja prosessimalleja, jotka määrittävät sekä deterministisiä että dynaamisia, tavoitteisiin suuntautuneita vaiheita.
• Prosessien optimointi ja simulointi: Ominaisuus, joka rakentaa liiketoimintaprosessien digitaalisia simulointeja edistyneitä analyysejä, mitä-jos-simulointeja ja ennakoivaa optimointia varten.
• Process Discovery ja terveysvalvonta: Tuo prosessimalleja ja reaaliaikaista dataa raportoidakseen prosessien kunnon liiketoimintatilastoja.
• Digitaalinen kaksinkertainen prosessin mallinnus: Live-työnkulkujen reaaliaikainen peili testausta, muutosten simulointia ja optimointia varten vaikuttamatta tuotantoympäristöön.

Funktio: Tämä kerros paljastaa nykyiset liiketoimintasovelluksen ominaisuudet agenttien käyttämiksi komentoitavina ja modulaarisina työkaluina ja palveluina. Se toimii myös esitelmän suorituksen aikana agenttien ominaisuuksien upottamiseksi käyttäjäkokemukseen. Sovellukset ovat edelleen tietueiden järjestelmä, mutta ne on suunniteltu uudelleen "headless"-ominaisuuksiksi agenteille.

Mikä on erilaista verrattuna tämänhetkiseen: Sovellukset muuttuvat monoliittisistä käyttöliittymistä "taustapalveluiksi", joita agentit voivat soittaa dynaamisesti API-rajapintojen ja tapahtumien kautta. Tämä kerros integroidaan oletusarvoisesti tekoälyn agenttien ja mallien kanssa, ja koodin luomisen LLM:n lisääntyminen johtaa mukautettujen agenttien luomien mikrosovellusten määrän kasvattamiseen.

Tärkeimmät teknologiaominaisuudet:

• Moduulin sovelluspalvelut: Jäsennetty liiketoimintalogiikka perinteisistä sovelluksista, julkaistu koneellisesti luettavina toimintoina, joita agentit voivat soittaa.
• Agentin upottamat SDK-paketit: Työkalut ja kirjastot, joiden avulla kehittäjät voivat upottaa agentteja turvallisesti suoraan sovellusten käyttöliittymiin.
• Dynamiikan käyttöliittymän generointipalvelut: Palvelut, jotka sallivat tekoälyn agentin luoda tai muokata käyttöliittymäkomponentteja reaaliajassa käyttäjän asiayhteyden perusteella.
• AI-natiivi käyttöliittymäkehykset: Front-end-kehykset, jotka on suunniteltu tukemaan tekoälyyn perustuvia käyttöliittymiä, kuten todennäköisyyksiin perustuvan datan hallintaa ja tekstiviestien suoratoistoa.
• Agenttien syöttämät osallistumisjärjestelmät: Yrityksen tuottavuutta ja yhteistyötä parantavat sovellukset, jotka käyttävät tekoälyagenttien kykyjä visuaalisten komponenttien avulla.
• AI-parannettu vähäisen koodin sovelluskehittäminen/ei koodia: Työkalut, joiden avulla käyttäjät ja agentit voivat luoda mukautettuja sovelluksia ja palveluita luonnollisella kielellä ja kehotteilla.
• Sovelluksen suojakalut agenttien käyttöön: Agenttien käyttöä koskevat sovellusten ohjaimet, kuten rajoitus, raja-arvoiset käyttöoikeudet ja telemetria.

Funktio: Semanttinen kerros tarjoaa yhtenäisen käsityksen datasta ja Knowledgesta koko organisaatiossa, jolloin sekä ihmiset että tekoälyn agentit voivat tulkita ja käsitellä tietoja yhdenmukaisesti. Se käyttää Knowledge, kuten ontologioita ja Knowledge, kääntääkseen luonnollisen kielen kyselyt tarkkoiksi ja asiayhteydestä riippuvaisiksi datakyselyiksi.

