NVIDIA étend Agent Toolkit avec une base de connaissances et de prévisions d’entreprise

NVIDIA a étendu son Agent Toolkit le 21 octobre avec Agent Knowledge Foundation, un ensemble de modèles et de bibliothèques conçu pour relier les agents d’entreprise aux informations de leur organisation. L’annonce déplace l’attention du savoir général d’un modèle vers les documents, les tableaux et les relations métier nécessaires à des décisions précises. NVIDIA place cette nouvelle base aux côtés de son environnement d’exécution OpenShell, des architectures de référence NemoClaw et des outils de création et d’amélioration d’agents spécialisés.

L’entreprise a décrit des déploiements couvrant des plateformes de données plutôt qu’une seule nouvelle application. L’organisation chargée de la chaîne d’approvisionnement de NVIDIA travaille avec Foundry, Ontology et AIP de Palantir, tandis que Snowflake intègre des fonctions de Kumo aux environnements de notebooks. D’autres partenaires appliquent les modèles Nemotron Retriever à la recherche et à la compréhension documentaire. Ces exemples illustrent plusieurs points d’intégration ; l’annonce ne signifie pas que chaque composant est automatiquement accessible à tous les clients des plateformes citées.

Les documents destinés aux développeurs présentent cette base comme modulaire. Nemotron Retriever apporte le traitement des documents, les représentations vectorielles et le reclassement des résultats, tandis que les bibliothèques CUDA-X prennent en charge préparation des données, recherche de similarité, analyse de graphes, apprentissage automatique et optimisation. Les bases de données, ontologies et frameworks d’agents existants peuvent rester dans le processus. Chaque élément peut être adopté séparément, permettant d’améliorer une étape du circuit d’information d’une application sans remplacer tout l’environnement de données de l’entreprise.

Auto Ontology traite les relations qui sous-tendent ces informations. Il génère une première représentation des concepts métier à partir des données et de la documentation de l’entreprise, que les experts métier peuvent tester, affiner et certifier. Cela ajoute une couche entre les enregistrements bruts et la réponse d’un agent : un client, une commande ou un produit peut être compris par ses liens avec d’autres enregistrements. Le point de départ généré exige encore une validation métier et ne doit pas être considéré d’emblée comme une description faisant autorité.

Kumo ajoute des prévisions sur les données structurées. NVIDIA décrit une famille de modèles ouverts, de bibliothèques et d’outils travaillant avec des tableaux, leurs relations et des signaux de séries temporelles. Les tâches visées comprennent la prévision de résultats, l’évaluation des risques, la détection d’activités inhabituelles et la recommandation d’actions. Elles diffèrent de la recherche d’un paragraphe dans un document : la sortie concerne une issue future possible ou une tendance dans les enregistrements, plutôt que la simple récupération d’une affirmation existante.

L’approche utilise des modèles préentraînés pour réduire le travail répété dans les projets classiques d’apprentissage automatique prédictif. Ces projets nécessitent souvent préparation des données, ingénierie des caractéristiques, entraînement, ajustement et déploiement distincts pour chaque tâche. Kumo vise à rendre une plus grande part de ces capacités réutilisable entre plusieurs problèmes de données structurées. La description destinée aux développeurs étend ainsi le rôle de l’agent d’entreprise au-delà de la génération de langage, tout en laissant les données, la question et l’évaluation de l’application au centre de l’utilité d’une prévision.

Les contrôles d’exécution constituent une autre partie de cet ensemble. La documentation d’OpenShell décrit des politiques régissant les chemins accessibles en lecture et en écriture, les identités des processus et les destinations réseau qu’un programme peut atteindre. Tout accès non autorisé par une politique est refusé. Certains contrôles sont fixés au démarrage d’un environnement isolé, tandis que les règles réseau peuvent changer en cours de fonctionnement. Ces mécanismes concernent ce que le logiciel de l’agent a le droit de faire, une question distincte de l’exactitude des éléments récupérés ou des prévisions.

Lorsqu’une prévision doit devenir une décision opérationnelle, NVIDIA associe ces composants à cuOpt. Cette bibliothèque d’optimisation travaille avec des objectifs et des contraintes pour produire itinéraires, plannings et allocations de ressources. cuGraph fournit l’analyse d’enregistrements reliés, tandis que cuML prend en charge des processus personnalisés d’apprentissage automatique. Les documents pour développeurs les traitent comme des composants utilisables indépendamment, offrant aux équipes plusieurs moyens de connecter les nouveaux modèles à leurs systèmes analytiques existants.