Коллеги из СберТеха поделились интересным кейсом. Коротко пересказываем суть 🤩
Когда Amazon внедрила роботов на складах, компания убрала навигацию, рассчитанную на человека, и перешла на систему координат 🤖
С данными сейчас происходит похожий сдвиг. Классические подходы — star schema, medallion-архитектура, каталоги — создавались под SQL-разработчиков.
AI-агенты устроены иначе:
🟣 они не «смотрят на карту» данных
🟣 они не ищут данные через навигацию
🟣 они запрашивают значение напрямую
И тут важный момент: данные — не коробки на складе.
Их структура определяет, какие вопросы к ним можно задать. Поэтому речь не об отказе от структуры, а о смене её роли:
🔗 с навигации → на операционную семантику
🔗 от пайплайнов → к смыслу
🤩 О том, как проектировать среду для агентов и почему это важнее промптинга, можно прочитать в канале наших коллег, а также в МАКС
Если человеку не хватает контекста, он уточнит. Агент так не может, и это приводит к системным ошибкам.
Попытки решить это уже были: глоссарии, семантические слои, каталоги. Большинство не взлетело из-за низкой окупаемости.
Сейчас ситуация меняется: стоимость отсутствия контекста впервые становится измеримой через качество решений агентов 🖥
Поэтому смена оператора — это не про автоматизацию процессов, а про пересборку самой модели работы с данными.
Полный материал — тут 🤩
Что думаете?
❤️ — хочется узнать об альтернативах
🔥 — надо идти в ногу со временем
✔️ Подписывайтесь на Sber AI в MAX