Репортаж от Wedoany，Индийский поставщик услуг в области данных и ИИ, компания Celebal Technologies, недавно запустила решение Agent Garage для корпоративных операций и интегрировала его с платформой данных и ИИ американской компании Databricks, чтобы помочь предприятиям в таких отраслях, как производство, энергетика, финансы и здравоохранение, быстрее внедрять ИИ-агентов. В частности, производственные предприятия смогут использовать предустановленные отраслевые тематические библиотеки, корпоративные механизмы управления и многолетнюю систему совместной работы агентов, чтобы перевести ИИ-агентов из экспериментальной среды в производственные и операционные сценарии.
Ключевая цель этого сотрудничества — объединить в единой платформенной среде то, что производственным предприятиям сложнее всего обрабатывать: «основу данных, бизнес-процессы и выполнение ИИ». Раньше, внедряя ИИ-приложения, производственные предприятия часто начинали с точечных сценариев, таких как прогностическое обслуживание оборудования, предупреждение о запасах, контроль качества, оптимизация производственных планов или выявление аномалий в цепочке поставок. Однако эти сценарии легко ограничивались информационными изолятами: данные об оборудовании находятся в промышленных системах, данные о заказах и запасах — в ERP, данные о качестве — в MES или лабораторных системах, а данные о поставщиках и логистике разбросаны по внешним платформам. Если ИИ-агент может вызывать только локальные данные, ему трудно по-настоящему понять взаимосвязь между производственной площадкой, планами закупок, уровнем запасов, состоянием оборудования и заказами клиентов. Agent Garage от Celebal, построенный на платформе данных и ИИ Databricks, фокусируется не на предоставлении отдельного чат-бота, а на соединении корпоративных данных, бизнес-правил, управления правами доступа, оркестровки задач и вызова моделей, что позволяет ИИ-агентам выполнять межсистемные рассуждения и выполнение процессов в контролируемой среде. Для производственных предприятий ценность такого решения заключается в сокращении расстояния от подготовки данных до бизнес-действий: когда возникают аномалии оборудования, нехватка сырья, изменения заказов или затоваривание склада, ИИ-агент может принимать решения на основе единой базы данных, генерировать рекомендации по обработке, запускать последующие процессы и сохранять отслеживаемые записи.
Предустановленная отраслевая тематическая библиотека Agent Garage для производственных предприятий является важной частью снижения порога внедрения.
Чтобы ИИ-агенты в производстве действительно вошли в производственные сценарии, необходимо решить не только вопрос «могут ли они отвечать на вопросы», но и включать понимание бизнес-семантики, возможность вызова правильных данных, работу в рамках границ прав доступа, способность объяснять свои решения, а также возможность аудита и постоянной оптимизации. Возможность наблюдения Prompt-to-Outcome, предложенная в решении Celebal, подчеркивает полное отслеживание от подсказок, траекторий выполнения агентов, источников RAG, производительности до обратной связи по результатам, что особенно важно для производственных предприятий. Поскольку многие решения в производственных сценариях могут влиять на планирование производственных линий, остановку оборудования, определение качества, ритм закупок и выполнение заказов клиентов, в случае ошибочных рекомендаций ИИ-агента предприятие должно знать, связана ли ошибка с нехваткой данных, отклонением в понимании модели, неправильной настройкой прав доступа или неполным охватом бизнес-правил. Unity Catalog от Databricks обеспечивает единое управление данными и активами ИИ, MLflow может использоваться для отслеживания производительности моделей и агентов, а возможности рабочих процессов поддерживают оркестровку задач на уровне предметных областей. Объединяя эти платформенные возможности с отраслевыми агентами, Celebal фактически создает для производственных предприятий «управляемый уровень выполнения ИИ-агентов». Это явно отличается от ранних пилотных проектов генеративного ИИ: на пилотном этапе больше внимания уделялось демонстрационным эффектам и одноразовым ответам, в то время как на производственном этапе требуется одновременное выполнение требований к правам доступа, происхождению данных, качеству, аудиту, мониторингу и бизнес-циклам. Производственные предприятия уже вложили значительные средства в системы ERP, MES, SCADA, PLM, WMS и хранилища данных в ходе предыдущей цифровизации. Сможет ли ИИ-агент войти в основные бизнес-процессы, зависит от его способности взаимодействовать с этими существующими системами, а не от создания нового набора изолированных инструментов в обход существующей архитектуры предприятия.
Databricks предоставляет единую основу для выполнения данных и ИИ. Роль Celebal ближе к отраслевому внедрению и инжинирингу агентов.
Такое разделение труда отражает реальную тенденцию в текущем внедрении ИИ на предприятиях: поставщики базовых платформ предоставляют управление данными, выполнение моделей, инструменты разработки и инфраструктуру для агентов, в то время как отраслевые сервис-провайдеры отвечают за преобразование этих возможностей в конкретные бизнес-процессы. Производственным предприятиям нужна не абстрактная «интеллектуализация», а комбинации агентов, способные решать реальные проблемы, такие как агент по обслуживанию оборудования, агент по аномалиям качества, агент по производственному планированию, агент по пополнению запасов, агент по рискам в цепочке поставок, агент по оптимизации энергопотребления и агент по управленческой отчетности. Различные агенты также должны работать совместно: аномалии качества могут повлиять на сроки поставки, изменения в поставках повлияют на запасы и закупки, остановка оборудования изменит производственное расписание, задержка поставщика вызовет замену материалов и оценку затрат. Один агент может обрабатывать только локальные задачи, только многолетняя система агентов может охватить сложную операционную цепочку производственного предприятия. Agent Garage предлагает предустановленные отраслевые тематические библиотеки для таких отраслей, как производство, финансы, энергетика и здравоохранение, что указывает на то, что его цель — не создавать агентов с нуля для каждого предприятия, а сократить цикл внедрения с помощью повторно используемых отраслевых модулей, а затем выполнять настройку в соответствии с собственными системами, структурами данных и требованиями процессов предприятия. Для производственных предприятий, продвигающих промышленный ИИ, такая модель с большей вероятностью приведет к масштабному тиражированию: сначала проверка на одном заводе или в бизнес-домене, а затем расширение на несколько заводов, регионов и продуктовых линеек.
С отраслевой точки зрения, сотрудничество Celebal и Databricks в области ИИ-агентов также отражает переход конкуренции в области ИИ на производственных предприятиях от «возможностей модели» к «операционным возможностям». Производственные предприятия заботятся не о том, насколько велика модель, а о том, может ли ИИ помочь сократить время простоя, уменьшить потери качества, повысить точность планирования, сократить время реагирования на аномалии, оптимизировать использование запасов и повысить прозрачность управления. Если Agent Garage сможет реализовать оркестровку, управление и наблюдаемость агентов на единой базе данных, это поможет производственным предприятиям преобразовать разрозненные активы данных в исполняемые интеллектуальные процессы. Ключевым моментом в дальнейшем является способность решения постоянно демонстрировать эффективность в реальных заводских условиях, включая совместимость с устаревшими системами, способность обрабатывать неструктурированные данные, адаптацию к сложным правам доступа, а также поддержание стабильности и возможности аудита при работе нескольких агентов. По мере того, как спрос производственных предприятий на ИИ-агентов переходит от концептуальных проверок к масштабному развертыванию, способность к совместной работе между платформами данных, отраслевыми сервис-провайдерами и бизнес-командами предприятий будет напрямую определять, смогут ли ИИ-агенты действительно выйти на передовую производства.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
