Ferramentas de desenvolvimento de IA
NVIDIA amplia Agent Toolkit com base para conhecimento e previsões empresariais
NVIDIA adicionou Agent Knowledge Foundation, unindo recuperação, previsões com dados estruturados e relações de negócio aos controles de execução existentes.
A NVIDIA ampliou seu Agent Toolkit em 21 de outubro com o Agent Knowledge Foundation, uma coleção de modelos e bibliotecas projetada para conectar agentes empresariais às informações da companhia. O anúncio desloca a atenção do conhecimento geral de um modelo para documentos, tabelas e relações de negócio necessários a decisões específicas. A NVIDIA posiciona a nova base ao lado de seu ambiente de execução OpenShell, dos projetos de referência NemoClaw e das ferramentas para criar e melhorar agentes especializados.
A empresa descreveu implantações que abrangem plataformas de dados, em vez de um único aplicativo novo. A organização de cadeia de suprimentos da NVIDIA trabalha com Foundry, Ontology e AIP da Palantir, enquanto a Snowflake leva capacidades do Kumo a ambientes de notebooks. Outros parceiros aplicam modelos Nemotron Retriever à busca e à compreensão de documentos. Os exemplos ilustram diferentes pontos de integração; o anúncio não significa que todos os componentes estejam automaticamente disponíveis para cada cliente das plataformas citadas.
O material para desenvolvedores apresenta a base como modular. O Nemotron Retriever oferece processamento de documentos, representações vetoriais e reordenação de resultados, enquanto bibliotecas CUDA-X apoiam preparação de dados, busca por similaridade, análise de grafos, aprendizado de máquina e otimização. Bancos de dados, ontologias e frameworks de agentes existentes podem continuar no fluxo de trabalho. Cada peça pode ser adotada separadamente, permitindo que uma aplicação melhore uma etapa de seu fluxo de informação sem substituir todo o ambiente de dados da empresa.
O Auto Ontology trata das relações por trás dessas informações. Ele gera uma representação inicial de conceitos de negócio a partir dos dados e da documentação da empresa, que especialistas de negócio podem testar, refinar e certificar. Isso acrescenta uma camada entre os registros brutos e a resposta do agente: um cliente, pedido ou produto pode ser compreendido por suas conexões com outros registros. O ponto de partida gerado ainda exige validação de negócio, em vez de ser considerado automaticamente uma descrição com autoridade.
O Kumo acrescenta previsões sobre dados estruturados. A NVIDIA descreve uma família de modelos abertos, bibliotecas e ferramentas que trabalham com tabelas, relações entre tabelas e sinais de séries temporais. As tarefas pretendidas incluem prever resultados, avaliar riscos, detectar atividades incomuns e recomendar ações. São tarefas diferentes de encontrar um parágrafo em um documento: a saída diz respeito a um possível resultado futuro ou padrão nos registros, e não apenas à recuperação de uma afirmação já existente.
A abordagem utiliza modelos pré-treinados para reduzir o trabalho repetido em projetos convencionais de aprendizado de máquina preditivo. Esses projetos frequentemente exigem preparação de dados, engenharia de atributos, treinamento, ajuste e implantação separados para cada tarefa. O Kumo procura tornar uma parte maior dessa capacidade reutilizável entre problemas de dados estruturados. A descrição para desenvolvedores, portanto, amplia o papel de um agente empresarial para além da geração de linguagem, embora os dados, a pergunta e a avaliação da aplicação continuem centrais para determinar se uma previsão é útil.
Os controles do ambiente de execução formam outra parte da estrutura. A documentação do OpenShell descreve políticas que regem caminhos com permissão de leitura e escrita, identidades de processos e destinos de rede que um programa pode alcançar. O acesso não permitido por uma política é negado. Alguns controles são fixados quando o ambiente isolado começa, enquanto as regras de rede podem mudar durante a operação. Esses mecanismos dizem respeito ao que o software do agente pode fazer, uma questão diferente de saber se as evidências recuperadas ou as previsões estão corretas.
Quando uma previsão precisa se transformar em uma decisão operacional, a NVIDIA combina esses componentes com o cuOpt. A biblioteca de otimização trabalha com objetivos e restrições para produzir rotas, cronogramas e alocações de recursos. O cuGraph fornece análise de registros conectados, enquanto o cuML apoia fluxos personalizados de aprendizado de máquina. O material para desenvolvedores os trata como componentes utilizáveis de forma independente, oferecendo às equipes várias maneiras de conectar os novos modelos a sistemas analíticos existentes.