Unternehmen brauchen keinen einzigen, universellen AI-Bot. Sie benötigen Domain-native Agentensysteme, die Einzelhandelskorb und Promotionen, Bankdepositionen und Risikoflaggen, SKU-Geschwindigkeit und Lieferanten-OTIF, Netzwerkzellen und Ausfallkohorten, Patientenreisen und Protokollabweichungen verstehen. Das ist das Zentrum der Vision von Praveen Satyanarayana bei Tredence: maßgeschneiderte Workflows, Ontologien, Wissensdiagramme, Tools und Metriken für jede Domäne, die von zwei nicht verhandelbaren, die überall angewendet werden. Business-Sprache löst sich auf kanonische Metriken, erlaubte Joins, Einheiten und Linie, und das System sperrt Reichweite über Metrik, Zeit, Segment und Geographie, bevor es jede Berechnung verbringt. Ontology-first grounding. Multi-Turn-Rezension läuft durch eine Verifizierungsschachtel mit doppelten Richtern, einem LLM-Kritiker für Struktur und Klarheit und einer Gold-Daten-Schicht für numerische Wahrheit. Reliability over autonomy. Seit mehr als einem Jahrzehnt haben Unternehmen Geld in Lagerhäuser und Dashboards gegossen, während die Entscheidungsverzögerung hartnäckig blieb. Das Problem der letzten Meile ist keine Visualisierungslücke. Es ist eine Argumentationslücke. Das Schließen erfordert Systeme, die Absicht, Form und Testhypothesen klären, Ansprüche auf gesteuerte Daten mappen und Entscheidungsempfehlungen mit einer auditierbaren Spur zurückgeben. Das ist der Punkt von Milky Way, dem agentenbezogenen Entscheidungssystem, das Praveen und das Team für beschreibende und diagnostische Analysen gebaut haben. Es behandelt die Realität des Unternehmens so, wie sie ist, mit überlasteten Bedingungen, partiellen Daten, brüchigen Joins und Prüfungsanforderungen. "Im Einzelhandel hat ein Agent, der nicht sprechen kann Korb, UPC, Promo und Store-Week hat keine geschäftliche Schreiben SQL." - Praveen Satyanarayana "Wir bauen Konstellationen von Agenten, nicht einen Mascot-Bot. Jeder kennt seine Domäne, seine Werkzeuge und seine Wächter." - Praveen Satyanarayana What makes this different Was macht das anders Agentic AI ist eine Software, die Aktionen auswählt und Werkzeuge verwendet, um ein Ziel innerhalb von Wache zu verfolgen. Praveens Beitrag besteht darin, diese Idee messbar und für die Analyse zu gestalten. Begründet die Sprache. Kartieren Sie die Begriffe auf Entitäten, Metriken, Synonyme, Linie und zulässige Join-Paths. Kompilieren Sie Pläne in geschützte Werkzeuganrufe mit Timeouts, Retries, Schaltkreuzern und SQL-Strukturprüfungen auf Schemavarianten. Generieren Sie konkurrierende Erklärungen, binden Sie jede mit Feldern, Gelenken, Transformationen, Tests und Visualitäten, sortieren Sie dann nach vorheriger Wahrscheinlichkeit, Kosten zur Validierung und erwarteten Informationen. Lassen Sie ein kritisches Modell Klarheit und Abdeckung erzielen, während ein Goldgeschäft Zahlen, Joins, Filter und statistische Ansprüche überprüft. Bereitstellen Sie Tabellen, Zahlen, Vertrauen und Links zu der vollständigen Spur für Audits. Why now Warum jetzt Fehlerkomponieren ist unverzeihlich. bescheidene Fehlerraten pro Schritt verringern die Zuverlässigkeit von Ende zu Ende in mehrstufigen Workflows, weshalb begrenzte Schritte, Verifizierung und menschliche Tore von Bedeutung sind. Die Gesprächslänge treibt auch Tokenkosten und Latenz vor, so dass praktische Systeme kurzzeitige Aufgaben mit expliziten Checkpoints bevorzugen. „Kurze, verifizierte Schritte schlagen lange, clevere Chats.