Mikä on erilaista verrattuna tämänhetkiseen: Vaikka nykyisillä yrityksillä on erilaiset metadata-säiliöt, Agenttic Enterprise -työkalun IT-arkkitehtuuri vaatii keskitetyn Enterprise Knowledge Graphin (EKG), joka yhdistää dataa eri toimialueiden välillä selkeästi määritettyjen semanttisten suhteiden avulla. Tämä tarjoaa muotoillun asiayhteyden, jota tekoälyn agentit voivat selata suorittaakseen monimutkaisia perusteluja, mikä luo vaatimuksia teknisille ominaisuuksille, jotka tukevat Knowledge, jotka kattavat useita toiminnallisia toimialueita.

Tärkeimmät teknologiaominaisuudet:

• Metadatapalvelu: Tarjoaa kuvaavaa metadataa, mukaan lukien datan lajittelu, omistajuus ja luokitukset.
• Liiketoiminnan sanasto ja taksonomioiden hallinta: Työkalu, jolla yrityskäyttäjät voivat määrittää ja hyväksyä vakiomuotoisia liiketoimintaehtoja.
• Semanttinen mallin hallinta: Knowledge työkalu semanttisten mallien ja ontologioiden luomiseksi, hallitsemiseksi ja hallitsemiseksi.
• Enterprise Knowledge -kaavio (EKG): Enterprise-ontologian suorituksen aikainen esiintymä, joka tallentaa ja kartoittaa liiketoimintaentiteettien välisiä suhteita.
• Metadatan syöttö- ja harmonisointijärjestelmä: Automatisoitu myyntiputki, joka täyttää ja ylläpitää Enterprise Knowledge -kaaviota useista lähdejärjestelmistä.
• Semanttinen kyselyjärjestelmä: Tulkitsee luonnollisen kielen kyselyitä ja rakentaa EKG:ään perustuvia rakenteellisia kyselyitä noutaakseen tietoja useista eri lähteistä.
• Semanttinen järkeilyjärjestelmä: Analysoi ja luo epäsuoria Knowledge ja piilotettuja suhteita EKG:stä.

Funktio: Datakerros on perustavanlaatuinen totuuden lähde, joka hallitsee ja tarjoaa suojatun ja hallitun pääsyn kaikkiin yritystietoihin, joita semanttinen kerros voi tulkita, tekoäly-/ML-kerrosta käytetään koulutuksessa, sovelluksia käytetään transaktioissa ja agenteille perusteluita.

Mikä on erilaista verrattuna tämänhetkiseen: Datakerros kehittyy yhtenäistyneemmäksi, reaaliaikaisemmaksi ja hallintaan keskittyvämmäksi, usein keskittyen pilvitason dataan. Sen täytyy käsitellä suurempi määrä ja erilaisia tietoja ja siirtyä eräpohjaisesta käsittelystä reaaliaikaiseen suoratoistoon tukeakseen reagoivia agentteja. Datan hallinta ja laatu ovat entistä tärkeämpiä, jotta heikko data ei luo virheellisiä tekoälyn tuloksia.

Tärkeimmät teknologiaominaisuudet:

