Oracle宣布正在为其基于云的企业应用程序构建AI智能体套件,声称这些智能体能够在业务流程中自主做出决策并执行。但分析师敦促谨慎对待,因为在数据集成和责任归属方面仍存在未解决的问题。
本周在伦敦发布的Fusion智能体应用程序将与Oracle Fusion云应用程序套件集成,涵盖财务、ERP、人力资源、薪资和供应链管理。Oracle认为它在这方面具有结构性优势:训练和运行这些智能体所需的数据已经存在于其企业应用程序中。
Oracle应用程序开发执行副总裁Steve Miranda将这一转变描述为"能够推理、决策并为实现既定业务目标而行动的应用程序",这是从以流程为中心的软件向以结果为导向的自动化的转变。
例如,Oracle承诺提供设计到采购工作空间智能体应用程序,该应用程序可以跨工程、供应商和采购决策工作,创建一个"协调和持续的流程"。
然而,Gartner副总裁兼Oracle供应商负责人Balaji Abbabatulla更为谨慎,指出了关于该技术如何在企业环境中实施的未解答问题。
"我们的立场是这听起来不错,但要谨慎。它看起来并不像听起来那么闪亮。引擎盖下有一些挑战目前还没有被克服,但也许随着时间的推移会解决,"他说。
1月份,Gartner表示全球企业董事会正在给技术团队施压,要求实施AI智能体。应用程序、数据库、服务层和云供应商都在争夺预期的财富,试图建立对企业AI策略的影响力。
Oracle的策略是在其企业应用程序套件中安置AI智能体,并销售AI智能体工作室来帮助组织构建、连接和运行AI自动化和智能体应用程序。Oracle还推出了AI数据平台,用于整合来自不同来源的数据以构建AI智能体。
Gartner的Abbabatulla表示,通过该平台,Oracle希望连接非Oracle存储库、遗留应用程序(如SharePoint存储库)并从中提取信息。尽管Oracle为数据或技术专家提供了相关工具,但这并非自动化的。
"没有一种在后台自主同步这些不同数据存储库的方式,"他说。
构建智能体来运行基于应用程序的流程将需要大量工作,并且很可能需要在Oracle上花费资金以获得正确的工程专业知识,他补充道。
对于那些已经投资Databricks、Snowflake、Cloudera或其他供应商数据平台的大型企业来说,这是一个障碍,其中一些倡议可以追溯到"大数据"投资时代。Abbabatulla认为Oracle的策略部分是防御性的,使用情境数据作为激励来保持客户在其生态系统内。
"转换开销是巨大的,因为这些是人们多年来的投资,"Abbabatulla说。"这不太可能真正吸引他们放弃这项投资,但我确信会有组织愿意在他们已经做出的其他一些投资之外尝试这个。"
Oracle和其他供应商仍必须回答一个问题:如果AI决策出错,谁来承担责任,这是一个我们已经提出了几年的问题。
如果AI智能体大规模快速地做出错误决策,级联错误可能在任何人注意到之前就传播开来。到目前为止,Oracle的答案是监控和审计工具,但Abbabatulla并不信服:"我没有看到任何供应商对责任问题给出明确回应。"
IDC集团副总裁企业软件Mickey North Rizza更加乐观,称这是智能体系统的"重大转变",因为它们在企业软件系统中持续完成工作。
"总的来说,这是Oracle的一个伟大举措,将其定位为面向智能体即应用的市场塑造者。表现良好的不会是拥有最佳用户界面的应用程序,而是能够可靠地完成规模化结果、具有信任度并带来持续经济杠杆的智能体,"她说。
随着董事会向技术团队施压要求部署智能体,Oracle与其他主要平台供应商一样,正在争夺这块蛋糕的一份。
Q&A
Q1:Oracle Fusion智能体应用程序是什么?
A:Oracle Fusion智能体应用程序是Oracle为其基于云的企业应用程序构建的AI智能体套件,集成了财务、ERP、人力资源、薪资和供应链管理功能,能够在业务流程中自主做出决策并执行。
Q2:Oracle的AI智能体相比其他厂商有什么优势?
A:Oracle认为它具有结构性优势,因为训练和运行这些智能体所需的数据已经存在于其企业应用程序中,无需额外的数据迁移和集成工作。
Q3:部署Oracle AI智能体面临哪些挑战?
A:主要挑战包括数据集成问题、转换开销巨大、责任归属不明确,以及对于已经投资其他数据平台的企业来说,切换成本很高。
好文章,需要你的鼓励
谷歌在I/O开发者大会上发布"通用购物车"功能,基于通用商务协议(UCP)整合YouTube、Gmail、Gemini等平台的购物数据,支持Target、Shopify、Wayfair等主流零售商。AI代理可自动检测商品兼容性、推荐优惠信用卡、比价提醒,并在用户授权下自动完成日常采购。该功能旨在打通"加入购物车"到"完成结账"的全流程,实现个性化、无摩擦的购物体验。
这项联合研究提出了COVER方法和CM-EVS数据集,用贪心算法从3D场景中智能筛选全景视角,每场景仅需25帧即可完整覆盖室内场景,并附完整溯源日志。
HolderPO通过引入可调参数p的霍尔德均值替代固定的算术平均,解决了大模型推理训练中信号放大与稳定性之间的根本矛盾,配合动态退火策略在数学推理和代理任务上均创造了新的最优记录。