Pengenalan elastis

Ketika organisasi berupaya menerapkan solusi AI yang efektif, akses terhadap data kepemilikan dari seluruh penjuru akan menjadi kuncinya

Saat ini, sebagian besar organisasi telah mendengar tentang AI agen, yaitu sistem yang “berpikir” dengan menggabungkan alat, data, dan sumber informasi lain secara mandiri untuk memberikan jawaban. Namun inilah masalahnya: keandalan dan relevansi bergantung pada penyediaan konteks yang akurat. Di sebagian besar organisasi, konteks ini tersebar di banyak sumber data tidak terstruktur, termasuk dokumen, email, aplikasi bisnis, dan ulasan pelanggan.

Saat organisasi menatap tahun 2026, penyelesaian masalah ini akan menjadi kunci untuk mempercepat penerapan AI di seluruh dunia, kata Ken Exner, chief product officer di Elastic.

"Orang-orang mulai menyadari bahwa untuk melakukan AI agen dengan benar, Anda harus memiliki data yang relevan," kata Exner. "Relevansi sangat penting dalam konteks AI agen, karena AI tersebut mengambil tindakan atas nama Anda. “Saat orang kesulitan membangun aplikasi AI, saya dapat meyakinkan Anda bahwa masalahnya adalah relevansinya.”

Agen ada dimana-mana

Konflik dapat memasuki masa kritis ketika organisasi berupaya mendapatkan keunggulan kompetitif atau menciptakan efisiensi baru. Studi Deloitte Dia memperkirakan Pada tahun 2026, lebih dari 60% organisasi besar akan menerapkan AI agen dalam skala besar, yang menunjukkan peningkatan yang signifikan dari tahap uji coba hingga penerapan arus utama. Dan peneliti Gartner Harapan Pada akhir tahun 2026, 40% dari seluruh aplikasi perusahaan akan menyertakan agen khusus tugas, naik dari kurang dari 5% pada tahun 2025. Menambahkan kemampuan spesialisasi tugas akan mengembangkan asisten AI menjadi agen AI yang sadar konteks.

Masukkan rekayasa konteks

Proses memperkenalkan konteks yang relevan kepada agen pada waktu yang tepat dikenal sebagai rekayasa konteks. Hal ini tidak hanya memastikan bahwa aplikasi agen memiliki data yang diperlukan untuk memberikan respons yang akurat dan mendalam, tetapi juga membantu Model Bahasa Besar (LLM) memahami alat apa yang diperlukan untuk menemukan dan menggunakan data tersebut, dan cara memanggil API tersebut.

Meskipun kini terdapat standar sumber terbuka seperti Model Context Protocol (MCP) yang memungkinkan LLM terhubung dan berkomunikasi dengan data eksternal, hanya ada sedikit platform yang memungkinkan organisasi membangun agen AI granular yang menggunakan data Anda dan menggabungkan pengambilan, tata kelola, dan orkestrasi di satu tempat, di lokasi.

Elasticsearch selalu menjadi platform terdepan untuk inti rekayasa konteks. Kami baru-baru ini merilis fitur baru dalam Elasticsearch yang disebut Agent Builder, yang menyederhanakan seluruh siklus hidup operasional agen: pengembangan, konfigurasi, implementasi, penyesuaian, dan kemampuan observasi.

Agent Builder membantu membangun alat MCP pada data pribadi menggunakan berbagai teknologi, termasuk Elasticsearch Query Language, bahasa kueri yang disalurkan untuk memfilter, mentransformasikan, menganalisis data, atau memodelkan alur kerja. Pengguna kemudian dapat menggunakan berbagai alat dan menggabungkannya dengan Klaim dan LLM untuk membuat agen.

Agent Builder menyediakan agen obrolan siap pakai dan dapat dikonfigurasi yang memungkinkan Anda mengobrol dengan data dalam indeks, dan juga memberi pengguna kemampuan untuk membuat agen dari awal menggunakan berbagai alat dan petunjuk selain data pribadi.

"Data adalah pusat dunia kita di Elastic. Kami mencoba memastikan Anda memiliki alat yang diperlukan untuk menjalankan data ini," Exner menjelaskan. "Saat Anda membuka Agent Builder, Anda mengarahkannya ke indeks di Elasticsearch, dan Anda dapat mulai mengobrol dengan data apa pun yang Anda sambungkan, atau data apa pun yang diindeks di Elasticsearch – atau dari sumber eksternal melalui integrasi.

Rekayasa konteks sebagai suatu sistem

Rekayasa tangkas dan kontekstual telah menjadi spesialisasi. Anda tidak memerlukan gelar di bidang ilmu komputer, namun seiring dengan semakin banyaknya kelas dan praktik terbaik yang bermunculan, karena ada seni di dalamnya.

"Kami ingin membuatnya sangat sederhana untuk melakukan hal ini," kata Exner. "Hal yang harus dipikirkan orang-orang adalah, bagaimana Anda mendorong otomatisasi dengan AI? Hal inilah yang akan mendorong produktivitas. Orang yang fokus pada hal ini akan melihat lebih banyak kesuksesan."