• VectorDB: Erikoistunut tietokanta, joka on optimoitu tallentamaan ja kyselemään korkean ulottuvuuden vektori-upotuksia, jotka ovat tärkeitä RAG:lle.
• Älykkäät analyysi-dataputket: Automatisoitu, metadataan perustuva palvelu datan tuontia, transformaatiota ja lataamista varten (ETL/ELT) datakerrokseen.
• Enterprise Data Lakehouse: Rakenteellisten, puolirakenteellisten ja jäsentämättömien tietojen keskitetty säiliö, joka on optimoitu sekä analyyseille että tekoälyn työkuormille.
• Zero-Copy-datan yhdistäminen ja haku: Tekniikoita, joilla voit käyttää, kysellä ja hakea tietoja useista myymälöistä ilman fyysistä datan siirtoa.
• Luonnollinen kieli SQL:ään: Tekniikka luonnollisen kielen kyselyiden muuntamiseksi SQL:ksi.
• Enterprise Data Catalog ja Discovery Service: Yhtenäinen ja haettavissa oleva inventaario kaikista yrityksen dataresursseista.
• Master & Reference Data Management (MDM): Hallitsee ”kultaista tietuetta” kriittisille liiketoimintaentiteeteille, kuten Asiakas ja Tuote.
• Sovittava datan laatupalvelu: Jatkuva valvontapalvelu, joka käyttää tekoälyä havaitakseen ja korjatakseen Datan laatuongelmia automaattisesti reaaliajassa.
• Datasopimukset: Tietojen tuottajien ja kuluttajien väliset koneellisesti luettavat sopimukset, jotka määrittävät datan vaihdon skeeman, semanttisyyden ja palvelutasosopimukset.
• AI-spesialisoidut datasäiliöt: Tietyille tekoälyn käyttötapauksille suunnitelut tietokannat, kuten aikasarjan tai kaavion tietokannat.
• AI-valmis datakaavio: Looginen datan abstraktiokerros, joka tarjoaa yhtenäisen ja virtuaalisen näkymän tiedoista eri fyysisissä järjestelmissä.
• Reaaliaikainen datan käsittely: Kyky käsitellä ja analysoida monimenetelmäisiä datavirtoja jatkuvasti koneiden nopeudella.

Funktio: Infrastruktuurikerros tukee kaikkia muita kerroksia ja tarjoaa laskutoimi-, tallennustila-, verkko- ja pilvitoimintoja, joita tarvitaan tekoäly- ja agenttityökuormien suorittamiseen laajalti joustavalla ja kustannustehokkaalla tavalla.

Mikä on erilaista verrattuna tämänhetkiseen: AI-työkuormat vaativat suurempaa skaalattavuutta ja joustavuutta agenttien järjestelmien todennäköisyyksien käsittelemiseksi. Infrastruktuurin täytyy tukea nopeaa provisiointia, erikoistunutta laitteistoa, kuten GPU:a, ja vähäistä ja tehokasta verkkoviestintää agenttien välistä viestintää varten.

Tärkeimmät teknologiaominaisuudet:

• Infrastruktuuri koodina: Automatisoitu provisiointi ja infrastruktuurin hallinta CI/CD-käyttöönottoputkilla.
• Hybridien ja usean pilven tekoälyn infrastruktuuri: Hyödyntää julkisen pilven joustavuutta ja erikoistunutta infrastruktuuria tekoälyn luoville työkuormille.
• AI-optimoitu laskenta, tallennus ja verkko: Kohdistaa ja skaalaa infrastruktuuriresursseja dynaamisesti tekoälyn työkuormien muuttujien kysynnän perusteella.
• Edge AI -infrastruktuuri: Sallii tekoälymallien ja agenttien käyttöönoton verkoston reunassa käyttötapauksille, joilla on yksilöllisiä viive- tai yksityisyysvaatimuksia.
• Self-Healing -infrastruktuuri: Käyttää tekoälyä hallitakseen järjestelmän palautusta ilman manuaalista syöttämistä, mikä varmistaa korkean saatavuuden.
• Kestävä tekoälyn laskenta: Energiatehokkaat lähestymistavat tekoälyn työkuormitusten ympäristövaikutusten vähentämiseksi.
• Kustannusten ja hiilidioksidipäästöjen huomioiminen automaattisesti: Käyttää FinOps-objekteja ja kestävän kehityksen signaaleja edistääkseen kapasiteetin skaalautumista ja sijoittamista.

Funktio: Integraatiokerros toimii universaalina viestintävälineenä kaikille järjestelmille (vanhoille ja uusille) API-rajapintojen, tapahtumien, protokollien ja välisovellusten kautta, jotta agentit voivat löytää ja käyttää palveluja, dataa ja työkaluja saumattomasti.

