O surgimento do banco de dados nativo de IA

Durante décadas, o banco de dados tem sido o parceiro silencioso do comércio – um livro-razão passivo e confiável. Foi o sistema de registro, o cofre imutável que garantiu que cada ação tivesse uma reação igual e auditável. Este modelo subscreveu toda a economia global. Mas essa era de transações previsíveis e iniciadas por humanos acabou.

Estamos entrando na era da agência. Uma nova classe de agentes autónomos – sistemas que percebem, raciocinam, agem e aprendem – está a tornar-se nos principais impulsionadores das operações empresariais. Eles não executam apenas fluxos de trabalho prescritos; eles geram um comportamento emergente e inteligente. Isto cria um novo e profundo desafio para a liderança. Num negócio cada vez mais gerido por sistemas autónomos, como garantir confiança, controlo e auditabilidade? Onde está o aperto de mão num sistema que pensa por si mesmo?

A resposta não é restringir os agentes, mas sim evoluir o ambiente em que operam. O banco de dados não pode mais ser um detentor de registros passivo. Deve ser radicalmente transformado num sistema de razão – uma plataforma activa e inteligente que sirva como consciência do agente. O banco de dados não deve apenas registrar o que um agente fez, mas também fornecer uma “cadeia de pensamento” imutável e explicável sobre o motivo pelo qual o fez. Este é o início do banco de dados nativo de IA.

O novo mandato para liderança

• Seu banco de dados deve evoluir de um livro-razão passivo para um mecanismo de raciocínio ativo. Sua plataforma de dados não é mais apenas um repositório. Deve tornar-se um participante activo na informação, orientação e capacitação de acções autónomas.
• O gráfico de conhecimento empresarial é sua vantagem durável de IA. A diferenciação sustentável não virá apenas do modelo de IA, mas da abrangência dos seus dados proprietários, estruturados como um gráfico de entidades interconectadas que alimentam o raciocínio sofisticado.
• O sucesso depende de uma estrutura “agentops” para implantação em alta velocidade. O principal gargalo na entrega de valor da IA ​​é o fluxo de trabalho humano. A plataforma vencedora é aquela que fornece o caminho mais produtivo e confiável desde o conceito até o sistema autônomo de nível de produção.

Fase 1: Percepção – Dando aos agentes sentidos de alta fidelidade

Um agente que não consegue perceber seu ambiente com clareza e em tempo real é um passivo. É por isso que a The Home Depot, um varejista líder em materiais de construção, criou seu agente “Magic Apron” – ele vai além da simples pesquisa para fornecer orientação especializada 24 horas por dia, 7 dias por semana, extraindo inventário em tempo real e dados de projetos para fornecer aos clientes recomendações personalizadas. Este nível de ação inteligente requer uma camada de percepção unificada que forneça uma visão completa e em tempo real do negócio. A etapa fundamental é projetar uma arquitetura nativa de IA que convirja cargas de trabalho de dados anteriormente isoladas.

Unificando sentidos em tempo real com HTAP+V

A falha fatal das arquiteturas legadas é o abismo entre os bancos de dados operacionais (o que está acontecendo agora) e os armazéns analíticos (o que aconteceu no passado). Um agente que opera nesta arquitetura dividida está sempre olhando no espelho retrovisor. A solução é uma arquitetura convergente: processamento transacional/analítico híbrido (HTAP). O Google projetou esse recurso integrando profundamente seus sistemas, permitindo que o BigQuery consulte diretamente dados transacionais em tempo real do Spanner e do AlloyDB sem afetar o desempenho da produção.

Para a era agencial, porém, é necessário um novo sentido: a intuição. Isso significa adicionar uma terceira carga de trabalho crítica – processamento vetorial – para criar um novo paradigma, HTAP+V. O “V” permite a compreensão semântica, permitindo ao agente compreender a intenção e o significado. É a tecnologia que entende um cliente perguntando “onde estão minhas coisas?” tem a mesma intenção de alguém que pergunta sobre um “problema de entrega”. Reconhecendo isso, o Google integrou recursos vetoriais de alto desempenho em todo o seu portfólio de bancos de dados, possibilitando consultas híbridas poderosas que fundem a pesquisa semântica com dados de negócios tradicionais.