Di luar itu, pola geometri konteks lainnya akan muncul. Industri telah beralih dari rekayasa tangkas, ke generasi yang ditingkatkan pengambilannya, di mana informasi diteruskan ke LLM dalam jendela konteks, ke solusi MCP yang membantu LLM dalam pemilihan alat. Tapi itu tidak akan berhenti di situ.

"Mengingat betapa cepatnya segala sesuatunya bergerak, saya jamin pola-pola baru akan muncul dengan sangat cepat." kata Exner. "Masih akan ada rekayasa kontekstual, namun akan ada pola baru tentang bagaimana data dibagikan kepada MBA, dan bagaimana data tersebut didasarkan pada informasi yang benar. Saya mengharapkan lebih banyak pola yang memungkinkan LLM memahami data pribadi yang tidak dilatihnya."

Agent Builder kini tersedia sebagai pratinjau teknis. Mulailah dengan Pengalaman cloud yang fleksibeldan lihat dokumentasi untuk Agent Builder Di Sini.

Artikel bersponsor adalah konten yang diproduksi oleh perusahaan yang membayar postingan tersebut atau memiliki hubungan kerja dengan VentureBeat, dan selalu diberi label dengan jelas. Untuk informasi lebih lanjut, hubungi penjualan@venturebeat.com.

Tautan sumber

baruAnda sekarang dapat mendengarkan artikel Fox News!

Presiden AS Donald Trump bertemu langsung dengan pemimpin Tiongkok Xi Jinping pada hari Kamis, hari terakhir perjalanan Trump ke Asia yang mencakup kunjungan ke Malaysia, Jepang dan Korea Selatan, dalam upaya untuk menyelesaikan perselisihan perdagangan yang sedang berlangsung antara kedua belah pihak.

Trump telah mengenakan tarif yang signifikan terhadap Tiongkok sejak kembali menjabat di Gedung Putih pada bulan Januari, dan Beijing telah meresponsnya dengan memberlakukan pembatasan ekspor unsur tanah jarang. Kedua belah pihak ingin menghindari risiko meledaknya perekonomian global yang dapat merugikan negara mereka.

Para pemimpin dua negara dengan perekonomian terbesar di dunia berbicara kepada pers dalam pernyataan pengantar singkat sebelum bertemu secara tertutup dengan para pejabat senior mereka.

Presiden Donald Trump, kiri, dan Presiden Tiongkok Xi Jinping, kanan, berjabat tangan sebelum pertemuan mereka di Bandara Internasional Gimhae di Busan, Korea Selatan, Kamis, 30 Oktober 2025. (Foto AP/Mark Schiefelbein)

“Sungguh hangat rasanya bertemu Anda lagi karena sudah bertahun-tahun berlalu,” kata Xi dalam pidato pembukaannya.

“Kami tidak selalu sepakat satu sama lain,” kata Xi, sambil menekankan bahwa “adalah hal yang normal jika terjadi perselisihan antara dua negara dengan ekonomi terkemuka di dunia dari waktu ke waktu.”

Presiden Donald Trump, kanan, bersama Menteri Luar Negeri Marco Rubio, kedua dari kanan, dan Menteri Perdagangan Howard Lutnick, ketiga dari kanan, bertemu dengan Presiden Tiongkok Xi Jinping di Bandara Internasional Gimhae di Busan, Korea Selatan, Kamis, 30 Oktober 2025. (Foto AP/Mark Schiefelbein)

Klik di sini untuk mengunduh aplikasi FOX NEWS

Pemimpin Tiongkok tersebut menambahkan bahwa kedua negara “sepenuhnya mampu membantu satu sama lain untuk mencapai kesuksesan dan kesejahteraan bersama.”

Associated Press berkontribusi pada laporan ini.

Ini adalah kisah yang berkembang. Periksa kembali untuk mengetahui pembaruan.

Tautan sumber

Perusahaan sangat ingin memastikan model AI apa pun yang mereka gunakan Komitmen terhadap keselamatan dan penggunaan yang aman kebijakan, dan menyesuaikan LLM sehingga tidak menanggapi pertanyaan yang tidak diminta.

Namun, sebagian besar keamanan dan tim merah terjadi sebelum penerapan, dan kebijakan “penggabungan” terjadi sebelum pengguna sepenuhnya merasakan kemampuan model dalam produksi. OpenAI Dia yakin hal ini dapat menawarkan pilihan yang lebih fleksibel bagi organisasi dan mendorong lebih banyak perusahaan untuk menerapkan kebijakan keselamatan.

Perusahaan telah merilis dua model open-weight dalam tinjauan penelitian yang diyakini akan membuat institusi dan model lebih fleksibel dalam hal agunan. gpt-oss-safeguard-120b dan gpt-oss-safeguard-20b akan tersedia pada lisensi Apache 2.0 yang permisif. Model-model tersebut merupakan versi open source OpenAI yang telah disempurnakan gpt-oss, dirilis pada bulan Agustusmenandai rilis pertama dalam keluarga OSS sejak musim panas.

