Genie؛ سه ترفند برای ایجنتهای داده
هوش مصنوعیخلاصهٔ کاملتر
Databricks تو یه پست فنی سراغ Genie رفته، ایجنت دادهای که قراره به سؤالهای پیچیده دربارهٔ دادهٔ سازمانی جواب بده؛ هم دادهٔ ساختیافته مثل جدول و داشبورد، هم دادهٔ بدون ساختار مثل فایلهای ورکاسپیس و Google Drive و SharePoint. به گفتهٔ نویسندهها ایجنتهای کدنویسی تو یه محیط ثابت و قابلپیشبینی کار میکنن، ولی ایجنت داده باید تو یه lakehouse (یعنی انباری که دادهٔ خام و جدول تحلیلی رو کنار هم نگه میداره) بچرخه که مدام عوض میشه.
تو مقاله سه چالش اصلی شمرده شده. اول مقیاس کشف داده: شرکتهای بزرگ میلیونها جدول و داشبورد و سند دارن و جستوجوی معمولی از پسش برنمیاد. دوم پیدا کردن منبع درست، چون تعریفها تو متادیتای جدول، سند شرکتی و پیامهای داخلی پخشن و اغلب قدیمی یا متناقضن. سوم نبودِ تست: ایجنت کد میتونه تست بنویسه و تا سبز شدنش کد رو اصلاح کنه، ولی جواب یه سؤال تحلیلی همچین معیاری نداره.
راهحلها هم سهتا هستن. جستوجوی دانش تخصصی از دل جدولها، نوتبوکها و داشبوردهای موجود یه لایهٔ معنایی میسازه و چند ایندکس رو موازی میگرده؛ تو بنچمارک خودشون کیفیت پیدا کردن جدول درست رو تا ۴۰ درصد بهتر کرده. فکر کردن موازی یعنی ایجنت چند مسیر مختلف رو همزمان جلو میبره و آخرش یافتهها رو کنار هم میذاره تا جواب نهایی دربیاد، که دقت رو بالا میبره ولی تأخیر و هزینهٔ توکن رو هم زیاد میکنه.
تکنیک سوم Multi-LLM هست: هر زیرایجنت با مدل مناسب خودش کار میکنه، یکی برای برنامهریزی، یکی برای جستوجو، یکی برای تولید کد و داوری. چون هر مدل تو یه چیزی بهتره و هزینه و سرعتشون هم فرق داره. Databricks میگه با کنار هم گذاشتن این سه تا، دقت Genie روی بنچمارک داخلیشون از ۳۲ درصد به بالای ۹۰ درصد رسیده و همزمان هزینه و تأخیر هم پایین اومده. برای بهینهسازی پرامپتها هم از روشی به اسم GEPA استفاده کردن.
نکات کلیدی:
- دقت Genie روی بنچمارک داخلی Databricks از ۳۲ درصد به بالای ۹۰ درصد رسیده
- جستوجوی دانش تخصصی، کیفیت پیدا کردن جدول درست رو تا ۴۰ درصد بهتر کرده
- فکر کردن موازی دقت رو بالا میبره ولی تأخیر و هزینهٔ توکن رو هم اضافه میکنه
- Multi-LLM اجازه میده هر زیرایجنت مدل خودش رو داشته باشه؛ Opus، GPT، Gemini یا مدلهای متنباز
- سه چالش خاص ایجنت داده: مقیاس کشف منابع، تعیین منبع معتبر و نبود تست قابلراستیآزمایی