Mikä on erilaista verrattuna tämänhetkiseen: Integraation täytyy kehittyä tukeakseen tekoälyn agenttien dynaamisia ja monesta moneen -viestintäkuvioita, eikä vain käsitellä esimääritettyjä staattisia vuorovaikutuksia muutamien tunnettujen järjestelmien välillä. Se vaatii reaaliaikaista datan käsittelyä ja sen täytyy tukea agenttien välistä ad hoc -havaintoa ja yhteistyötä.

Tärkeimmät teknologiaominaisuudet:

• Operatiivisen datan yhteyden myyntiputki: AI-automaattisia työkaluja skeemojen automaattiseen kartoittamiseen, datan transformaatioon ja työnkulkujen luomiseen, mukaan lukien API-ohjautuneet, tapahtumiin perustuvat ja käänteisen ETL-ominaisuudet.
• Adaptiivinen API-hallinta ja palvelun verkko: API-yhdyskäytävät ja palvelun verkkoteknologia, jotka voivat rekisteröidä, löytää ja hallita palveluita dynaamisesti agenttien mukautettujen käytäntöjen avulla.
• Semanttiset Knowledge-sovittimet: Integrointikomponentti, joka tarjoaa agenteille ja sovelluksille jaetun sanaston ja datamallin datan yhdenmukaista tulkintaa varten.
• Tapahtumiin perustuva integraatiokaavio: Suuren läpimenoasteen, vähäisen viiveen viestintä ja streaming-perusjoukko, joka mahdollistaa irrotetun, asynkronisen viestinnän.
• Agentin protokollan yhdyskäytävä: MCP-palveluiden yhdyskäytävä, joka sallii agenttien löytää työkaluja ja käynnistimen toimintoja turvallisesti ja luo sillan MCP:lle sisäisiin API-rajapintoihin ja tapahtumiin.
• Yhdistelmäkyvyn katalogi ja markkinapaikka: Keskitetty ja hallittu katalogi kaikille yrityksen ominaisuuksille — API-rajapinnoille, palveluille, agenttien taidoille, malleille ja datajoukoille — annotaatiolla semanttisella metadatalla tarvittaessa.

Funktio: Tämä kerros valvoo ja hallitsee agenttien ja koko järjestelmän kuntoa ja suorituskykyä (observatibility embedded principle), mikä tarjoaa läpinäkyvyyttä ja hallintaa luomalla havaintoja, jotka sallivat yrityksen agenttityöntekijöiden auditoinnin, virheenkorjauksen, selittävyyttä, kustannuksia ja resurssien optimoinnin.

Mikä on erilaista vs tämänhetkinen: Tämä kerros on entistä tärkeämpi, koska tekoälyn agentit voivat aiheuttaa virheitä koneiden nopeudella. Sen täytyy laajentaa infrastruktuurin valvonnan ulkopuolelle sisällyttääkseen mukaan itsenäisten agenttien odottamattomat toimintatavat, jotka vaativat uudenlaista telemetriaa ja kykyä ymmärtää semanttista oikeellisuutta, ei pelkästään teknistä suorituskykyä.

Tärkeimmät teknologiaominaisuudet:

• Reaaliaikainen valvonta ja havaintoalusta: Kerää jatkuvasti lokeja, tilastoja ja seurantatietoja koko IT-ympäristöstä, sekä laajennuksia ML-tilastoille ja agenttien toimintatavoille.
• FinOps ja Cloudin kustannusten hallinta: Vastuu tekoälyn ja agenttien työkuormien infrastruktuurikustannusten valvonnasta, analysoinnista ja optimoinnista.
• Agentti- ja ML-kohtainen valvonta: Kirjaa agentin suorituksen jokaisen vaiheen muuttumattomaan kirjausketjuun ja profiloi agenttien toimintatavat jatkuvasti havaitakseen poikkeuksia vakiomuotoisiin normeihin.
• AIOps, Vahinkotapahtumien ja muutosten hallinta: Käyttää tekoälyä/ML:ää ennustaakseen mahdollisia IT-ongelmia, tunnistaakseen juurisyitä ja luodakseen korjaustyönkulkuja.
• Suljettu oppimateriaalien palautteen silmukka: Integroi agenttien havaittavuuden telemetrian takaisin MLOps-putkeihin, mikä mahdollistaa mallin automatisoidun uudelleenkoulutuksen tai kehotteiden säädön.
• Semanttinen havaintojärjestelmä: Integroi havaittavuuden kontekstualisointia varten semanttiselle kerrokselle, jotta agenttien toimintatavan semanttiset poikkeamat voidaan havaita.

