智能体人工智能（Agentic AI）频频登上新闻头条，但研究显示，目前企业应用智能体人工智能的成果参差不齐，一些研究发现，仅有14%的企业将智能体人工智能投入生产环境。为何前景与现实之间存在如此大的差距？许多组织尚未做好应用智能体人工智能的准备，这使得“人工智能就绪”有了全新的含义。在本文中，我将预览我们即将举办的网络研讨会的部分内容，该研讨会将探讨智能体人工智能的严格要求，以及如何通过构建正确的数据基础来满足这些要求。
全新的游戏规则：为什么智能体人工智能打破了传统的数据管道？
为什么智能体人工智能的数据需求与传统人工智能应用如此不同？许多网友将人工智能和智能体人工智能的区别比作导航应用和自动驾驶汽车的区别。它们不仅能找到目的地，还能实时导航，引导你到达目的地。因此，在数据方面，它们需要描述当前时刻的实时数据。它们还需要访问正确的数据，而不是可能只在训练模块中使用过一次的临时数据集。最后，它们需要安全防护措施，即使它们“想要”这样做，也无法删除生产数据库。
实时数据：为什么人工智能代理在批量快照处理中会失败
传统的数据管道将数据传输到中央存储库，将运营信息转换为历史快照。虽然这种方式适用于商业智能 (BI) 报表，但自主代理在推理时需要实时掌握态势感知。一旦代理依赖于过时的数据提取……那么，它的决策就会开始动摇并失去准确性。
遗憾的是，即使是最新、配置最齐全的数据湖库也无法提供对所有适用数据源的实时访问，无论这些数据源位于湖库内部、外部，还是位于一个或多个云系统中。然而，在所有这些数据源上插入一个专用的AI数据层，即可按需将AI代理连接到实时源系统，从而消除持续物理数据复制造成的延迟问题。AI代理实际上无法承受超过几毫秒的延迟。
正确的数据：通过主动上下文预防失败
能够访问实时系统只是成功的一半；智能体还必须能够随时访问到满足当前需求的正确数据。典型的企业管理着数十种甚至更多的数据库技术和工具，企业数据的蔓延使得直接、未经筛选的查询变得难以预测。期望人工智能智能体在成千上万个原始表中准确找到所需字段，将会导致处理延迟和错误结果。
代理需要动态上下文——元数据智能、实时可用性以及通过跨平台语义层实现的标准化业务定义相结合。企业并非直接暴露原始数据库结构，而是通过提供预先整理、可通过 API 访问的数据产品来取得成功，这些数据产品针对特定工作流程量身定制，并增强了动态上下文。
除了实时数据外，无论底层基础设施多么复杂，AI 数据层还可以通过主动上下文为代理提供对正确数据的访问。
可信的护栏：约束代理人的权力
由于智能体人工智能以自主方式运行，其错误的影响范围远大于静态仪表盘或标准聊天机器人。正如我前面提到的，人工智能代理本质上既能带来益处也能造成损害，因此需要有效的安全防护措施来约束它们。要实现这些防护措施，不能简单地在各个源系统中应用数据治理策略。通过在人工智能数据层中建立集中式访问控制、安全策略和审计跟踪，可以在查询点自动执行这些安全防护措施，从而防止可预见的灾难发生。
启动你的人工智能引擎
好消息是，AI 数据层可以添加到任何现有的数据基础设施之上，包括数据湖和云应用，而无需进行复杂的迁移操作。要了解 AI 数据层如何满足智能体 AI 的需求，请参加我们的“ AI 制胜之道：数据驱动”研讨会。本次研讨会将邀请 IDC 研究副总裁 Stewart Bond 和来自 Denodo 的数据/AI 专家作为特邀嘉宾，深入探讨智能体 AI 的最新趋势，并提供增强自主智能体数据基础的实用策略。
