Bedrijven investeren miljarden dollars in AI-agenten en -infrastructuur om bedrijfsprocessen te transformeren. We zien echter beperkt succes in toepassingen in de echte wereld, vaak vanwege het onvermogen van agenten om dat echt te doen bedrijfsgegevens begrijpenbeleid en processen.
Hoewel we de integraties goed beheren met technologieën als API-beheer, modelcontextprotocol (MCP) en andere, is het een ander verhaal als agenten de ‘betekenis’ van gegevens in de context van een bepaald bedrijf echt begrijpen. Bedrijfsgegevens worden meestal in verschillende systemen in gestructureerde en ongestructureerde vormen ondergebracht en moeten worden geanalyseerd met een domeinspecifieke bedrijfslens.
De term ‘klant’ kan bijvoorbeeld verwijzen naar een andere groep mensen in een Sales CRM-systeem, vergeleken met een financieel systeem dat deze tag kan gebruiken voor betalende klanten. Eén afdeling zou ‘product’ kunnen definiëren als een SKU; een ander kan een “product” -familie voorstellen; een derde als marketingbundel.
Gegevens over ‘productverkoop’ variëren dus in betekenis zonder overeengekomen relaties en definities. Als agenten gegevens uit meerdere systemen willen combineren, moeten ze verschillende representaties begrijpen. Agenten moeten weten wat de gegevens in hun context betekenen en hoe ze de juiste gegevens voor het juiste proces kunnen vinden. Bovendien kunnen schemawijzigingen in systemen en problemen met de gegevenskwaliteit tijdens het verzamelen leiden tot meer dubbelzinnigheid en het onvermogen van agenten om te weten hoe ze moeten handelen wanneer dergelijke situaties zich voordoen.
Bovendien moet de classificatie van gegevens in categorieën zoals PII (persoonlijk identificeerbare informatie) strikt worden gevolgd om te voldoen aan normen als AVG en CCPA. Dit vereist dat de gegevens correct worden geëtiketteerd en dat agenten deze classificatie kunnen begrijpen en respecteren. We zien dus dat het bouwen van een coole demo met behulp van agenten heel goed te doen is – maar het in productie nemen van het werken met echte bedrijfsgegevens is een heel ander verhaal.
De op ontologie gebaseerde bron van waarheid
Effectief bouwen agentische oplossingen vereist een op ontologie gebaseerde enkele bron van waarheid. Ontologie is een zakelijke definitie van concepten, hun hiërarchie en relaties. Het definieert termen met betrekking tot bedrijfsdomeinen, kan helpen bij het opzetten van één enkele bron van waarheid voor gegevens, het vastleggen van uniforme veldnamen en het toepassen van classificaties op velden.
Een ontologie kan domeinspecifiek zijn (gezondheidszorg of financiën), of organisatiespecifiek op basis van interne structuren. Het vooraf definiëren van een ontologie is tijdrovend, maar kan helpen bedrijfsprocessen te standaardiseren en er een sterke basis voor te leggen agentische AI.
Ontologie kan worden gerealiseerd met behulp van algemene doorzoekbare formaten zoals triplestore. Complexere bedrijfsregels met multi-hop-relaties zouden gelabelde eigenschapsgrafieken zoals Neo4j kunnen gebruiken. Deze grafieken kunnen bedrijven ook helpen nieuwe relaties te ontdekken en complexe vragen te beantwoorden. Ontologieën zoals FIBO (Finance Industry Business Ontology) en UMLS (Unified Medical Language System) zijn beschikbaar in het publieke domein en kunnen een zeer goed startpunt zijn. Deze moeten echter meestal worden aangepast om specifieke details van een onderneming vast te leggen.
Aan de slag met ontologie
Eenmaal geïmplementeerd kan een ontologie de drijvende kracht zijn voor bedrijfsagenten. We kunnen AI nu aanzetten om de ontologie te volgen en deze te gebruiken om gegevens en relaties te ontdekken. Indien nodig kunnen we een agentische laag de belangrijkste details van de ontologie zelf laten bedienen en gegevens ontdekken. In deze ontologie kunnen bedrijfsregels en -beleid worden geïmplementeerd waaraan agenten zich moeten houden. Dit is een uitstekende manier om uw agenten te gronden en vangrails te creëren op basis van de echte zakelijke context.
Agenten die op deze manier zijn ontworpen en zijn afgestemd om een ontologie te volgen, kunnen zich aan de vangrails houden en hallucinaties vermijden die kunnen worden veroorzaakt door de grote taalmodellen (LLM) die hen aandrijven. Een bedrijfsbeleid kan bijvoorbeeld bepalen dat, tenzij voor alle documenten die aan een lening zijn gekoppeld, de geverifieerde vlaggen niet op ’true’ zijn ingesteld, de status van de lening in de status ‘in behandeling’ moet worden gehouden. Agenten kunnen dit beleid omzeilen en bepalen welke documenten nodig zijn en de kennisbank raadplegen.
Hier is een voorbeeldimplementatie:
(Originele figuur van auteur)
Zoals geïllustreerd hebben we gestructureerde en ongestructureerde gegevens verwerkt door een document intelligence-agent (DocIntel) die een Neo4j-database vult op basis van een ontologie van het zakelijke domein. Een data-discovery-agent in Neo4j vindt en bevraagt de juiste gegevens en geeft deze door aan andere agenten die de uitvoering van bedrijfsprocessen verzorgen. De communicatie tussen agenten vindt plaats met een populair protocol zoals A2A (agent to agent). Een nieuw protocol genaamd AG-UI (Agent User Interaction) kan helpen bij het bouwen van meer generieke UI-schermen om de werking en reacties van deze agenten vast te leggen.
Met deze methode kunnen we hallucinaties vermijden door agenten te dwingen ontologie-gedreven paden te volgen en dataclassificaties en relaties te onderhouden. Bovendien kunnen we gemakkelijk opschalen door nieuwe middelen, relaties en beleid toe te voegen waar agenten automatisch aan kunnen voldoen, en kunnen we hallucinaties beheersen door regels te definiëren voor het hele systeem in plaats van voor individuele entiteiten. Als een agent bijvoorbeeld een individuele ‘klant’ hallucineert, omdat de verbonden gegevens voor de gehallucineerde ‘klant’ niet verifieerbaar zullen zijn bij het ontdekken van de gegevens, kunnen we deze anomalie gemakkelijk detecteren en plannen maken om deze te elimineren. Dit helpt het agentsysteem mee te schalen met het bedrijf en het dynamische karakter ervan te beheren.
Een referentiearchitectuur als deze voegt inderdaad wat overhead toe bij het ontdekken van gegevens en grafische databases. Maar voor een grote onderneming voegt het de juiste vangrails toe en geeft het agenten instructies om complexe bedrijfsprocessen te orkestreren.
Dattaraj Rao is innovatie- en R&D-architect bij Persistente systemen.
Lees meer van onze gastschrijvers. Of overweeg om zelf een bericht te plaatsen! Zie onze richtlijnen hier.
