Пока каждый второй стартап обещает вам AI-агентов, которые перевернут мир (или хотя бы ваш ежедневник), Kensho — подразделение S&P Global — решил подойти к делу с умом. Вместо того чтобы гоняться за призраками в облаках, они взялись за насущную проблему: как сделать так, чтобы AI, оперирующий финансовыми данными, не просто генерировал текст, а пользовался проверенной информацией. Задача Kensho — обеспечить, чтобы выходные данные ИИ оставались «приземленными» в доверенных источниках, невзирая на их дальнейшее использование. Это не про модные тренды, а про надежность там, где цена ошибки может обернуться крахом.
Суть в том, что данные S&P Global — это не примитивный набор слов для стандартного LLM. Это высокоструктурированные, полные нюансов массивы, требующие особого подхода. Обычные поисковики тут бессильны. Чтобы унифицировать доступ к этим данным и интегрировать их с передовыми генеративными AI-приложениями, Kensho разработала фреймворк Grounding. Он станет единой точкой входа к данным S&P Global, гарантируя, что любое «откровение» ИИ будет основано на проверенных датасетах. Это ключ к унификации данных из разных подразделений и их интеграции с AI-агентами, LLM и GenAI-приложениями, сохраняя при этом высокий уровень доверия и соответствия требованиям.
Финансовые профессионалы устали от фрагментации данных: часы уходят на поиск и верификацию. Grounding решает эту проблему, предоставляя единую точку доступа для запросов на естественном языке к проверенным финансовым датасетам S&P Global. Забудьте о сложных схемах баз данных и специальных языках запросов. Система выдаст точную информацию в реальном времени, подкрепив ответы цитатами из проверенных источников S&P Global. Это значит, что пользователи смогут сосредоточиться на анализе, а не на бесконечной охоте за данными и их валидации.
Для реализации Kensho подтянула LangGraph, выстроив многоагентную архитектуру. Grounding выступает как центральная точка доступа для AI-агентов, которые, в свою очередь, дергают данные из разных источников S&P Global. Вместо того чтобы пихать логику обработки естественного языка в каждого агента, разработчики создали роутер, который умнó направляет запросы к специализированным агентам извлечения данных (DRAs). Эти агенты, закрепленные за разными командами (акции, облигации, макроэкономика), обеспечивают разделение труда и повышают эффективность работы с узкоспециализированными данными.
Почему это важно: создание подобных многоагентных фреймворков, как Grounding, становится критически важным для любой отрасли, где точность и достоверность данных — не пустой звук. Для финансового сектора, медицины, юриспруденции и инженерии это означает переход от хайповых AI-обещаний к реальной автоматизации сложных процессов на основе проверенной информации. А это, как ни крути, повышает эффективность и снижает риски.