Aprende a convertir el contexto empresarial de confianza en agentes de IA específicos de un dominio y listos para producción
por Megan Tupper
• Los agentes Genie convierten el contexto empresarial de confianza en agentes de IA específicos de un dominio a partir de un solo prompt. Pueden razonar a través de datos estructurados, documentos y archivos gobernados por Unity Catalog.
• La mayoría de las respuestas débiles o inconsistentes de los agentes se deben a la falta de contexto, no al prompt. Al basar los agentes en datos, definiciones y documentación de confianza, los agentes Genie hacen que el ajuste constante de los prompts sea innecesario.
• Comenzar con un caso de uso específico hace que los agentes sean más fáciles de probar y de confiar. Definir el alcance y realizar benchmarks de la primera versión ofrece a los equipos una base confiable que pueden expandir con más conocimientos, herramientas y flujos de trabajo recurrentes.
Si le preguntas a un agente genérico sobre los ingresos, es probable que tome la primera tabla de ingresos que encuentre, no la que realmente mantiene el departamento de finanzas. Tu primer instinto podría ser corregir el prompt. Pero a menudo el problema real no es el prompt en sí, sino que el agente carece del contexto empresarial necesario para interpretar la solicitud.
Los agentes Genie de Databricks resuelven ese problema de contexto al permitirte seleccionar agentes específicos de un dominio que pueden razonar sobre datos estructurados, así como sobre documentos y archivos, para automatizar el trabajo. Un agente de Datos de Oportunidades de Ventas podría identificar riesgos en el pipeline a partir de tablas de CRM gobernadas, un agente de Gestión de Logística podría realizar el seguimiento de envíos y señalar retrasos en los datos de la cadena de suministro, y un agente de Búsqueda de Líneas de Productos podría responder preguntas detalladas sobre productos a partir de un catálogo interno. Anteriormente, la creación de agentes Genie requería una configuración manual. Ahora, se pueden crear agentes Genie eficaces utilizando Genie One o Genie Code con un solo prompt, aprovechando el contexto de Unity Catalog junto con la conversación del usuario.
Puedes crear tu primer agente en cuestión de minutos, comenzando con un solo prompt. En muchos casos, el prompt solo necesita describir el resultado deseado del agente y dirigir a Genie a la fuente de información relevante.
Considera este ejemplo: “Usa nuestros runbooks de incidentes y datos de estado del servicio para crear un agente que ayude a los ingenieros de soporte a investigar incidentes de producción”.
El prompt es simple, pero le da a Genie suficiente información para comenzar. Identifica el problema y señala las fuentes que el agente debe utilizar.
Por supuesto, la calidad de un agente depende de la calidad de su contexto. Los agentes Genie razonan sobre los datos, documentos y archivos que ya tienes gobernados en Unity Catalog, por lo que el verdadero trabajo consiste en seleccionar esas fuentes de confianza. Una vez que están en su lugar, Genie puede ensamblarlos en un agente para ti. Para un agente de IT, ese contexto podría incluir FAQ, documentación de soporte, runbooks de incidentes, inventarios de sistemas y datos de servicios. Para un agente de datos, podría incluir tablas gobernadas, definiciones de métricas, dashboards, reglas de calidad de datos y documentación interna.
El contexto no se limita a los datos estructurados. Los agentes Genie también pueden razonar sobre datos no estructurados almacenados en volúmenes de Unity Catalog, como PDF, documentos de Word, presentaciones e imágenes. Cuando alguien hace una pregunta, el agente recupera el contenido del archivo más relevante y razona sobre él junto con tus tablas gobernadas para producir una respuesta, utilizando siempre los permisos de la persona que pregunta. Eso significa que un agente de Investigación de Incidentes puede basarse en los PDF de los runbooks reales, y un agente de Búsqueda de Líneas de Productos puede extraer información de la documentación real del producto.
Aunque los agentes Genie pueden admitir flujos de trabajo complejos y de varios pasos, el mejor punto de partida suele ser un problema específico y reconocible que requiera análisis o trabajo repetitivo. Un caso de uso acotado facilita ver si el agente se basa en las fuentes correctas y se comporta como se espera, al tiempo que hace que la definición del alcance y el benchmarking sean más significativos.
Toma como ejemplo el agente de Investigación de Incidentes de antes. Antes de implementarlo, ejecútalo contra un puñado de incidentes pasados de los que ya conozcas la causa raíz, y verifica no solo si llega a la conclusión correcta, sino también si cita los runbooks y los datos de estado del servicio correctos para llegar allí. Si se apoya en un runbook desactualizado o en el servicio incorrecto, eso apunta a un contexto que necesitas seleccionar, no a un prompt que debas volver a escribir.
Los agentes Genie incluyen benchmarks integrados para esto. Puedes definir un conjunto de preguntas de prueba, cada una con una respuesta esperada, y ejecutarlas para obtener una puntuación de precisión para el agente. Volver a ejecutar ese benchmark después de cada cambio convierte la vaga sensación de que el agente “parece mejor” en un número medible que puedes rastrear, y la pestaña de monitoreo muestra las preguntas reales y los comentarios que envían los usuarios, para que puedas incorporar nuevas brechas al benchmark a medida que te expandes.
Una vez que tu primer caso de uso esté operativo, puedes agregar más conocimientos y fuentes de datos, y cada expansión se basará en una versión que ya ha sido probada. El agente de Datos de Oportunidades de Ventas podría pasar de identificar riesgos en el pipeline a redactar resúmenes de acuerdos o responder preguntas sobre tasas de éxito por segmento. El agente de Gestión de Logística podría expandirse de señalar retrasos a recomendar rutas alternativas o monitorear el desempeño de los transportistas a lo largo del tiempo. El agente de Búsqueda de Líneas de Productos podría pasar de responder preguntas del catálogo a comparar productos o señalar vacíos donde falte documentación.
Los buenos puntos de partida incluyen responder preguntas de una FAQ de productos, investigar un tipo común de incidente de producción, explicar cambios en los costos de la nube o monitorear un conjunto definido de pipelines de datos. El hilo conductor en todos los casos de uso y departamentos es que cada agente comienza con una tarea reconocible.
La creación de agentes con un solo prompt no reemplaza la documentación ni la experiencia en el dominio. Simplemente ofrece a los equipos una forma más rápida de convertir esas inversiones en algo que las personas puedan consumir de forma autosuficiente. Cuanto mejor sea la base, mejor será el agente. La semántica seleccionada de Unity Catalog, como las vistas de métricas, los dominios y la certificación, es de lo que realmente se nutre el prompt para producir respuestas consistentes y confiables.
El prompt inicia el proceso, pero la calidad del agente sigue dependiendo del conocimiento y los sistemas que lo respaldan. Aquí es donde los líderes de datos y de IT marcan la diferencia: la inversión realizada en un contexto gobernado y bien definido es lo que se traduce directamente en la calidad del agente.
Los agentes eficaces comienzan con una necesidad comercial clara y el contexto de confianza necesario para abordarla.
La forma más rápida de comprobarlo es comenzar con un caso de uso específico. Por ejemplo:
Los agentes Genie permiten convertir datos, documentos y flujos de trabajo existentes en un agente específico de un dominio a partir de un solo prompt, para luego definir su alcance, realizar benchmarks y expandirlo con el tiempo.
(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original
Suscríbete a nuestro blog y recibe las últimas publicaciones directamente en tu bandeja de entrada.