“ – Praveen Satyanarayana A crisp domain-native playbook Das Crisp Domain-Native Playbook Das System schickt keine einzige Vorlage. Es schickt Domain-Pakete, die eine Ontologie und Wissensdiagramme, ein geprüftes Toolkit, eine Starterbibliothek von Hypothesen und Akzeptanzmetriken enthalten. Einzelhandel, BFSI, Supply Chain, Telekommunikation, Gesundheitswesen und Reisen verwenden alle denselben Rückgrat, installieren aber verschiedene Pakete. Joins und Lineage unterscheiden sich je nach Domain, so dass Zuverlässigkeit lokal definiert und zentral durchgesetzt werden muss. "Der schnellste Weg, um Vertrauen zu verlieren, ist, schnell mit den falschen Join / Daten zu antworten." Die Wahrheit Satyanarayana Knowledge graph and ontology operations Wissensgrafiken und ontologische Operationen Die Ontologie- und Wissensdiagramme fungieren als der Vertrag zwischen Sprache und Daten. Sie kodieren Entity-Beziehungen, metrische Linie, verbinden Zulässigkeit, Synonyme und Richtlinien-Tags. Sie tragen auch Pfadkosten und Qualitätsetiketten, so dass Planer kurze, zuverlässige Routen bevorzugen. Drift-Monitore. Erkennen Sie Schemaänderungen, Definitionsschwankungen, Einheitsunterschiede und Beziehungsschwankungen. Bereitstellen Sie Domain-Adapter für neue Tabellen und kurieren Sie Curriculum-Aufgaben, die schwache Punkte härten. Synonyme und Alias-Management: Halten Sie einen kompakten Termin-Shop aufrecht, der von Embeddings für den Rückruf und von harten Regeln für die Präzision unterstützt wird. Führen Sie vorgeführte Prüfungen und strukturelle SQL-Tests auf versteckten Schema-Varianten vor der Ausführung durch. Lineage-Transparenz Aufzeichnen von Tabellen, Joins, Filtern und Aggregationsregeln in einer Spur, die durch Rollen erforscht werden kann. Custom evaluations and rubrics Custom Evaluationen und Rubriken Generische Leadboards messen die Zuverlässigkeit des Unternehmens nicht. Milky Way verwendet benutzerdefinierte Rubriken und Akzeptanztests, die Verhalten in Signale für das Lernen und für Live-Gateways verwandeln. Framing- und Guardrail-Signale: Klären Sie die Zählung, die Genauigkeit des Scope-Lockings, die fehlenden Informationsanfragen, die Erkennung von Aufgabentypen und die Unterbrechung oder Überschreitung der Verfügbarkeit. Feld-Mapping-Genauigkeit gegenüber einer Gold-Shortlist, Geltungsrate auf dem Ontologie-Diagramm, Aggregationsregel-Anhaltung an die Linie und Eskalationslatenz, wenn die erforderlichen Daten fehlen. Plan- und Ausführungssignale: Planvollständigkeit, statistische Test-Angemessenheit, SQL-Strukturkorrektheit, Ausführungserfolgsquote und Explorationstiefe in Distributionen, Kohorten, Outliers und Kontrollen. Causal attribution confidence, actionability lead time, persona fit für executive und analyst consumption und trace transparency index. Rollenförmige Belohnungen belohnen, dass Kreditklärer für Verbesserungen im Umfang, Mappers für Feldgenauigkeit und Join-Gültigkeit, Ausführer für strukturelle Korrektheit und Reporter für Persona-Fitness und Transparenz, mit einem Team-Bonus für rechtzeitige Schließung über Vertrauensschwellen. Diese Bewertungen laufen offline bei synthetischen Aufgaben, die das tatsächliche