人工智能代理正在崛起，现金正在流向他们。超过一半的公司每年为人工智能代理提供50万美元或更多的预算。问题是，大多数公司缺乏有效部署这些代理的技术基础设施堆栈。
这是由Tray.ai发布的一项针对1045名企业技术经理和专业人士的新调查得出的结论。调查发现，42%的受访者预计未来一年将建造或制作100多个人工智能代理的原型，36%的受访者预计将有100多个投入生产。该调查由Tray委托进行。调查发现，41%的受访者希望解决20多个不同的业务问题。
人工智能代理是一种智能助手，可以自主做出决策并采取行动。它们旨在充当数字同事、助理或客户服务代表，通过自然语言处理进行交流。
对人工智能代理的预测意义重大。到2025年底，四分之一的人表示，他们公司的大部分核心业务流程将由人工智能代理运行。另有41%的人认为，26%至50%的核心流程将由人工智能代理实现。
调查还发现，超过86%的专业人士表示，他们需要升级现有的技术堆栈，为人工智能代理做好准备。广泛的集成挑战可能会阻碍人工智能代理的部署，42%的受访者表示，他们的企业需要访问八个或更多的数据源才能成功部署人工智能代理。
至少42%的专业人士还表示，他们必须进行重大的基础设施升级，比如在技术堆栈中增加新的供应商，或者进行彻底的大修。41%的受访者表示，他们正在采取混合开发方法，将构建或购买解决方案混合在一起，而24%的受访者表示，他们打算用代码构建客户解决方案。
Tray首席执行官Rich Waldron表示：“虽然人们对人工智能代理非常兴奋，但许多企业目前缺乏安全有效地开发和部署人工智能的基本组成部分。”他告诉ZDNET。
“他们依赖于大量现成的SaaS应用程序，这导致了分散和集成方面的挑战，导致首席信息官花更多的时间来管理复杂性，而不是推动创新。”他说，需要更大程度的流程自动化和对非结构化数据处理的关注。
整个行业一致认为，人工智能需要做更多的准备。埃森哲首席人工智能官关澜表示，自主人工智能代理需要有效的基础设施和数据管理实践。
“组织处于不同的准备阶段。一个强大的企业平台架构可以确保对基础模型的无缝访问，包括技术基础设施方面的考虑，如云与本地托管，还包括网络功能、安全措施，以及随着对人工智能代理驱动功能的需求增长而有效扩展系统的能力。”
Excella副总裁Taylor Bird也认为，大多数企业对真正自主的人工智能代理准备不足：“虽然企业在实施传统人工智能系统方面取得了长足进步，但人工智能代理代表了一个额外的挑战，需要在基础设施、治理和技能开发方面采用新的方法。”
基础设施准备就绪是必须的，Bird说：“组织需要强大的API生态系统，使人工智能代理能够安全地与他们的软件系统交互。系统之间存在孤岛的公司在自主代理方面的能力有限。”
薄弱的安全和控制框架也将阻碍人工智能代理的开发和部署。伯德说：“代理将为公司的软件所能完成的工作带来更多的分支路径。”“传统的监测和安全机制可能只能覆盖确定性情景。从当前状态发展到一个代理系统需要一个学习曲线。”
MinIO的人工智能/机器学习主题专家Keith Pijanowski表示，人工智能代理的成功将取决于模型。“如果企业想要建立有效的代理商，他们需要有效的模式，”他说。“因此，他们训练模型和在生产中运行模型所需要的一切都是成功地与经纪人打交道所必需的。你的模特越好，你的经纪人就越好。”
最终，人工智能代理将成为将人工智能交付给特定、狭窄任务的关键。Pijanowski说：“人工智能代理代表了一种实现控制逻辑的不同方式。“到目前为止，控制逻辑是由开发人员编写的，不会在运行时更改。使用代理，法学硕士首先被要求提出一个计划，然后按照计划的每一步采取行动。”
Pijanowski预测，随着人工智能代理变得越来越主流，“这些模型将变得更加专业化，这也将推动进一步的采用。”“将会有更少的通用模型，更多的小型模型被训练成擅长一件事。”
他继续说，人工智能代理“代表了一种实现控制逻辑的新方式”。“智能体不是在设计时由工程师硬编码，而是在问题出现时自己想出行动方案。这既可怕又令人兴奋。可怕是因为没有内部验证和防护，特工可能会制造很多问题。然而，这是一种新的自动化方式。现有的流程可以得到改进，过去过于复杂的问题现在可能可以解决。”
应对人工智能代理挑战的最佳方法是随着人工智能代理的激增，对其进行意识和培训。Bird说：“至于公司如何做好准备，我们已经通过黑客马拉松等内部学习活动成功地与代理实施了用例，我们利用吸取的经验教训构建了其他人工智能/机器学习解决方案。”
数据是为人工智能提供动力的燃料，在这方面还有很多工作要做。关说，人工智能系统必须准备好“利用能够处理各种数据类型的多模态模型，包括图像、文本和视频等非结构化数据”。“有效的数据集成对于确保来自不同系统的数据能够被代理人实时获取，从而做出明智的决策和行动至关重要。”
关还表示，人工智能代理的另一个关键组成部分是企业知识。他敦促组织追求集中的企业存储，“应该结合知识管理机制，定义数据元素之间关系的语义层，以及确保一致性的标准化定义。”
通过获取和组织企业特定的知识，“代理可以不断学习，并随着时间的推移提高他们的表现，”关说。关键的先决条件包括“代理API控制、可观察性和性能跟踪、反馈和持续学习，以及模型微调和培训”。
然而，越来越多的人工智能代理被采用——更多的模型在专门的数据集上训练——将给数据存储带来压力，Pijanowski说。
不仅模型本身需要进行版本控制并保存在某个地方，用于创建模型的实验结果也需要进行版本控制和保存，这一过程被称为机器学习操作（MLOps）。必须对代理中使用的模型进行检测，并保存遥测数据。所有这些都代表了比使用简单布尔决策的传统应用程序更多的数据。”
Pijanowski总结道，显而易见的是，不断增长的信息存储需要更广泛的数据存储策略。