Käyttötarkoitus: Tämä kerros upottaa Trustin ja turvallisuuden koko arkkitehtuuriin suojelemalla yrityksen resursseja uhilta, hallitsemalla riskejä ja varmistamalla lakisääteisten vaatimusten noudattamisen. Se kattaa henkilöllisyyden hallinnan, uhkien havaitsemisen, GRC:n ja tekoälykohtaiset suojaustoimenpiteet.

Mikä on erilaista verrattuna tämänhetkiseen: Suojauskerroksen täytyy kehittyä vastaamaan tekoälymallien ja agenttien esittämiin uusiin hyökkäysalueisiin, kuten kehote-injektioon ja mallin myrkytykseen. Henkilöllisyyden ja käyttöoikeuksien hallinnan täytyy siirtyä staattisista rooleihin perustuvista ohjaimista dynaamisiksi, tarkoihin perustuviksi käyttöoikeuksiksi, jotka myönnetään suoraan ja mitätöidään välittömästi käytön jälkeen.

Tärkeimmät teknologiaominaisuudet:

• LLM-syöttö-/lähtösuojaus ja suojaus: Yrityssuojaimet, joita käytetään kehotteiden ja vastausten aikana estääkseen suojaamatonta sisältöä, henkilötietojen vuotoja ja vankilavuotoja.
• Zero Trust -arkkitehtuuri tekoälyn vahvistuksella: Jatkuva todennus parannettuna tekoälyn perustuvalla toimintatavan analyysillä, joka tarjoaa agenteille tarkkoja ja oikeita käyttöoikeuksia heidän tiettyyn tehtäväänsä perustuen.
• Agentin suojauskehys: Hienosäädettyjä käyttöoikeusmalleja, haitallisten toimintatapojen valvontaa ja ohjausmekanismeja, jotka häiritsevät agenttien toimintoja turvallisesti.
• AI-mallin suojaus: Syvällinen puolustusstrategia, joka sisältää ohjaimia mallin elinkaaren jokaisessa vaiheessa suojautuakseen myrkytyksiltä, poistoilta ja vastustavien hyökkäyksiltä.
• Yksityisyyden säilyttäminen: Luottamuksellisten tietojen suojaamiseen käytetään tekniikoita, kuten yhdistettyä oppimista ja yksityisyyttä.
• AI-parannettu GRC: Käytä tekoälyagentteja valvoaksesi IT-arkkitehtuurin jatkuvaa yhteensopivuutta ohjaimien kanssa.
• Policy-as-Code -järjestelmä: Yksittäinen totuuden lähde liiketoimintasääntöjen ja vaatimustenmukaisuusrajoitusten määrittämiseen deklaratiivisessa, koneellisesti luettavassa muodossa agenttien toimintatavan varmistamiseksi.
• Jatkuva Red-Teaming: AI-mallien ja agenttien automatisoitu ja jatkuva vastakkainen testaus tunnistaakseen haavoittuvuudet ennen kuin hyökkääjät hyödyntävät niitä.