Ensinando os agentes a ver o quadro completo

Os insights mais valiosos de uma empresa geralmente ficam presos em dados não estruturados — contratos, fotos de produtos, transcrições de chamadas de suporte. Um agente deve ser fluente em todos esses idiomas. Isto requer uma plataforma que trate os dados multimodais não como um problema de armazenamento, mas como um elemento computacional central. Este é precisamente o futuro para o qual o BigQuery foi criado, com inovações que permitem que dados não estruturados sejam consultados nativamente junto com tabelas estruturadas. O AlphaFold 3 da DeepMind, que modela as interações complexas de moléculas a partir de uma enorme base de conhecimento multimodal, é uma demonstração profunda desse poder. Se essa arquitetura puder desvendar os segredos da biologia, poderá revelar novo valor para o seu negócio.

Um plano de controle para percepção

Um agente com sentidos perfeitos, mas sem ética, é perigoso. Numa era de decisões à velocidade da máquina, a governação tradicional e manual está obsoleta. A solução é construir agentes que operem dentro de um universo regido por regras. Isso requer a transformação do catálogo de dados de um mapa passivo em um plano de controle em tempo real com reconhecimento de IA. Essa é a função do Dataplex, que define políticas, linhagens e classificações de segurança uma vez e as aplica universalmente – garantindo que a percepção de um agente não seja apenas nítida, mas fundamentalmente compatível por design.

Fase 2: Cognição – Arquitetando memória e raciocínio

Uma vez que um agente pode perceber o mundo, ele deve ser capaz de compreendê-lo. Isto requer uma arquitetura cognitiva sofisticada para memória e raciocínio. Imagine um agente de serviços financeiros que descobre redes de fraude complexas em minutos, analisando milhões de transações, contas e comportamentos de usuários. Isto exige uma plataforma de dados que seja um componente ativo do processo de pensamento do agente.

Projetando uma memória multicamadas

Um agente precisa de dois tipos de memória.

1. Memória de curto prazo: Um “bloco de rascunho” de baixa latência para a tarefa imediata, exigindo consistência absoluta. O Spanner, com sua consistência global, foi projetado com precisão para essa função e é usado por plataformas como Character.ai para gerenciar dados de fluxo de trabalho de agentes.
2. Memória de longo prazo: conhecimento e experiência acumulada do agente. O BigQuery, com sua escala massiva e pesquisa vetorial sem servidor, foi projetado para ser esse armazenamento cognitivo definitivo, permitindo que os agentes recuperem a “agulha” precisa de informações de um palheiro em escala de petabytes.

Raciocínio conectivo com gráficos de conhecimento

Uma memória poderosa não é suficiente; um agente deve ser capaz de raciocinar. A geração aumentada de recuperação (RAG) padrão é como dar a um agente um cartão de biblioteca – ele pode encontrar fatos, mas não consegue conectar as ideias. A evolução crítica é GraphRAG. GraphRAG dá ao agente a capacidade de ser um estudioso, percorrendo um gráfico de conhecimento para compreender as relações profundas entre as entidades.

À medida que a pesquisa vetorial se torna comoditizada, o gráfico de conhecimento empresarial se torna o verdadeiro e durável fosso – ou seja, a vantagem competitiva e durável da empresa. Este é o futuro que o Google está projetando com recursos gráficos nativos em seus bancos de dados, uma visão validada pela pesquisa da DeepMind sobre raciocínio implícito para explícito (I2E), que mostra que os agentes se tornam exponencialmente melhores na resolução de problemas complexos quando conseguem pela primeira vez construir e consultar um gráfico de conhecimento.

