Аналитика для агентов

Концепции аналитики для агентов

Кто такие "агенты"?

Можно рассматривать ИИ-агентов как цифровых помощников, которые эволюционировали за пределы простой выполнения задач (или вызова функций): они могут понимать контекст, принимать решения и предпринимать значимые действия для достижения конкретных целей. Они работают в рамках цикла "ощущение-мышление-действие" (см. ReAct-агенты), обрабатывая различные входные данные (текст, медиа, данные), анализируя ситуации, а затем предпринимая что-то полезное с этой информацией. Что наиболее важно, в зависимости от области применения, теоретически они могут работать на различных уровнях автономности, требуя или не требуя человеческого надзора.

Революционным шагом в этом стало появление больших языковых моделей (LLM). Хотя концепция ИИ-агентов существует уже довольно долго, LLM, такие как серия GPT, значительно улучшили их способность "понимать" и общаться. Будто они внезапно стали более свободно говорить на "человеческом" языке, то есть способны воспринимать запросы и отвечать с релевантной контекстной информацией, извлеченной из обучения модели.

Суперсилы ИИ-агентов: “Инструменты”

Эти агенты действительно блестят благодаря доступу к “инструментам”. Инструменты усиливают ИИ-агентов, предоставляя им возможности выполнять задачи. Вместо того чтобы просто быть разговорными интерфейсами, они теперь могут выполнять задания, будь то обработка чисел, поиск информации или управление клиентскими коммуникациями. Подумайте об этом как о разнице между тем, кто может описать, как решить проблему, и тем, кто действительно может её решить.

Например, ChatGPT теперь поставляется по умолчанию с инструментом поиска. Эта интеграция с поставщиками поиска позволяет модели получать актуальную информацию из интернета во время разговоров. Это значит, что она может проверять факты в ответах, обращаться к актуальным событиям и данным и предоставлять обновлённую информацию, а не полагаться только на данные, полученные в ходе обучения.

Инструменты также могут быть использованы для упрощения реализации конвейеров генерации с дополнением информации (RAG). Вместо того чтобы полагаться только на то, что ИИ-модель узнала во время обучения, RAG позволяет модели извлекать релевантную информацию перед формированием ответа. Вот пример: использование ИИ-помощника для помощи в поддержке клиентов (например, Salesforce AgentForce, ServiceNow AI Agents). Без RAG он использовал бы только свои общие знания для ответов на вопросы. Но с RAG, когда клиент спрашивает о последней функции продукта, система извлекает самую недавнюю документацию, примечания к релизу и исторические тикеты поддержки, прежде чем составить свой ответ. Это означает, что ответы теперь основаны на последней доступной информации для ИИ-модели.

Модели рассуждений

Еще одним развитием в области ИИ, и, возможно, одним из самых интересных, является появление моделей рассуждений. Системы, такие как OpenAI o1, Anthropic Claude или DeepSeek-R1, используют более методический подход, внедряя шаг "размышления" перед ответом на запрос. Вместо того чтобы сразу генерировать ответ, модели рассуждений используют техники подсказки, такие как Chain-of-Thought (CoT), для анализа проблем с различных сторон, разбивая их на этапы и используя доступные инструменты для сбора контекстной информации по мере необходимости.

Это представляет собой сдвиг к более способным системам, которые могут обрабатывать более сложные задачи через сочетание рассуждений и практических инструментов. Один из последних примеров в этой области — это внедрение глубоких исследований OpenAI, агента, который может автономно проводить сложные многоэтапные исследовательские задачи в интернете. Он обрабатывает и синтезирует информацию из различных источников, включая текст, изображения и PDF-документы, чтобы генерировать комплексные отчёты в течение пяти-десяти минут, задача, которая традиционно заняла бы у человека несколько часов.

