NVIDIA amplía Agent Toolkit con una base para conocimiento y predicciones empresariales

NVIDIA amplió su Agent Toolkit el 21 de octubre con Agent Knowledge Foundation, un conjunto de modelos y bibliotecas diseñado para conectar agentes empresariales con la información de la compañía. El anuncio desplaza la atención del conocimiento general de un modelo hacia los documentos, las tablas y las relaciones de negocio necesarias para decisiones concretas. NVIDIA sitúa esta nueva base junto a su entorno de ejecución OpenShell, los diseños de referencia NemoClaw y las herramientas para crear y mejorar agentes especializados.

La empresa describió implantaciones que abarcan plataformas de datos, en lugar de una única aplicación nueva. La organización de cadena de suministro de NVIDIA trabaja con Foundry, Ontology y AIP de Palantir, mientras que Snowflake incorpora capacidades de Kumo a entornos de cuadernos. Otros socios aplican modelos Nemotron Retriever a búsquedas y comprensión documental. Estos ejemplos muestran distintos puntos de integración; el anuncio no significa que todos los componentes estén automáticamente disponibles para cada cliente de las plataformas mencionadas.

El material para desarrolladores presenta la base como modular. Nemotron Retriever aporta procesamiento de documentos, representaciones vectoriales y reordenación de resultados, mientras que las bibliotecas CUDA-X permiten preparar datos, buscar similitudes, analizar grafos, aplicar aprendizaje automático y optimizar. Las bases de datos, ontologías y marcos de agentes existentes pueden seguir formando parte del proceso. Cada pieza puede adoptarse por separado, permitiendo mejorar una etapa del flujo de información de una aplicación sin sustituir todo el entorno de datos empresarial.

Auto Ontology aborda las relaciones que hay detrás de esa información. Genera una representación inicial de conceptos de negocio a partir de datos y documentación de la empresa, que los expertos empresariales pueden probar, perfeccionar y certificar. Esto añade una capa entre los registros originales y la respuesta del agente: un cliente, pedido o producto puede comprenderse a través de sus conexiones con otros registros. El punto de partida generado todavía exige validación del negocio, en vez de considerarse por defecto una descripción autorizada.

Kumo añade predicciones sobre datos estructurados. NVIDIA describe una familia de modelos abiertos, bibliotecas y herramientas que trabajan con tablas, relaciones entre tablas y señales de series temporales. Entre las tareas previstas están pronosticar resultados, evaluar riesgos, detectar actividad inusual y recomendar acciones. Son tareas distintas de localizar un párrafo en un documento: la salida se refiere a un posible resultado futuro o a un patrón en los registros, en lugar de recuperar simplemente una afirmación existente.

El enfoque utiliza modelos preentrenados para reducir el trabajo repetido en proyectos convencionales de aprendizaje automático predictivo. Esos proyectos suelen requerir preparación de datos, ingeniería de características, entrenamiento, ajuste y despliegue separados para cada tarea. Kumo busca hacer reutilizable una parte mayor de esas capacidades entre distintos problemas de datos estructurados. La descripción para desarrolladores amplía así el papel de un agente empresarial más allá de generar lenguaje, aunque los datos, la pregunta y la evaluación de la aplicación siguen siendo fundamentales para determinar si una predicción resulta útil.

Los controles del entorno de ejecución son otra parte del conjunto. La documentación de OpenShell describe políticas que regulan las rutas que pueden leerse o escribirse, las identidades de los procesos y los destinos de red a los que puede acceder un programa. El acceso no permitido por una política se deniega. Algunos controles quedan fijados al iniciar un entorno aislado, mientras que las reglas de red pueden cambiar durante el funcionamiento. Estos mecanismos regulan lo que el software del agente puede hacer, una cuestión distinta de si las pruebas recuperadas o sus predicciones son correctas.

Cuando una predicción debe convertirse en una decisión operativa, NVIDIA combina estos componentes con cuOpt. La biblioteca de optimización trabaja con objetivos y restricciones para producir rutas, horarios y asignaciones de recursos. cuGraph aporta análisis de registros conectados, mientras que cuML permite crear flujos personalizados de aprendizaje automático. El material para desarrolladores los trata como componentes utilizables de forma independiente, ofreciendo a los equipos varias maneras de conectar los nuevos modelos con sistemas analíticos existentes.