Fase 3: Ação – Construindo uma estrutura operacional para a confiança

A vantagem final na era da agência é a velocidade – a velocidade com que você pode transformar uma ideia em um processo autônomo de produção e criação de valor. Um agente poderoso em que não se pode confiar ou ser implantado em grande escala é apenas um projeto científico. Esta fase final trata da construção da “linha de montagem” de alta velocidade para governar as ações de um agente de forma confiável e segura.

Inteligência incorporada e explicabilidade

Para que as ações de um agente sejam confiáveis, o seu raciocínio deve ser transparente. A base para isso é trazer a IA diretamente para os dados. Hoje, plataformas como BigQuery ML e AlloyDB AI tornam isso uma realidade, incorporando recursos de inferência diretamente no banco de dados por meio de uma simples chamada SQL. Isto transforma o banco de dados na consciência do agente.

Mas a inferência por si só não é suficiente. A próxima fronteira de confiança está sendo pioneira na DeepMind por meio de recursos avançados que estão se tornando parte da plataforma. Isso inclui uma nova geração de recursos de AI explicável (XAI), baseados no trabalho da DeepMind sobre citação de dados, que permite aos usuários rastrear uma saída gerada até sua fonte. Além disso, antes de um agente agir no mundo físico, ele precisa de um local seguro para praticar. A pesquisa da DeepMind com modelos como o agente SIMA e modelos físicos generativos para robótica demonstra a importância de missão crítica de treinar e validar agentes em diversas simulações – um recurso que está sendo integrado para reduzir o risco de operações autônomas.

De MLops e Devops a Agentops: as novas regras de engajamento

Com a confiança estabelecida, o foco muda para a velocidade. O gargalo é o fluxo de trabalho humano. Uma nova disciplina operacional, agentops, é necessária para gerenciar o ciclo de vida de sistemas autônomos. É por isso que grandes retalhistas como a Gap Inc. estão a construir o seu futuro roteiro tecnológico em torno deste princípio, utilizando a plataforma Vertex AI para acelerar a sua estratégia de comércio eletrónico e dar vida à IA em todos os seus negócios. O Vertex AI Agent Builder da plataforma fornece um ecossistema abrangente, desde um kit de ferramentas Python (ADK) com código inicial até um tempo de execução totalmente gerenciado e sem servidor (Agent Engine). Essa cadeia de ferramentas integrada é o que resolve o problema da “última milha”, colapsando o ciclo de vida de desenvolvimento e implantação.

Três passos para a era nativa da IA

A transição para a era agente é uma redefinição arquitetônica e estratégica. O caminho a seguir é claro:

1. Unifique a base (Percepção): Comprometa-se com uma verdadeira arquitetura nativa de IA construída em cargas de trabalho HTAP+V convergentes, integrando plataformas como AlloyDB, Spanner e BigQuery em um único plano de governança.
2. Arquiteto para cognição (Raciocínio): Projete sua plataforma de dados para agentes autônomos, não apenas chatbots. Priorize uma arquitetura de memória em camadas e invista em um gráfico de conhecimento corporativo proprietário como seu fosso competitivo central.
3. Domine a última milha (ação): investimento direto em uma prática de agentes de classe mundial centrada em uma plataforma integrada como a Vertex AI, que é o que separa os experimentos fracassados ​​do valor comercial transformador.

Essa pilha integrada fornece uma plataforma durável e excepcionalmente poderosa para construir a próxima geração de sistemas inteligentes e autônomos que definirão o futuro da sua empresa.

–

Fórum de Nova Tecnologia oferece um local para líderes de tecnologia — incluindo fornecedores e outros colaboradores externos — explorarem e discutirem tecnologias empresariais emergentes com profundidade e amplitude sem precedentes. A seleção é subjetiva, baseada na escolha das tecnologias que acreditamos serem importantes e de maior interesse para os leitores do InfoWorld. A InfoWorld não aceita material de marketing para publicação e reserva-se o direito de editar todo o conteúdo contribuído. Enviar tudo consultas para [email protected].