Agenttiseksi yritykseksi muuttaminen vaatii monivaiheisen matkan määrittämällä teknologian perusteet ja luomalla konkreettista liiketoiminta-arvoa (ks. alla oleva kuva 3). Tarkka etenemissuunnitelma riippuu yrityksen strategiasta, kulttuurista, tekoälyn hallintamallista ja IT-arkkitehtuurin lähtökohdasta, mutta useimpien organisaatioiden tulisi noudattaa vaiheittaista lähestymistapaa, kun IT-investoinnit jatkuvat ja edistävät niiden vaikutusaluetta, monimutkaisuutta ja arvon luomista. Salesforcen agenttien kypsymismalli tarjoaa hyödyllisen kehyksen kypsymistasoille, jotta yritykset voivat strategisoida transformaationsa. Se kuvaa, miten agenttien kyvyt voivat kasvaa perustietojen hakemisesta (taso 1) monimutkaisempien usean toimialueen (taso 2 ja 3) ja usean agentin työnkulkujen orkestroimiseksi (taso 4). Jotta IT-arkkitehtuuri voisi edetä näiden vaiheiden läpi onnistuneesti, sen täytyy kehittyä yhdenmukaisesti ja kohdennettuja investointeja arkkitehtuurin eri kerroksille jokaisessa vaiheessa vastaamaan AI-agenttien monimutkaisempien ja arvokkaampien käyttöönottojen tarpeita. Jokaiselle kypsyystasolle yksilöidään yksittäiset teknologiaominaisuudet, jotka vaaditaan 11 arkkitehtuuritasolla, ja sijoituksen peruste.

Kestymistaso 1: Tietojen noutamisen agentit

Liiketoimintatavoite ja arvo: Paranna työntekijöiden tuottavuutta tarjoamalla luotettavan ja selkokielisen käyttöliittymän yrityksen Knowledgen kyselemiseen. Ensisijainen arvo on ihmisten kykyjen parantaminen, ei niiden korvaaminen. Nämä agentit auttavat ihmisiä noutamalla tietoja ja suosittelemalla toimintoja.

Arkkitehtuurinen keskitys: Keskitymme luomaan turvallisen ja luotettavan datan perustan ja tietojen noutamiseen tarvittavat perus tekoälykomponentit. Hallinta ja havaittavuus ovat tärkeitä ensimmäisestä päivästä alkaen käyttäjien Trustin rakentamiseksi ja kustannusten hallitsemiseksi.

Tärkeimmät teknologian investoinnit (kuva 4):

Tässä vaiheessa IT:n tulisi keskittyä luotettavan datasta agentille -putken ja muiden perustoimintojen luomiseen. Datakerroksen teknologiat, kuten VectorDB, ovat välttämättömiä, jotta voit ottaa käyttöön haun parannetun generoinnin (RAG) tekniikat, jotka tukevat tietojen noutoagentteja. Tämä yhdistetään keskitetyn AI/ML-kerroksen kanssa, joka sisältää mallin yhdyskäytävän, joka tarjoaa turvallisen ja kustannustehokkaan pääsyn perusmalleihin, sekä AI Trust, Safety & Governance Hubin, joka valvoo epäsuojaisia tuloksia ja varmistaa vaatimustenmukaisuuden. Semanttisen kerroksen päätietojen hallinta ja liiketoiminnan sanastot ovat tärkeitä, jotta agentit voivat noutaa paikkansapitäviä tietoja. Agenttien suorituksen aikaiset ja elinkaaren ominaisuudet vaaditaan, jotta tässä vaiheessa luotuja agentteja voidaan muokata ja laajentaa myöhempää käyttöä varten. Jotta kokemusten kerroin voisi tarjota arvoa ja parantaa käyttäjien luottamusta, sen täytyy sisältää käyttöliittymä Attribution & Transparency, joka tekee agenttien vastauksista selkeitä näyttämällä lainausmerkkejä ja niiden tietolähteitä. Perustason havaittavuus- ja turvallisuusinvestoinnit (esimerkiksi nolla trust) täytyy aloittaa toteutuksen, jotta agenttien tulevia käyttöönottoja voidaan kehittää.

Kestymistaso 2: Yksinkertainen orkestrointi, yhden toimialueen agentit

Liiketoimintatavoite ja arvo: Automatisoi rutiinitehtäviä ja orkestroi monimutkaisia työnkulkuja yhdessä liiketoiminta-alueessa. Tämä parantaa toimintatehokkuutta ja vähentää manuaalista työtä, jolloin työntekijät voivat keskittyä arvokkaisiin toimintoihin.

