Betörnek az AI-ügynökök a bankokba – de hogyan menedzselhetjük őket?
A mesterséges intelligencia ágensek vállalati és banki alkalmazásánál a dokumentumok puszta betöltése helyett a megfelelően strukturált, több rétegű szervezeti memória kiépítése a siker kulcsa – fejtette ki Schäffer Krisztián, az ARDINSYS AI stratégiai vezetője a Portfolio Banking Technology 2026 konferencián.
A szakember előadásában rávilágított, hogy a banki környezetben a nyelvi modellek és az ágensek elméleti elválasztása a gyakorlatban technológiai korlátokba ütközik. Mivel a nyelvi modellek állapottal nem rendelkező matematikai függvényként működnek – azaz két egymást követő hívás között nem őriznek meg információt –, a beszélgetési előzményeket minden egyes hívásnál újra el kell küldeni a rendszernek. A döntéshozatalhoz szükséges bizalmas adatokat így elkerülhetetlenül továbbítani kell a modellt kiszolgáló szerverek felé.
Az ágensek működése azon alapul, hogy a modell eszközhívásokon keresztül saját magával folytat párbeszédet, és addig gyűjti az információkat a kontextusablakban lévő „jegyzetfüzetébe”, amíg meg nem tudja adni a végső választ. Mivel a kontextus hossza minden lépésben növekszik, az ágensrendszerek erőforrásigénye és költsége a lépésszámmal arányosan, négyzetesen növekszik, amit a gyorsítótárazási technológiák csak részben tudnak csökkenteni.
A vállalati gyakorlatban gyakori tévhit, hogy a meglévő dokumentumvagyon átadása elegendő az AI-asszisztensek hatékony működéséhez. A céges dokumentumok ugyanis heterogének, elavulnak vagy hiányosak. A céges dokumentumvagyon puszta betöltése önmagában nem oldja meg a releváns információk kinyerését, hiszen a vállalati tudásanyag természetéből adódóan hiányos és elavult. A hatékony működéshez a statikus adatokon túlmutató, dinamikusan frissülő szervezeti memóriára van szükség – mutatta be a vállalati adatállományok kihívásait a szakértő.
Az emberi elme memóriarendszereire – munkamemória, epizodikus, szemantikus és procedurális memória – építve az ARDINSYS által fejlesztett Volumentor munkakörnyezetben bevezették a szervezeti memória rétegét. Ez a „törzsi tudás” összegyűjtését szolgálja, és több egymásra épülő szintből áll. Az alapréteg a statikus dokumentumok, forráskódok és konfigurációk kereshető adattábláit jelenti. A dinamikus rétegben a felhasználói beszélgetések leiratait független „kurátor ágensek” elemzik: ha új információt vagy visszajelzést azonosítanak, azt automatikusan bevezetik a központi, Git-alapú Markdown-fájlokban tárolt tudástárba, míg az elavult adatokat archiválják. Az asszociatív réteg pedig előre előállított tudáselemek, úgynevezett „gyors irányjelző morzsák” beszúrását jelenti a kontextusba a beszélgetés indításakor, ami segíti az ágenst a helyes irány meghatározásában.
A mesterséges intelligencia alapját adó modellek mára felcserélhető közművé váltak, ezért a vállalati rendszerek tervezésénél kulcsfontosságú a beszállítói függőségek elkerülése és az architektúra függetlenségének megőrzése – tette hozzá Schäffer Krisztián.
