Warstwa semantyczna może poprawić jakość pracy agentów AI
Warstwa semantyczna, która opisuje znaczenie firmowych danych i dostarcza agentom AI właściwego kontekstu, może ograniczyć błędne odpowiedzi modeli, a także koszty ich wykorzystania. „Jej brak to jeden z powodów, dla których projekty związane ze sztuczną inteligencją nie wychodzą poza fazę pilota lub eksperymentu” - uważa Wojciech Małek, Country Manager Ab Initio Software. Jak podkreślał, kluczowe jest dziś to, by taką warstwę zbudować szybko, w oparciu o to, co organizacja już ma.
Wojciech Małek, Country Manager Ab Initio Software, podczas kongresu AI Summit Poland 2026 wygłosił prelekcję „Jak dzięki warstwie semantycznej poprawić jakość pracy agentów AI”.
Zdaniem Wojciecha Małka problem pojawia się wówczas, gdy agenci AI mają pracować na danych przedsiębiorstwa. Zwykle danych jest dużo, są złożone i jednocześnie rozproszone. Dodatkowo brak kontekstu może doprowadzić do błędnych wniosków, a użytkownik może nieświadomie przyjąć je za prawidłowe.
Wojciech Małek podkreślił, że agent wykorzystujący dane przedsiębiorstwa musi pokonać kilka barier. Pierwszą z nich jest odnalezienie informacji, które potrzebne są do rozwiązania problemu, następną - ich prawidłowe zrozumienie (tutaj problemem są nieczytelnie zapisane nazwy, skróty itd.) - i właśnie do tego potrzebny jest kontekst. Konieczne jest również ustalenie, czy agent ma prawo przetwarzać określone informacje, takie jak dane wrażliwe.
„Wyzwaniem jest również ilość informacji, które można przekazać modelowi w ramach dostępnego kontekstu” - powiedział Małek.
Podkreślił, że odpowiedzią na część tych problemów jest warstwa semantyczna. „Jest to pewna struktura, która w najprostszym ujęciu wyjaśnia nam znaczenie danych” - wyjaśnił.
Jego zdaniem warstwa taka powinna zawierać informacje m.in. o tym, co oznaczają poszczególne dane, co się z nimi działo, jaka jest ich jakość oraz kto i w jaki sposób może z nich korzystać. Istotną zaletą warstwy semantycznej jest możliwość definiowania pojęć i reguł na poziomie biznesowym. Jeśli pojęcie zostanie oznaczone np. jako dane osobowe, reguły dostępu i maskowania obowiązują we wszystkich miejscach, w których te dane fizycznie się znajdują. O tym, co agent może zobaczyć, decyduje platforma, a nie sam agent.
„Warstwa semantyczna powinna łączyć pojęcia biznesowe i zachodzące między nimi relacje z konkretnymi danymi. Dostarczenie agentowi tak przygotowanego kontekstu ułatwi mu poruszanie się w zasobach informacyjnych firmy i zwiększy prawdopodobieństwo właściwego rozumienia zadawanych pytań” - wskazał Wojciech Małek.
Kolejnym elementem są tzw. produkty danych. Małek zaznaczył, że powinny one być znaczeniowo opisanym fragmentem rzeczywistości biznesowej, wyposażonym m.in. w kontrakt oraz metryki jakości. To przez nie, a nie przez bezpośrednie połączenie z bazą danych, agent powinien sięgać po dane.
Małek wskazał, że przy projektowaniu rozwiązań agentowych znaczenie ma nie tylko jakość odpowiedzi, ale również koszt korzystania z modeli. Dlatego próba przekazania modelowi jednocześnie całego dużego pakietu wiedzy może być nieefektywna ze względu na ograniczenia okna kontekstowego i koszty przetwarzania.
Jego zdaniem zamiast każdorazowo przekazywać agentowi całość dostępnej wiedzy, należy precyzyjnie wybierać informacje niezbędne do wykonania konkretnego zadania. Wybrany kontekst powinien odpowiadać konkretnemu pytaniu biznesowemu lub wskaźnikowi KPI, który agent ma obliczyć. W takim modelu warstwa semantyczna ma pomagać określić, które informacje są potrzebne, które mają znaczenie oraz w jakiej relacji pozostają one do innych danych.
Jak zbudować taką warstwę szybko? Zdaniem Małka nie wymaga to wieloletniego projektu modelowania ani przenoszenia danych. Znaczenie, którego potrzebuje warstwa semantyczna, w dużej mierze już w organizacji istnieje: w metadanych i w samych danych, w branżowych ontologiach i słownikach, w które firmy już zainwestowały, a także w dokumentach.
Kluczowa jest automatyzacja. Pojęcia biznesowe są automatycznie mapowane na pola w systemach, w których faktycznie występują, a gdy system nie znajduje dopasowania, sam proponuje nowe pojęcie. Człowiek zatwierdza lub poprawia te propozycje. Dzięki temu model nie tylko jest używany, ale stale się rozwija. Jako przykład tego, jak szybko można zacząć, Małek podał przetworzenie zbioru dokumentów.
Repozytorium metadanych może obejmować m.in. produkty danych, słowniki pojęć oraz tzw. data lineage, czyli informacje, które pokazują, w jaki sposób dane przepływają przez przedsiębiorstwo.
Zamiast próbować od razu uporządkować całość swoich zasobów, firmy powinny rozpoczynać budowę takich rozwiązań od pewnego wycinka: jednej domeny i jednego pytania biznesowego. Pierwsza domena daje wartość, zanim powstanie model całej organizacji, a każda kolejna go poszerza. Podkreślił, że źródłem wiedzy przydatnej dla agentów nie muszą być wyłącznie tradycyjne, ustrukturyzowane bazy. Mogą nim być również dokumenty czy transkrypcje spotkań, które zawierają informacje niezapisane w innych systemach.
„Nie ma złych danych. Są dane bez kontekstu” - podsumował wystąpienie Wojciech Małek.