Arkkitehtuurinen keskitys: Tärkein muutos arkkitehtuurissa on Vain luku -muotoisen datan noutaminen toimintojen suorittamiseen. Tämä vaatii pitkän matkan aloittamista sovellusten ominaisuuksien modularisoimiseksi (joita näytetään usein API-rajapinnoina), jotta agentit voivat käyttää niitä, tehokkaan suojauksen käyttöönottoa agenttien toiminnoille sekä semanttisten ja tekoälyn kehitysominaisuuksien rakentaminen tekoälyn agenteille.

Tärkeimmät teknologian investoinnit (kuva 5):

Investoinnit keskittyvät temaattisesti siihen, että tekoälyn agentit voivat ryhtyä toimiin asianmukaisella hallinnalla. Sovellusten ja sovellusten palvelutasossa tapahtuu kriittinen muutos, kun monoliittinen liiketoimintalogiikka pilkotaan moduulisiksi sovelluspalveluiksi (API), joita agentit voivat soittaa. Ne on suojattu Sovelluksen vartijatunnisteilla estääkseen agentteja tukahduttamasta järjestelmiä, ja ne on integroitu havaittavuustyökaluihin. Jotta nämä agentit toimisivat tehokkaasti, heidän täytyy investoida agenttien perusteluihin, työkaluprotokollisiin (kuten MCP) ja rekisteriin. Tämä tuo esiin uusia riskejä, joten erityinen agenttien suojauskehys ja tekoälymalli sekä agenttien valvontaominaisuudet ovat välttämättömiä hallinnalle ja tietoturvalle. Lopuksi yritykset voivat aloittaa tekoälyn/ML-ominaisuuksien skaalaamisen mukautetuille malleille, jotta agentit voivat käsitellä toimialuekohtaisia tehtäviä.

Kestymistaso 3: Usean toimialueen orkestrointiagentit

Liiketoimintatavoite ja arvo: Automaatioi monimutkaiset ja kokonaisvaltaiset liiketoimintaprosessit, jotka kattavat organisaatioiden ja toimintojen rajat (kuten "tarjous käteistä", "liidi tilaukseen"). Arvo on silojen pilkkomisessa, prosessien syklien nopeuttamisessa ja koko arvoketjujen optimoinnissa yrityksessä. Työntekijöiden tuottavuudessa voi tapahtua suurempia vaiheittaisia muutoksia, kun organisaation esteet alkavat rikkoutua ja ihmiset alkavat keskittyä enemmän tekoälyagenttien valvontaan.

Arkkitehtuurinen keskitys: Arkkitehtuurin täytyy nyt tukea kattavia teknisiä ongelmia. Yhteinen semanttinen ymmärrys koko organisaatiossa, hallinnan keskittynyt orkestrointijärjestelmä ja irrotettu, tapahtumiin perustuva integraatiokehys ovat tärkeitä käyttöönottajia.

Tärkeimmät teknologian investoinnit (kuva 6):

Tekniikkainvestoinnit keskittyvät teema-arvoisesti prosessien organisointiin yritystasolla ihmisten, agenttien ja determinististen järjestelmien välillä. Enterprise Orchestration Layerista tulee keskeinen sijoituskohde, joka vaatii toimintojen koordinointiin hybridityönkulkujen suoritusjärjestelmän sekä liiketoimintasääntöjen ja vaatimustenmukaisuuskäytäntöjen noudattamiseen käytettävän prosessin hallinta- ja rajoitusjärjestelmän, koska agentit työskentelevät eri toimialueilla, usein eri käytännöillä ja semanttisilla määritelmillä. Tämä toimialueiden välinen koordinointi on mahdollista vain kypsällä semanttisella kerroksella, joka sisältää Enterprise Knowledge Graphin (EKG), joka luo yhteisen käsityksen siitä, miten liiketoimintayksiköt liittyvät eri toimialueisiin. Integraatiokerroksen täytyy kehittyä sisältämään tapahtumiin perustuva integraatiokaavio, joka käyttää streaming-perusjoukkoa irrottaakseen järjestelmät ja salliakseen kestävän, asynkronisen viestinnän, joka on tyypillistä pitkäaikaisille yritysprosesseille. Kun otetaan huomioon näiden työnkulkujen korkeampi arvo ja siihen liittyvät riskit, tietoturvaan ja valvontaan tehtävät lisäinvestoinnit ovat tärkeitä (esimerkiksi AIOps, policy-as-code). Lopuksi on tehtävä lisää investointeja Sovellus- ja Palvelutasoon (kuten AI-käyttöön perustuva LCNC, dynaamisempia ja multimodaalisempia käyttäjäkokemuksia), kun käyttäjät alkavat valvoa ja tehdä yhteistyötä tehokkaampien tekoälyn agenttien kanssa.