Schema widerspiegeln und online als Schatten- oder Gated-Flows laufen. How multi-turn reasoning actually runs Wie Multi-Turn-Rezensionierung tatsächlich funktioniert Die Klärung konvergiert zu einem Scope-Lock mit einer minimalen Belastung für den Benutzer. Die Hypothese-Engine pflanzt Kandidaten aus einer Domain-Bibliothek und von der Wiederherstellung über frühere Fälle und markiert Koexistenz oder Konkurrenz. Der Mapper bindet jede Hypothese an Felder und verbindet und produziert eine Faktorkarte. Der Exekutor führt SQL und testet unter Zeitabschnitten und Schaltkreisen und verfolgt erforschende Tiefe. Die Kritiker und Goldrichter iterieren über Erzählqualität und numerische Wahrheit. Der Reporter sammelt rollenspezifische Erzählungen mit Beweisen, Vertrauen und nachfolgenden Aktionen. Jede Stufe emittiert Metriken, die sowohl Bewertung als auch Verstärkung Reliability and economics by design Zuverlässigkeit und Wirtschaftlichkeit durch Design Das Stativ erfasst Werkzeugunterschriften, Nebenwirkungsrichtlinien und Kosten. Werkzeuge geben strukturierte Rückmeldungen zurück, die Erfolg, teilweise Erfolg, Probe und Kosten umfassen. Zerstörende Operationen sind eingeschlossen. Das Gedächtnis ist episodisch und semantisch, anstatt eine endlose Transkription. Staatenlose Werkzeuge werden bevorzugt, wenn möglich. staatliche Agenten verwenden Abruf und kurze Kontexte, um die Tokenkosten zu steuern. Adoption that earns trust Adoption verdient Vertrauen Teams beginnen mit Human-in-the-loop, wo Analysten Scope-Lock und erste Empfehlungen validieren. Sie entwickeln sich zu Human-on-the-loop, wo Routine-Pfade automatisch laufen und Ausnahmen eine Überprüfung erfordern. Open work, stated plainly Offene Arbeit, deutlich angegeben Ontologie und Chart-Wartung tragen echte Kosten. Drift-Erkennung und Domain-Lehrpläne laufen. Belohnung-Gaming ist möglich und muss mit Querschnittsprüfungen und Überraschungsvarianten überprüft werden. Synthetische-zu-reale Lücken bestehen und profitieren von gezielten Schattenläufen bei Live-Ereignissen. Kreditverteilung in langen Spuren ist laut, so dass Rollen-förmige Belohnungen und Teambonusse die Stabilität verbessern. Why this vision is credible Warum diese Vision glaubwürdig ist Praveens Ansatz kombiniert agentiöse Orchestrierung, Werkzeugnutzung, Abrufen und Lernen aus Signalen, und verankert sie dann in Unternehmensbeschränkungen. Die Haltung wird geäußert, wo es mit Ontologie-Tore und einem Gold-Judge und modularen sein muss, wo es mit austauschbaren Werkzeugen und Domain-Adaptern sein sollte. „Eine Erzählung ist nur so stark wie ihre Spur, wir schicken die Spur und die Antworten.“ Die Wahrheit Satyanarayana References Referenzen Oracle, Was ist Agentische KI, 2025. Gartner, Top Strategic Technology Trends für 2025, Agentic AI, 2024. Google DeepMind, Einführung von Gemini 2.0 für die Agenturzeit, 2024. Utkarsh Kanwat: Warum ich 2025 gegen KI-Agenten wette. Navin Chaddha, AI-First Professional Services: Der große Equalizer kommt, 2025. Branchenabdeckung bei Agenteneinführung und Unternehmensadoption, 2025. Diese Geschichte wurde als Veröffentlichung von Kashvi Pandey unter HackerNoon's Business Blogging Program verteilt. Diese Geschichte wurde als Veröffentlichung von Kashvi Pandey unter HackerNoon's Business Blogging Program verteilt.
