📢 转载信息
原文作者：MIT Technology Review Insights
数字弹性——即预防、承受和从数字中断中恢复的能力——长期以来一直是企业的战略重点。随着智能体式AI（Agentic AI）的兴起，对强大弹性的需求比以往任何时候都更为迫切。
智能体式AI代表了一种新一代的自主系统，它们能够主动规划、推理并以最少的人工干预执行任务。随着这些系统从实验性试点转向企业运营的核心要素，它们带来了新的机遇，但在确保数字弹性方面也引入了新的挑战。这是因为智能体式AI运行的自主性、速度和规模可能会放大即使是微小的数据不一致、碎片化或安全漏洞所带来的影响。
在全球对AI的投资预计将在2025年达到1.5万亿美元的同时，不到一半的企业领导者对其组织在意外事件中保持服务连续性、安全性和成本控制的能力充满信心。这种信心不足，加上智能体式AI的自主决策及其与关键基础设施交互所带来的深刻复杂性，要求我们重新构想数字弹性。
各组织正转向数据编织（data fabric）的概念——这是一种集成架构，用于连接和治理企业所有层级的信息。通过打破孤岛并实现对企业级数据的实时访问，数据编织可以赋能人类团队和智能体式AI系统，使其能够感知风险、在问题发生前进行预防、在问题发生时快速恢复，并维持运营。
机器数据：智能体式AI和数字弹性的基石
早期的AI模型在很大程度上依赖于人类生成的数据，如文本、音频和视频，但智能体式AI需要深入了解组织产生的机器数据：设备、服务器、系统和应用程序生成的日志、指标和其他遥测数据。
要利用智能体式AI来推动数字弹性，它必须能够无缝、实时地访问这种数据流。如果没有对机器数据的全面集成，组织就有风险限制AI的能力、错过关键异常情况或在输出或操作中引入错误。Kamal Hathi，思科旗下公司Splunk的高级副总裁兼总经理强调，智能体式AI系统依赖机器数据来理解上下文、模拟结果并持续适应。这使得机器数据的监督成为数字弹性的基石。
Hathi表示：“我们经常将机器数据描述为现代企业的心跳。智能体式AI系统由这一至关重要的脉冲驱动，需要对信息的实时访问。至关重要的是，这些智能代理必须直接在复杂的机器数据流上运行，并且AI本身必须使用完全相同的数据流进行训练。”
目前很少有组织能够达到完全支持智能体系统所需的机器数据集成水平。这不仅缩小了智能体式AI可能用例的范围，更糟糕的是，还可能导致数据异常以及输出或操作中的错误。在生成式预训练转换器（GPTs）出现之前设计的自然语言处理（NLP）模型一直受到语言歧义、偏见和不一致性的困扰。如果组织在没有为模型提供机器数据基础知识的情况下急于求成，智能体式AI也可能发生类似的失误。
对于许多公司来说，跟上AI惊人发展速度一直是一个巨大的挑战。Hathi说：“从某种意义上说，这种创新的速度开始损害我们，因为它创造了我们尚未准备好的风险。”他补充道：“问题在于，随着智能体式AI的演进，当你需要系统安全、有弹性且始终可用时，依赖于训练于人类文本、音频、视频或印刷数据的传统LLM是行不通的。”
为弹性设计数据编织
为了解决这些不足并构建数字弹性，技术领导者应该转向Hathi所描述的数据编织设计，这种设计更适合智能体式AI的需求。这涉及到将来自安全、IT、业务运营和网络的碎片化资产编织在一起，以创建集成架构，连接不同的数据源，打破孤岛，并实现实时分析和风险管理。
Hathi说：“一旦你拥有了单一视图，你就可以做所有这些自主的和智能体式的事情。”他补充说：“你的盲点会少得多。决策速度会快得多。而且未知因素不再是恐惧的来源，因为你拥有一个能够吸收这些冲击和中断而不会失去连续性的整体系统。”
为了创建这种统一的系统，Hathi表示，数据团队必须首先打破数据共享的部门孤岛。然后，他们必须实施联邦数据架构——一个去中心化的系统，其中自主的数据源作为一个单元协同工作，而无需物理合并——以创建一个统一的数据源，同时维护治理和安全。最后，团队必须升级数据平台，以确保这种新统一的视图对智能体式AI是可操作的。
在此过渡期间，如果团队依赖于模仿结构化数据的传统平台（即主要是定量信息，如客户记录或财务交易，可以组织成预定义格式（通常在表中）且易于查询），他们可能会遇到技术限制。相反，公司需要一个也能够管理非结构化数据流的平台，例如系统日志、安全事件和应用程序跟踪，这些数据流缺乏统一性，通常是定性的而非定量的。分析、组织和提取这些类型数据中的见解需要由AI支持的更先进的方法。
利用AI作为协作者
AI本身可以成为创建数据编织以赋能AI系统的强大工具。例如，AI驱动的工具可以快速识别不同数据（无论是结构化还是非结构化）之间的关系，并自动将它们合并成一个事实来源。它们可以检测和纠正错误，并利用NLP对数据进行标记和分类，使其更易于查找和使用。
智能体式AI系统还可以用来增强人类在检测和解读企业非结构化数据流中异常情况的能力。这些异常情况通常超出了人类快速发现或解释的能力范围，可能导致遗漏威胁或延误。但是，设计用于感知、推理和自主行动的智能体式AI系统可以填补这一空白，为企业带来更高水平的数字弹性。
Hathi说：“数字弹性不仅仅是承受中断。它关乎随着时间的推移而发展和成长。AI代理可以处理海量数据，并不断向提供安全和监督的人类学习。这是一个真正的自优化系统。”
人在回路中（Humans in the loop）
尽管潜力巨大，但智能体式AI应被定位为辅助智能。如果缺乏适当的监督，AI代理可能会引入应用程序故障或安全风险。
Hathi表示，明确定义的安全护栏和保持“人在回路中”是“值得信赖和实用地使用AI的关键”。“AI可以增强人类的决策能力，但最终，人类才是驾驶员。”
本内容由《麻省理工科技评论》的定制内容部门Insights制作。它并非由《麻省理工科技评论》的编辑人员撰写。它由人类作家、编辑、分析师和插画家进行研究、设计和撰写。这包括调查的撰写和调查数据的收集。可能使用的AI工具仅限于经过全面人工审查的次要生产流程。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区