Di sebuah Entri blogoss-safeguard menggunakan logika untuk “menafsirkan kebijakan pengembang dan penyedia secara langsung pada waktu inferensi – mengklasifikasikan pesan pengguna, penyelesaian, dan percakapan penuh sesuai dengan kebutuhan pengembang,” kata OpenAI.

Perusahaan menjelaskan bahwa karena model menggunakan Chain of Thought (CoT), pengembang dapat memperoleh penjelasan tentang keputusan model untuk ditinjau.

“Selain itu, kebijakan diberikan selama inferensi, bukan pelatihan model, sehingga lebih mudah bagi pengembang untuk sering meninjau kebijakan guna meningkatkan kinerja.”" OpenAI mengatakan dalam postingannya. "Pendekatan ini, yang awalnya kami kembangkan untuk penggunaan internal, jauh lebih fleksibel dibandingkan metode tradisional dalam melatih pengklasifikasi untuk secara tidak langsung menyimpulkan batasan keputusan dari sejumlah besar contoh yang diberi label."

Pengembang dapat mengunduh kedua templat dari Pelukan wajah.

Elastisitas versus roti

Awalnya, model AI tidak akan mengetahui faktor keselamatan pilihan perusahaan. Sedangkan model pengirim tim merah Model dan platform,Jaminan ini ditujukan untuk penggunaan yang lebih luas. Perusahaan seperti Microsoft Dan Layanan Web Amazon sampai Platform tampilan Untuk membawa Pagar pembatas untuk aplikasi kecerdasan buatan Dan para agen.

Perusahaan menggunakan pengklasifikasi keselamatan untuk membantu melatih model mengenali pola masukan yang baik atau buruk. Ini membantu model mengetahui pertanyaan mana yang tidak boleh mereka jawab. Hal ini juga membantu memastikan bahwa model tidak menyimpang dan jawabannya akurat.

“Pengklasifikasi tradisional dapat memiliki kinerja tinggi, latensi rendah, dan biaya pengoperasian rendah," kata OpenAI. "Namun mengumpulkan contoh pelatihan dalam jumlah yang cukup dapat memakan waktu dan mahal, dan memperbarui atau mengubah kebijakan memerlukan pelatihan ulang pengklasifikasi."

Model mengambil dua masukan sekaligus sebelum mengambil kesimpulan tentang kegagalan konten. Dibutuhkan kebijakan dan konten untuk menentukan peringkat sesuai dengan pedomannya. OpenAI mengatakan model tersebut bekerja paling baik dalam situasi di mana:

• Potensi kerugian sedang muncul atau berkembang, dan kebijakan harus beradaptasi dengan cepat.

• Domain ini sangat bagus dan sulit ditangani oleh pengklasifikasi yang lebih kecil.

• Pengembang tidak memiliki cukup sampel untuk melatih pengklasifikasi berkualitas tinggi untuk setiap risiko di platform mereka.

• Latensi tidak sepenting menghasilkan label berkualitas tinggi dan dapat ditafsirkan.

Perusahaan mengatakan gpt-oss-safeguard “berbeda karena kemampuan logikanya memungkinkan pengembang untuk menegakkan kebijakan apa pun,” bahkan kebijakan yang mereka tulis selama inferensi.

Model ini didasarkan pada alat internal OpenAI, Safety Reasoner, yang memungkinkan timnya lebih sering memasang pagar pembatas. Mereka sering kali memulai dengan kebijakan keamanan yang sangat ketat, “menggunakan komputasi dalam jumlah yang relatif besar bila diperlukan,” dan kemudian menyesuaikan kebijakan tersebut saat mereka menggerakkan model melalui perubahan produksi dan penilaian risiko.

Kinerja keselamatan

OpenAI mengatakan model perlindungan gpt-oss-nya mengungguli GPT-5 Thinking dan model gpt-oss asli dalam hal akurasi multi-kebijakan berdasarkan pengujian benchmark. Model tersebut juga dijalankan pada benchmark ToxicChat secara keseluruhan, dan performanya baik, meskipun pertimbangan GPT-5 dan alasan keselamatan sedikit mengungguli model tersebut.

Namun ada kekhawatiran bahwa pendekatan ini dapat mengarah pada sentralisasi standar keselamatan.

“Keselamatan bukanlah konsep yang didefinisikan dengan baik,” kata John Theakston, asisten profesor ilmu komputer di Cornell University. “Setiap penerapan standar keselamatan akan mencerminkan nilai dan prioritas organisasi yang menciptakannya, serta keterbatasan dan kekurangan modelnya.” “Jika industri secara keseluruhan mengadopsi standar yang dikembangkan oleh OpenAI, kita berisiko melembagakan perspektif tertentu mengenai keselamatan dan menghalangi penyelidikan yang lebih luas mengenai kebutuhan keselamatan dalam penerapan AI di banyak sektor masyarakat.”

Perlu juga dicatat bahwa OpenAI belum merilis model dasar untuk rangkaian model oss, sehingga pengembang tidak dapat mereplikasinya sepenuhnya.

Namun, OpenAI yakin bahwa komunitas pengembang dapat membantu meningkatkan perlindungan gpt-oss. Ini akan menjadi tuan rumah hackathon pada 8 Desember di San Francisco.

Tautan sumber