К содержимому
Дайджест

Слой интеллекта для агентов: память, семантика, онтология

AI Engineer·31 октября 2026·25:47
можно прочитать понять, как устроено промо
Открыть на YouTube
Доклад Ричмонда Алейка (Oracle) с конференции AI Engineer о том, как строить агентов, которые не только оркестрируются, но и учатся через intelligence plane; подойдёт разработчикам и архитекторам AI-систем, уже знакомым с базовыми концепциями.

Что в ролике

Если вы уже строите агентов и знаете agent memory и control plane, спикер предлагает следующий слой — intelligence plane, который нужен, чтобы агенты не просто управлялись, а учились на данных и памяти. Он описывает четыре компонента intelligence plane: знания, память, управление доступом и непрерывное обучение, и отличает его от control plane с оркестрацией, политиками и аудитом. В демо два агента на одних моделях отвечают на одни финансовые вопросы: наивный агент тратит 200 тысяч токенов и ошибается в 5% случаев, а governed-агент с ontology и semantic layer тратит 32 тысячи токенов и отвечает верно в 99% случаев. Докладчик объясняет, что ontology и semantic layer дают точность, которую не получить простым keyword search, а разница в 5% критична в финансах, где ошибка может означать штраф в 100 млн долларов за мошенническую транзакцию. Он призывает относиться к памяти как к данным, фиксировать entities и определения, переносить entitlements в data layer и захватывать memory traces для fine-tuning. Oracle предоставляет компоненты: Python-пакет agent memory, deep data security с наследованием прав пользователя в базе данных, private AI service container для инференса на своей инфраструктуре и no-code платформу Private Agent Factory. Второй демо — открытый инструмент Memories: fine-tuned decision model для memory routing (маршрутизации в conversation memory или workflow memory) поверх embedding и re-ranker, что дешевле и быстрее кода.

Практика

Что получишь
Конкретное понимание, как перейти от управления агентами (control plane) к системам, которые учатся через intelligence plane, и список компонентов Oracle для этого — с примерами экономии токенов и точности.
Первый шаг
Начните с получения QR-кода у стенда Oracle, чтобы скачать код демо и reference architecture, а затем изучите Python-пакет agent memory.
Цифры
  • —32 тысячи против 200 тысяч токенов — расход governed и наивного агентов на одних и тех же вопросах
  • —99% против 95% — точность governed и наивного агентов (у наивного 5% ошибок)
  • —100 млн долларов — возможный штраф за мошенническую транзакцию, который упоминается как цена ошибки в финансах
  • —6 месяцев — на столько, по словам спикера, идеи из доклада опережают текущий уровень индустрии
Честно
Доклад — презентация продуктов Oracle: спикер прямо показывает, что все компоненты intelligence plane реализуются в Oracle AI Database, Deep Data Security, Private AI service container и Private Agent Factory. Код демо и слайды доступны только через QR-код на слайдах или у стенда Oracle, в открытом доступе их нет. Демо не запускается вживую из-за плохого интернета, поэтому подробности (интерфейс, точные настройки) остаются на скриншотах.
Если слова незнакомы — 9 терминов

Компоненты

6 шт.

Формат: разбор · для практикующих · уверенность разметки 0.8 · источник