Исследование от Databricks демонстрирует, что многоступенчатые агенты обгоняют одноразовые модели в решении сложных гибридных запросов на 21%. Для компаний, которые работают с смешанными данными, это открывает новые горизонты в эффективности обработки информации.
Контекст исследования
Множество команд, создающих AI-агентов, сталкиваются с одной и той же проблемой: традиционные системы не справляются с запросами, которым требуется объединение структурированных и неструктурированных данных. Databricks провел исследование, в котором более 20% заявленных улучшений были достигнуты в аналитической задачи Stanford STaRK, что подтверждает сложности, с которыми сталкиваются компании при обработке гибридных запросов.
Основные выводы исследования
Одной из главных находок — то, что стандартные методы обработки запросов (RAG) дают сбой при сочетании четких структурированных этих и открытых семантических поисков. Например, запрос «Какие продукты снижали продажи в последние три месяца и какие связанные проблемы упоминаются в отзывах клиентов?» демонстрирует, как сложно справиться системам, работающим только с одноразовыми запросами.
В исследовании было показано, что более мощная одноразовая модель все равно проиграла по сравнению с многоступенчатым агентом: отрыв составил 21% в академической области и 38% в биомедицинской сфере. Эти эти подтверждают гипотезу о том, что проблема заключается не в качестве модели, а в архитектуре систем.
Практическое значение для бизнеса
Для российских компаний, использующих AI-агентов, это исследование подчеркивает важность перехода на многоступенчатые архитектуры. Если ваша компания сталкивается с необходимостью анализа больших объемов данных, состоящих как из структурированных таблиц, так и из неструктурированных документов, стоит рассмотреть возможность перехода на более эффективные подходы. Многоступенчатые агенты могут существенно улучшить качество аналитики и время обработки запросов.
Следующий шаг для Databricks — внедрение Supervisor Agent, который включает инновационные методы работы с данными и позволяет решать задачи, недоступные для традиционных одноразовых подходов.