Ձեռնարկությունների մակարդակով AI-ի ներկայիս վիճակը բնորոշվում է մի հետաքրքրաշարժ, հաճախ նաև վտանգավոր պարադոքսով. մենք երբեք ավելի լավ չենք եղել լեզվական մեծ մոդելներին (LLM) տեղեկատվություն փոխանցելու հարցում, սակայն երբեք այսքան անվստահ չենք եղել այդ մոդելների տված պատասխանների հուսալիության հարցում: Մինչ կազմակերպությունները շտապում են ներդնել AI գործակալներ (AI agents)՝ հաճախորդների սպասարկումից մինչև ներքին տվյալների սինթեզում ամեն ինչ իրականացնելու համար, նրանք բախվում են մի երևույթի, որը կարելի է անվանել միայն «համատեքստային բաց»:

Սա ինքնին մոդելների ձախողումը չէ: Այս համակարգերը սնուցող ինտելեկտը հզոր է, սակայն այն հիմքը, որի վրա դրանք կանգնած են, ներկայումս խոցելի է: Ձեռնարկությունների RAG (Retrieval-Augmented Generation) ենթակառուցվածքների վերաբերյալ վերջին տվյալները վկայում են, որ թեև ճարտարապետական «խողովակաշարերը» կառուցվում են աննախադեպ արագությամբ, այդ ենթակառուցվածքը վստահելի դարձնելու համար անհրաժեշտ կառավարումը դեռևս մշակման փուլում է:

Հեղինակավոր հալյուցինացիաների միրաժը

Գործարար ղեկավարների համար ամենատագնապալի միտումը «վստահ, բայց սխալ» պատասխանների երևան գալն է: Վերջերս հարցված ձեռնարկությունների ավելի քան կեսը հայտնել է, որ իրենց AI գործակալները տրամադրել են փաստացի սխալ պատասխաններ. ոչ թե ավանդական իմաստով գեներատիվ հալյուցինացիաների պատճառով, այլ այն պատճառով, որ հիմքում ընկած գործարար համատեքստը հակասական կամ թերի է եղել:

Երբ գործակալը հնչում է հեղինակավոր՝ օգտագործելով ձեր ներքին փաստաթղթերի ճշգրիտ, մասնագիտական ոճը, սխալ պատասխանից հասցված վնասը մեծանում է: Այն ստեղծում է անվտանգության կեղծ զգացողություն, որը կարող է շրջանցել մարդկային սովորական թերահավատությունը: Սա «համատեքստային բացի» անմիջական հետևանքն է. այն հեռավորությունը, որը գոյություն ունի RAG խողովակաշարերի մեջ տվյալներ ներմուծելու արագության և այդ տվյալների մշակման խստապահանջության միջև:

Թվային փոխակերպման ձգտող ընկերությունների համար սա ստեղծում է ռիսկերի զգալի պրոֆիլ: Եթե CRM-ի վերլուծությունները կամ ներքին համապատասխանության փաստաթղթերն ամփոփելու համար պատասխանատու գործակալը քաշում է հնացած ցուցանիշներ կամ հակասական սահմանումներ, որոշումների կայացման վրա դրա ազդեցությունն անմիջական է: Մենք ականատես ենք լինում մի փոփոխության, որտեղ մարտահրավերն այլևս «Ինչպե՞ս տվյալները հասցնել AI-ին» հարցը չէ, այլ՝ «Ինչպե՞ս համոզվել, որ AI-ի ստացած տվյալները ճշմարտության միակ աղբյուրն են»:

Ձգան-պայքար. հարմարավետությունն ընդդեմ ինքնիշխանության

RAG շուկայի հասունացմանը զուգընթաց՝ մենք ականատես ենք լինում ճարտարապետական հետաքրքիր համախմբման: Պատմականորեն «վեկտորային տվյալների բազան» համարվում էր սուրբ գրալ՝ հատուկ, մասնագիտացված պահոց այն էմբեդինգների համար, որոնք սնուցում են գործակալական դատողությունները: Այսօր այդ մոտեցումը փոխվել է: Հիմնական հիպերսկեյլերների հարթակները, ինչպիսիք են OpenAI-ի ֆայլերի որոնումը և Google-ի Vertex AI Search-ը, արագորեն գրավում են շուկան:

Այս համախմբումը պայմանավորված է նվազագույն դիմադրության ուղիով: Կազմակերպությունները առաջնահերթություն են տալիս.

  • Ներմուծման հեշտությանը. որքա՞ն արագ կարող եմ AI-ին ուղղորդել դեպի իմ տվյալների լիճը (data lake) կամ փաստաթղթերի պահոց:
  • Գործառնական պարզությանը. երկրորդական, մասնագիտացված տվյալների բազայի կառավարման ծախսերի կրճատում:
  • Լատենտությանը (Latency). հարցման և պատասխանի միջև ժամանակի նվազեցում:

Այնուամենայնիվ, հստակ լարվածություն է պահպանվում: Տեխնոլոգիական ղեկավարների զգալի մասը պնդում է, որ ցանկանում է պահպանել «լավագույնն իր տեսակի մեջ» (best-of-breed) ստեկը՝ խուսափելով մատակարարից կախվածությունից (vendor lock-in), նույնիսկ երբ նրանք ձգտում են ինտեգրված, մատակարարի բնօրինակ գործիքների հարմարավետությանը: Սա հուշում է մի ապագայի մասին, որտեղ ձեռնարկության ճարտարապետությունը դառնում է հիբրիդային միջավայր՝ ստանդարտ առաջադրանքների համար նախատեսված բնօրինակ հարթակների հնարավորությունների և առաքելության համար կարևոր, բարձր կառավարելիություն պահանջող տվյալների համար նախատեսված անկախ ենթակառուցվածքների խառնուրդ:

Սրա ROI-ի (ներդրումների վերադարձելիության) հետևանքները էական են: Անհատական, առանձին ենթակառուցվածքների վրա գերներդրումները կարող են հանգեցնել ուռճացված տեխնոլոգիական ստեկերի և սպասարկման բարձր ծախսերի, մինչդեռ մեկ մատակարարի որոնման համակարգից չափից ավելի կախվածությունը կարող է սահմանափակել ճկունությունը: Հաջորդ 24 ամիսների ընթացքում հաղթող կդառնան այն ղեկավարները, որոնք հաջողությամբ կկառուցեն կառավարվող իմաստային շերտ (governed semantic layer). միջին օղակի ճարտարապետություն, որը տվյալների «ճշմարտությունը» տարանջատում է այն սպառող կոնկրետ AI գործակալից:

Բացի հաղթահարում. ուղի դեպի հուսալի ինքնավարություն

Ոլորտը շարժվում է դեպի կոնսենսուս. միայն վեկտորային որոնումն այլևս բավարար չէ: Ստեկի հաջորդ էվոլյուցիան հիբրիդային որոնումն է, որը համատեղում է իմաստային որոնումը խիստ վերադասակարգման (reranking), մուտքի վերահսկման և մետատվյալների ֆիլտրման հետ: Սա պարզապես տեխնիկական բարելավում չէ. սա հիմնարար տեղաշարժ է դեպի AI-ի համատեքստի նկատմամբ նույն անվտանգության և համապատասխանության ստանդարտների կիրառում, ինչը մենք կիրառում ենք ցանկացած այլ կորպորատիվ տվյալների բազայի համար:

Ներկայումս իրենց AI ռազմավարությունը կառուցող կազմակերպությունների համար ուշադրությունը պետք է շեղվի որոնված տվյալների ծավալից դե