Apresentado pela Elástica
À medida que as organizações lutam para implementar soluções de IA de agência, o acesso a dados proprietários de todos os cantos e recantos será basic
Até agora, a maioria das organizações já ouviu falar de IA de agência, que são sistemas que “pensam” reunindo autonomamente ferramentas, dados e outras fontes de informação para devolver uma resposta. Mas aqui está o problema: a confiabilidade e a relevância dependem da entrega de um contexto preciso. Na maioria das empresas, esse contexto está espalhado por diversas fontes de dados não estruturados, incluindo documentos, e-mails, aplicativos de negócios e suggestions de clientes.
À medida que as organizações olham para 2026, resolver esse problema será basic para acelerar os lançamentos de IA de agentes em todo o mundo, afirma Ken Exner, diretor de produtos da Elastic.
"As pessoas estão começando a perceber que para fazer IA de agência corretamente, você precisa ter dados relevantes," Exner diz. "A relevância é crítica no contexto da IA de agência, porque essa IA está agindo em seu nome. Quando as pessoas lutam para construir aplicações de IA, quase posso garantir que o problema é relevante.”
Agentes em todos os lugares
A luta pode estar a entrar num período decisivo, à medida que as organizações lutam por vantagem competitiva ou para criar novas eficiências. Um estudo da Deloitte prevê que, até 2026, mais de 60% das grandes empresas terão implementado IA em escala, marcando um grande aumento das fases experimentais para a implementação generalizada. E o pesquisador Gartner previsões que até ao last de 2026, 40% de todas as aplicações empresariais incorporarão agentes específicos de tarefas, contra menos de 5% em 2025. A adição de capacidades de especialização de tarefas transforma os assistentes de IA em agentes de IA sensíveis ao contexto.
Entre na engenharia de contexto
O processo para colocar o contexto relevante nos agentes no momento certo é conhecido como engenharia de contexto. Ele não apenas garante que um aplicativo agente tenha os dados necessários para fornecer respostas precisas e detalhadas, mas também ajuda o modelo de linguagem grande (LLM) a entender quais ferramentas são necessárias para encontrar e usar esses dados e como chamar essas APIs.
Embora existam agora padrões de código aberto, como o Mannequin Context Protocol (MCP), que permitem que LLMs se conectem e se comuniquem com dados externos, existem poucas plataformas que permitem que as organizações criem agentes de IA precisos que usam seus dados e combinam recuperação, governança e orquestração em um só lugar, nativamente.
O Elasticsearch sempre foi uma plataforma líder para o núcleo da engenharia de contexto. Recentemente, lançou um novo recurso no Elasticsearch chamado Agent Builder, que simplifica todo o ciclo de vida operacional dos agentes: desenvolvimento, configuração, execução, customização e observabilidade.
O Agent Builder ajuda a criar ferramentas MCP em dados privados usando diversas técnicas, incluindo Elasticsearch Question Language, uma linguagem de consulta canalizada para filtrar, transformar e analisar dados ou modelagem de fluxo de trabalho. Os usuários podem então pegar várias ferramentas e combiná-las com prompts e um LLM para construir um agente.
O Agent Builder oferece um agente de conversação configurável e pronto para uso que permite conversar com os dados no índice e também oferece aos usuários a capacidade de criar um do zero usando várias ferramentas e prompts sobre dados privados.
"Os dados são o centro do nosso mundo na Elastic. Estamos tentando garantir que você tenha as ferramentas necessárias para colocar esses dados em funcionamento," Exner explica. "No segundo em que você abre o Agent Builder, você aponta para um índice no Elasticsearch e pode começar a conversar com quaisquer dados aos quais você se conecta, quaisquer dados indexados no Elasticsearch — ou de fontes externas por meio de integrações.”
Engenharia de contexto como disciplina
A engenharia imediata e de contexto está se tornando um discípulo. Não é algo em que você precisa de um diploma em ciência da computação, mas surgirão mais aulas e melhores práticas, porque há uma arte nisso.
"Queremos tornar isso muito simples," Exner diz. "O que as pessoas terão que descobrir é: como impulsionar a automação com IA? É isso que vai impulsionar a produtividade. As pessoas que estão focadas nisso terão mais sucesso."
Além disso, surgirão outros padrões de engenharia de contexto. A indústria passou da engenharia imediata para a geração com recuperação aumentada, onde as informações são passadas para o LLM em uma janela de contexto, para soluções MCP que ajudam os LLMs na seleção de ferramentas. Mas não vai parar por aí.
"Dada a rapidez com que as coisas estão a evoluir, garanto que novos padrões surgirão muito rapidamente," Exner diz. "Ainda haverá engenharia de contexto, mas haverá novos padrões de como compartilhar dados com um LLM, como fazer com que eles sejam fundamentados nas informações corretas. E prevejo mais padrões que possibilitam ao LLM compreender dados privados nos quais não foi treinado."
O Agent Builder já está disponível como uma prévia da tecnologia. Comece com um Teste do Elastic Cloude confira a documentação do Agent Builder aqui.
Artigos patrocinados são conteúdos produzidos por uma empresa que paga pela postagem ou tem relacionamento comercial com a VentureBeat, e estão sempre claramente marcados. Para mais informações, entre em contato vendas@venturebeat.com.
