Construire des agents de données en qui l'entreprise peut vraiment avoir confiance

Construire des agents de données en qui l'entreprise peut vraiment avoir confianceVotre agent de données est confiant. A-t-il raison ?Tout le monde construit des agents. Beaucoup moins construisent des agents de données capables de raisonner de manière fiable sur des données d'entreprise réelles — avec toute sa complexité, son contexte manquant et son échelle — et de vous donner un moyen de savoir quand ils ont tort avant que vos parties prenantes ne le sachent.La partie la plus difficile d'un agent de données n'est pas le LLM. C'est tout le reste : la couche sémantique, l'ontologie, la logique de fédération des données et l'infrastructure pour le servir de manière fiable. Si vous vous trompez, votre agent donne des réponses faussement confiantes. Et parce que cela sonne comme une autorité, ces réponses fausses sont plus dangereuses que l'absence de réponse.Rejoignez-nous pour une soirée avec Jerry Xu, Architecte d'Infrastructure AI chez Oracle, qui a passé sa carrière à construire les systèmes qui mettent des modèles en production chez Meta, Lyft, Box, et l'entreprise qu'il a fondée, DataTron.Il s'agit d'une session de travail pour les leaders techniques, les fondateurs et les équipes de plateforme de données/IA qui ont dépassé le stade de la démonstration et doivent maintenant rendre les agents de données fiables.Ce que Jerry va couvrir :• La couche sémantique est le véritable défi — pourquoi NL2SQL seul échoue sur de vrais schémas d'entreprise, et pourquoi les ontologies, la logique de fédération et le contexte de données certifiées sont là où se trouve le travail d'ingénierie difficile• Construire l'architecture des agents de données — architecture des agents, modèles d'orchestration, coordination entre plusieurs agents et comment gérer l'ambiguïté lors de l'interrogation de données d'entreprise en direct et désordonnées• Comment savez-vous quand faire confiance à la réponse ? — pourquoi les benchmarks standard manquent les modes de défaillance qui comptent en production, à quoi ressemble un vrai pipeline de notation, et comment concevoir pour la vérifiabilité dès le premier jour• Qu'est-ce qui se casse à l'échelle — modes de défaillance dont personne ne parle jusqu'à ce que cela se soit déjà produit, et pourquoi la fiabilité à long terme nécessite de traiter les modèles comme des systèmes vivantsQui devrait venir : leaders en ingénierie et IA, équipes de plateforme de données et d'infrastructure, fondateurs construisant des produits de données, et opérateurs responsables de rendre l'IA fiable en production. Les hôtes incluent Open Future Forum, HG insights, Agentic Fabriq. Plus sur Jerry XuJerry est un architecte de plateforme AI axé sur l'IA générative et l'infrastructure ML, avec un parcours allant de Meta, Twitter, Microsoft, à une entreprise qu'il a fondée lui-même. Son fil conducteur est le travail peu glamour mais décisif de faire fonctionner les systèmes d'IA en production.Points forts de la carrière :Sa force réside à l'intersection de la recherche en IA et de l'infrastructure de production : systèmes distribués, cycle de vie des modèles, MLOps et les questions d'identité et de sécurité qui surgissent lorsque les agents commencent à agir de manière autonome. Ce dernier point s'aligne naturellement sur l'accent mis par Agentic Fabriq, ce qui en fait un excellent choix pour cette réunion.