Únase a nuestros boletines diarios y semanales para obtener las últimas actualizaciones y contenido exclusivo sobre la cobertura de IA líder en la industria. Más información
Si 2023 fuera el año de las búsquedas y los chatbots generativos impulsados por IA, 2024 se centró en los agentes de IA. Lo que comenzó con Devin a principios de este año se convirtió en un fenómeno en toda regla, que ofrece a empresas e individuos una forma de transformar su forma de trabajar en diferentes niveles, desde la programación y el desarrollo hasta tareas personales como la planificación y reserva de boletos para unas vacaciones.
Entre estas aplicaciones de amplio alcance, también vimos el aumento de agentes de datos este año: agentes impulsados por IA que manejan diferentes tipos de tareas en toda la infraestructura de datos. Algunos realizaron trabajos básicos de integración de datos, mientras que otros manejaron tareas posteriores, como análisis y gestión en proceso, simplificando y facilitando las cosas para los usuarios empresariales.
Los beneficios fueron una mayor eficiencia y ahorro de costos, lo que llevó a muchos a preguntarse: ¿Cómo cambiarán las cosas para los equipos de datos en los próximos años?
Los agentes Gen AI se hicieron cargo de las tareas de datos
Si bien las capacidades de agente existen desde hace algún tiempo y permiten a las empresas automatizar ciertas tareas básicas, el aumento de IA generativa ha llevado las cosas por completo al siguiente nivel.
Con las capacidades de uso de herramientas y procesamiento del lenguaje pure de la generación de IA, los agentes pueden ir más allá del easy razonamiento y respuesta para planificar acciones de varios pasos, interactuando de forma independiente con sistemas digitales para completar acciones mientras colaboran con otros agentes y personas al mismo tiempo. También aprenden a mejorar su desempeño con el tiempo.
Cognición AI’s Devin fue la primera oferta agente importante, que permitió operaciones de ingeniería a escala. Luego, los actores más grandes comenzaron a ofrecer agentes empresariales y personales más específicos impulsados por sus modelos.
En una conversación con VentureBeat a principios de este año, Gerrit Kazmaier de Google Cloud dijo que escuchó de los clientes que sus profesionales de datos enfrentaban constantemente desafíos que incluían la automatización del trabajo guide para los equipos de datos, la reducción del tiempo del ciclo de los análisis y canalizaciones de datos y la simplificación de la gestión de datos. Esencialmente, a los equipos no les faltaban concepts sobre cómo podrían crear valor a partir de sus datos, pero les faltaba tiempo para ejecutar esas concepts.
Para solucionar este problema, explicó Kazmaier, Google renovó BigQuery, su oferta principal de infraestructura de datos, con Gemini AI. Las capacidades agentes resultantes no solo brindan a las empresas la capacidad de descubrir, limpiar y preparar datos para aplicaciones posteriores (rompiendo silos de datos y garantizando calidad y coherencia), sino que también respaldan la gestión y el análisis de los procesos, liberando a los equipos para que puedan centrarse en tareas de mayor valor.
En la actualidad, varias empresas utilizan las capacidades de agencia de Gemini en BigQuery, incluida una empresa de tecnología financiera. julioque aprovechó la capacidad de Gemini para comprender estructuras de datos complejas para automatizar su proceso de generación de consultas. Empresa japonesa de TI Unerry también utiliza las capacidades de generación de SQL de Gemini en BigQuery para ayudar a sus equipos de datos a brindar información más rápidamente.
Pero descubrir, preparar y ayudar con el análisis fue solo el comienzo. A medida que los modelos subyacentes evolucionaron, incluso las operaciones de datos granulares, iniciadas por nuevas empresas especializadas en sus respectivos dominios, fueron objeto de una automatización más profunda impulsada por agentes.
Por ejemplo, Airbyte y Fastn apareció en los titulares en la categoría de integración de datos. El primero lanzó un asistente que creaba conectores de datos a partir de un enlace de documentación API en segundos. Mientras tanto, este último mejoró su oferta más amplia de desarrollo de aplicaciones con agentes que generaron API de nivel empresarial, ya sea para leer o escribir información sobre cualquier tema, utilizando solo una descripción en lenguaje pure.