Kestymistaso 4: Usean agentin, usean toimialueen orkestrointi

Liiketoimintatavoite ja arvo: Suunnittele ja optimoi liiketoiminta eri toimialueiden välillä edistääksesi vaiheittaisia muutoksia tuottavuudessa ja tehokkuudessa. Tämä vaihe siirtyy luomaan kokonaisvaltaisen digitaalisen simuloinnin (digitaalinen kaksikko) yrityksestä jatkuvaa parantamista ja strategista suunnittelua varten suurissa liiketoimintaprosesseissa ja työnkuluissa.

Arkkitehtuurinen keskitys: Viimeinen vaihe keskittyy agenttien välisen dynaamisen ja kehittyvän yhteistyön käyttöönottoon. Tämä vaatii edistyneitä agentilta agentille (A2A) -viestintäprotokollia, agenttien itseoppimiskykyä, lisää investointeja orkestroinnin, datan ja semanttisen kerroksen kypsymiseen sekä täysin dynaamista ja itsehoitavaa infrastruktuuria, joka tukee dynaamisten tekoälyn työkuormien kasvavia tarpeita, kun agentteja laajennetaan koko organisaatiossa.

Tärkeimmät teknologian investoinnit (kuva 7):

Teema-investoinnit keskittyvät itseparantavan ja itsenäisen järjestelmän luomiseen. Agentin kerroksessa Agentin itseruunnittelun ja sopeutumisen kehysjärjestelmä tarjoaa agentille mekanismin, jolla hän voi analysoida omia suorituskykylokejaan ja käynnistää parannuksia. Tätä oppimista tukee IT-toimintojen ja havaintojen kerros, joka toteuttaa suljetun oppimispalautteen silmukan syöttääkseen havaintojen datan automaattisesti takaisin MLOps-putkistoihin mallin uudelleenkoulutusta varten, mikä voi myös hyödyntää synteettistä datan luomista mallin suorituskyvyn optimoimiseksi. Kun agenttien verkostoja otetaan käyttöön eri osastoissa ja sovellusten modularisointi on käynnissä, agenttien täytyy investoida entisestään tietoturvaan ja ennen kaikkea yhdistettävään kykykatalogiin, jotta he voivat dynaamisesti koostella kykyjä ratkaistakseen abstraktimpia ja arvokkaampia tehtäviä. Nämä prosessit on kaikki organisoitu ja optimoitu uudella Digital Twin Process Modeling -ominaisuudella, joka käyttää reaaliaikaista dataa luodakseen simulaatioita mitä jos -analyysiä ja ennakoivaa optimointia varten, jolloin yritys voi turvallisesti testata ja ottaa käyttöön uusia agenttien käyttöönottoja.

Tarkistus

Agenttiyrityksen etenemissuunnitelma perustuu IT-arkkitehtuurin muutokseen. Enterprise-arkkitehdit ovat tämän transformaation tärkeimpiä edistäjiä, jotka ohjaavat kriittisiä sijoituspäätöksiä yhdessä muiden liiketoiminta- ja IT-kumppaneiden kanssa, jotta organisaatio voi hyödyntää agenttiyrityksen uusien liiketoimintaominaisuuksien arvoa.