· AI Engineer World's Fair 2025
«Готовность данных» — миф: надёжный ИИ с агентным семантическим слоем
"Data readiness" is a Myth: Reliable AI with an Agentic Semantic Layer — Anushrut Gupta, PromptQL
Надёжный AI на неидеальных данных строится не подготовкой данных, а агентным семантическим слоем, который учится на исправлениях пользователя.
- Планы вместо ответа LLM — модель пишет план на предметно-ориентированном языке из трёх операций: получение данных, агрегация и семантика. Детерминированный движок исполняет план над распределёнными источниками и показывает результат пользователю напрямую, без возврата данных в LLM.
- Исправления как знания о данных — правки вроде «бюджет хранится в центах» или «финансовый квартал начинается в феврале» попадают в семантический слой. Каждая его версия сохраняется, поэтому можно откатиться к предыдущей.
- Разведка данных после ошибки — когда первый запрос вернул пустой результат, агент проверил значения статусов и нашёл
paidиpendingвместо ожидаемогоsucceeded. - Заявленные результаты — по словам авторов, клиенты из Fortune 500 и быстрорастущего финтеха получили стабильную точность на сложных задачах, но метрик в докладе не показано. Доклад по сути презентация продукта PromptQL, поэтому полезнее всего его архитектурная часть.
Кому полезно: тем, кто строит запросы на естественном языке к нескольким базам с плохо названными таблицами.
Статья по теме
Главы
Похожие доклады
Ваше преимущество — модель данных
AI Engineer World's Fair 2026
Близко по содержанию
Тонкие агенты на умной основе: семантический слой на базе онтологии
AI Engineer World's Fair 2026
Близко по содержанию
Проблема структуры enterprise-агентов
AI Engineer World's Fair 2026
Близко по содержанию
Как закрепить Enterprise GenAI с помощью графов знаний
AI Engineer Summit 2025
Близко по содержанию

