Unternehmen können tatsächlich vertrauenswürdige Datenagenten aufbauen

Unternehmen können tatsächlich vertrauenswürdige Datenagenten aufbauen Ihr Datenagent ist zuversichtlich. Ist er richtig? Jeder baut Agenten. Viel weniger bauen Datenagenten, die zuverlässig über echte Unternehmensdaten nachdenken können – mit all ihren Unordnungen, fehlendem Kontext und Skalierung – und Ihnen einen Weg bieten, um zu wissen, wann sie falsch liegen, bevor es Ihre Stakeholder tun. Der schwierigste Teil eines Datenagenten ist nicht das LLM. Es ist alles, was darunter liegt: die semantische Schicht, die Ontologie, die Logik der Datenfederation und die Infrastruktur, um sie zuverlässig bereitzustellen. Wenn das schiefgeht, liefert Ihr Agent falsche, aber selbstbewusste Antworten. Und weil sie autoritär klingen, sind diese falschen Antworten gefährlicher als gar keine Antworten. Schließen Sie sich uns an einem Abend mit Jerry Xu, AI Infrastructure Architect bei Oracle, an, der seine Karriere damit verbracht hat, die Systeme zu bauen, die Modelle bei Meta, Lyft, Box und bei dem von ihm gegründeten Unternehmen DataTron in Produktion bringen. Dies ist eine Arbeitsrunde für technische Leiter, Gründer und Daten-/AI-Plattformteams, die die Demostufe hinter sich gelassen haben und nun vertrauenswürdige Datenagenten erstellen müssen. Was Jerry behandeln wird: • Die semantische Schicht ist die wirkliche Herausforderung – warum NL2SQL allein bei echten Unternehmens-Schemas scheitert und warum Ontologien, Föderationslogik und zertifizierter Datenkontext dort sind, wo die harte Technik tatsächlich besteht • Aufbau des Datenagenten-Stacks – Agentenarchitektur, Orchestrierungsmuster, Koordination mehrerer Agenten und wie man mit mehrdeutigen Abfragen von lebendigen, chaotischen Unternehmensdaten umgeht • Wie wissen Sie, wann Sie die Antwort vertrauen können? – warum Standardbenchmarks die wichtigen Fehlerarten im Betrieb übersehen, wie eine echte Bewertungspipeline aussieht und wie man von Anfang an auf Überprüfbarkeit entwirft • Was bricht bei Skalierung? – Fehlerarten, über die niemand spricht, bis es bereits passiert ist, und warum langfristige Zuverlässigkeit erfordert, Modelle als lebende Systeme zu behandeln Wer teilnehmen sollte: Ingenieure und KI-Leiter, Datenplattform- und Infrastrukturteams, Gründer, die Datenprodukte entwickeln, und Betreiber, die dafür verantwortlich sind, KI in der Produktion zuverlässig zu machen. Gastgeber sind unter anderem Open Future Forum, HG Insights, Agentic Fabriq. Mehr über Jerry Xu Jerry ist ein Architekt für AI-Plattformen, der sich auf generative KI und ML-Infrastruktur konzentriert, mit einem Hintergrund in Meta, Twitter, Microsoft und einem Unternehmen, das er selbst gegründet hat. Sein roter Faden ist die unauffällige, aber entscheidende Arbeit, AI-Systeme in der Produktion zum Laufen zu bringen. Karrierehöhepunkte: Seine Stärke liegt an der Schnittstelle von AI-Forschung und produktionsfähiger Infrastruktur: verteilte Systeme, Lebenszyklus von Modellen, MLOps und die Identitäts- und Sicherheitsfragen, die aufkommen, wenn Agenten anfangen, autonom zu handeln. Dieser letzte Punkt harmoniert natürlich mit dem Fokus von Agentic Fabriq, was ihn zu einer starken Ergänzung für diesen Raum macht.