Con sede en San Francisco IA elevadapor su parte, se centró en diferentes operaciones de datos, incluida la documentación, las pruebas y las transformaciones, con una nueva tecnología DataMates, que utilizaba IA agente para extraer contexto de toda la pila de datos. Varias otras empresas emergentes, incluidas pájaro rojo y Lienzo rápidotambién trabajó en la misma dirección, afirmando ofrecer agentes de inteligencia synthetic que pueden manejar hasta el 90% de las tareas de datos requeridas en los procesos de análisis e inteligencia synthetic.
Agentes que impulsan RAG y más
Más allá de las operaciones de datos de amplio alcance, también se han explorado capacidades agentes en áreas como la generación aumentada de recuperación (RAG) y la automatización del flujo de trabajo posterior. Por ejemplo, el equipo detrás de la base de datos vectorial Weaviate discutido recientemente la thought de trapo agenteun proceso que permite a los agentes de IA acceder a una amplia gama de herramientas, como búsqueda net, calculadora o una API de software program (como Slack/Gmail/CRM), para recuperar y validar datos de múltiples fuentes para mejorar la precisión de las respuestas.
Además, hacia finales de año, Inteligencia de copo de nieve apareció, brindando a las empresas la opción de configurar agentes de datos que podrían aprovechar no solo los datos de inteligencia empresarial almacenados en su instancia de Snowflake, sino también datos estructurados y no estructurados a través de herramientas de terceros aisladas, como transacciones de ventas en una base de datos, documentos en bases de conocimiento. como SharePoint e información en herramientas de productividad como Slack, Salesforce y Google Workspace.
Con este contexto adicional, los agentes obtienen conocimientos relevantes en respuesta a preguntas en lenguaje pure y toman acciones específicas en torno a los conocimientos generados. Por ejemplo, un usuario podría pedirle a su agente de datos que ingrese la información que aparece en un formulario editable y cargue el archivo en su Google Drive. Incluso se les podría pedir que escriban en tablas de Snowflake y realicen modificaciones en los datos según sea necesario.
Mucho más por venir
Si bien es posible que no hayamos cubierto todas las aplicaciones de agentes de datos vistas o anunciadas este año, una cosa está bastante clara: la tecnología llegó para quedarse. A medida que los modelos de IA de generación sigan evolucionando, la adopción de agentes de IA avanzará a todo vapor, y la mayoría de las organizaciones, independientemente de su sector o tamaño, optarán por delegar tareas repetitivas a agentes especializados. Esto se traducirá directamente en eficiencias.
Como prueba de esto, en una encuesta reciente de 1.100 ejecutivos de tecnología realizada por capgeminiel 82% de los encuestados dijeron que tienen la intención de integrar agentes basados en IA en sus pilas dentro de los próximos 3 años, en comparación con el 10% precise. Más importante aún, entre el 70% y el 75% de los encuestados dijeron que confiarían en un agente de IA para analizar y sintetizar datos en su nombre, así como para manejar tareas como generar y mejorar código de forma iterativa.
Este cambio impulsado por los agentes también significaría cambios significativos en el funcionamiento de los equipos de datos. Actualmente, los resultados de los agentes no son de grado de producción, lo que significa que un humano tiene que hacerse cargo en algún momento para ajustar el trabajo a sus necesidades. Sin embargo, con algunos avances más en los próximos años, lo más possible es que esta brecha desaparezca, dando a los equipos agentes de IA que serían más rápidos, más precisos y menos propensos a los errores que normalmente cometen los humanos.
Entonces, para resumir, es possible que los roles de los científicos y analistas de datos que vemos hoy cambien, y los usuarios posiblemente pasen al dominio de supervisión de la IA (donde podrían vigilar las acciones de la IA) o tareas de mayor valor que el sistema podría tener dificultades para desempeñarse.