Аналитика в реальном времени для ИИ-агентов

Рассмотрим случай агентного ИИ-помощника с доступом к базе данных аналитики в реальном времени, содержащей данные CRM компании. Когда пользователь спрашивает о последних (актуальных) тенденциях продаж, ИИ-помощник запрашивает подключенный источник данных. Он итеративно анализирует данные, чтобы выявить значимые паттерны и тренды, такие как рост по месяцам, сезонные изменения или новые категории продуктов. В конце концов, он генерирует ответ на естественном языке, объясняя ключевые выводы, часто с поддерживающими визуализациями. Когда основной интерфейс основан на чате, как в данном случае, производительность имеет значение, поскольку эти итеративные исследования запускают серию запросов, которые могут просматривать большие объемы данных для извлечения релевантной информации.

Некоторые свойства делают базы данных в реальном времени особенно подходящими для таких нагрузок. Например, базы данных аналитики в реальном времени разработаны для работы с данными, приближенными к реальному времени, позволяя им обрабатывать и предоставлять аналитические данные практически сразу, по мере поступления новых данных. Это критично для ИИ-агентов, так как им может потребоваться актуальная информация для принятия (или помощи в принятии) своевременных и релевантных решений.

Основные аналитические возможности также важны. Базы данных аналитики в реальном времени отлично справляются со сложными агрегациями и обнаружением паттернов в больших наборах данных. В отличие от операционных баз данных, сосредоточенных в первую очередь на хранении или извлечении сырых данных, эти системы оптимизированы для анализа огромных объемов информации. Это делает их особенно подходящими для ИИ-агентов, которые нуждаются в выявлении трендов, обнаружении аномалий и получении практически применимых инсайтов.

Базы данных аналитики в реальном времени также должны обеспечивать высокую производительность для интерактивного запроса, что необходимо для взаимодействия на основе чата и высокочастотных исследовательских нагрузок. Они обеспечивают стабильную производительность даже при больших объемах данных и высокой конкурентности запросов, позволяя поддерживать оперативные диалоги и обеспечивая более плавный пользовательский опыт.

Наконец, базы данных аналитики в реальном времени часто служат идеальными "хранилищами данных", эффективно консолидируя ценные специфические данные в одном месте. Объединяя необходимые данные из различных источников и форматов под одной крышей, эти базы данных обеспечивают доступ ИИ-агентов к унифицированному взгляду на информацию по предметной области, отделённому от операционных систем.

Эти свойства уже позволяют базам данных в реальном времени сыграть жизненно важную роль в обслуживании ИИ случаев извлечения данных в масштабах (например, приобретение OpenAI компании Rockset). Они также могут позволить ИИ-агентам предоставлять быстрые ответы на основе данных, при этом снимая тяжёлые вычислительные нагрузки.

Это ставит базу данных аналитики в реальном времени в предпочтительную позицию "поставщика контекста" для ИИ-агентов в вопросах инсайтов.

ИИ-агенты как новая пользовательская персона

Полезный способ думать о ИИ-агентах, использующих базы данных аналитики в реальном времени, — воспринимать их как новую категорию пользователей, или, говоря языком продуктовых менеджеров: пользовательская персона.

С точки зрения базы данных, мы можем ожидать потенциально неограниченное количество ИИ-агентов, одновременно выполняющих большое количество запросов от имени пользователей или автономно, чтобы проводить исследования, уточнять итеративные исследования и инсайты, и выполнять задачи.

На протяжении лет базы данных в реальном времени имели возможность адаптироваться к человеческим интерактивным пользователям, напрямую подключённым к системе или через прикладной уровень ПО. Классические примеры персон включают администраторов баз данных, бизнес-аналитиков, специалистов по данным или разработчиков ПО, строящих приложения на основе базы данных. Индустрия постепенно изучала их паттерны использования и требования и органически предоставляла интерфейсы, операторы, пользовательские интерфейсы, форматы, клиенты и производительность, удовлетворяющие их различные случаи использования.

Теперь вопрос заключается в том, готовы ли мы адаптироваться к нагрузкам ИИ-агентов? Какие конкретные функции нам нужно переосмыслить или создать с нуля для этих паттернов использования?

ClickHouse быстро предоставляет ответы на некоторые из этих вопросов через множество функций, нацеленных на обеспечение полного функционала для ИИ.

ClickHouse.ai

Для получения дополнительной информации о функциях, которые скоро появятся в ClickHouse Cloud, смотрите ClickHouse.ai.