فابیان ناردون (Fabiane Nardon)، مدیر بخش هوش داده در شرکت TOTVS (یکی از بزرگ‌ترین شرکت‌های فناوری برزیل)، در ارائه‌ای به تشریح چالش‌ها و راهکارهای آماده‌سازی داده‌های سازمانی برای عامل‌های هوش مصنوعی (AI Agents) پرداخته است. او توضیح می‌دهد که چگونه می‌توان میان منطق قطعی (Deterministic) سیستم‌های سنتی و رفتار غیرقطعی (Non-deterministic) مدل‌های زبانی بزرگ (LLM) از نظر دقت، امنیت و هزینه تعادل برقرار کرد.
چالش داده‌های آماده‌نشده برای هوش مصنوعی
به گفته ناردون، سیستم‌های تراکنشی سنتی (مانند ERP و CRM) برای استفاده توسط اپلیکیشن‌ها بهینه‌سازی شده‌اند و دریاچه‌های داده (Data Lakes) نیز برای تحلیلگران داده و داشبوردها طراحی شده‌اند. هیچ‌کدام از این زیرساخت‌ها برای دسترسی مستقیم عامل‌های هوش مصنوعی که تشنه مصرف توکن، حساس به تاخیر و دارای الگوهای پرس‌وجوی غیرقابل‌پیش‌بینی هستند، بهینه‌سازی نشده‌اند.
در محیط‌های سازمانی، سیستم‌های تراکنشی معمولاً با دقت ۹۹.۹۹ درصدی عمل می‌کنند، در حالی که عامل‌های هوش مصنوعی مبتنی بر استدلال‌های احتمالی هستند. چالش اصلی، ترکیب این دو مدل محاسباتی و تعیین مرز دقیق میان آن‌هاست.
ترکیب مدل‌های محاسباتی قطعی و غیرقطعی
موفقیت یک اپلیکیشن سازمانی مدرن به این بستگی دارد که بدانیم کدام بخش از کار را باید به نرم‌افزار قطعی سنتی بسپاریم و کدام بخش را به هوش مصنوعی مولد واگذار کنیم. این تصمیم‌گیری بر اساس فرمولی با سه متغیر کلیدی انجام می‌شود: دقت (Precision)، امنیت (Security) و هزینه (Cost)؛ که هر سه به شدت به نحوه ارائه داده‌ها به سیستم بستگی دارند.
انتخاب منبع داده مناسب: سیستم تراکنشی یا پلتفرم داده؟
اتصال مستقیم هوش مصنوعی به سیستم‌های تراکنشی اصلی می‌تواند مشکلاتی مانند بار پردازشی پیش‌بینی‌نشده، عدم پشتیبانی پایگاه‌های داده قدیمی از جستجوی معنایی (Semantic Search) و وجود داده‌های هرز (Noise) را به همراه داشته باشد. از این رو، سازمان‌ها معمولاً داده‌ها را به یک پلتفرم داده (Data Platform) منتقل می‌کنند تا فرآیندهای آماده‌سازی و جستجوی برداری در آنجا انجام شود.
ناردون راهکار و معیارهای زیر را برای انتخاب منبع داده پیشنهاد می‌کند:
- چه زمانی باید به سیستم تراکنشی مراجعه کرد؟ هنگامی که نیاز به نوشتن داده‌ها (Write Operations) وجود دارد، زمانی که به داده‌های کاملاً به‌روز و لحظه‌ای (Fresh Data) نیاز است، یا زمانی که باید قوانین کسب‌وکار (Business Rules) کدگذاری‌شده در سیستم اصلی اجرا شوند.
- چه زمانی باید از پلتفرم داده استفاده کرد؟ هنگامی که دسترسی به داده‌های قدیمی‌تر (Stale Data) مشکلی ایجاد نمی‌کند، زمانی که نیاز به پردازش داده‌های تاریخی وجود دارد، یا زمانی که به قابلیت‌های جستجوی معنایی نیاز داریم.