Ingénierie des Harnais de Code pour les Flux de Données

Aperçu Une session d'ingénierie pratique sur ce qui entre dans un harnais de code fiable pour les flux de données, comment les tâches de données diffèrent des tâches d'ingénierie logicielle conventionnelles, et comment les outils, les compétences des agents, le contexte sémantique et l'analyse au niveau des traces peuvent améliorer les performances des agents. Détails de la Session Les agents de code sont souvent conçus autour des flux de travail en ingénierie logicielle : navigation dans les dépôts, édition de fichiers, exécution de tests et correction de code. Les tâches de données introduisent un ensemble de exigences différent. L'agent doit comprendre les schémas, les définitions commerciales, les relations entre les ensembles de données, les outils disponibles et le contexte nécessaire pour interpréter les résultats correctement. Dans cette session, avec Josh de Snowflake - nous allons décomposer les composants d'un harnais d'agent pour les flux de données et démontrer comment les agents peuvent utiliser des outils, des compétences réutilisables et un contexte sémantique pour accomplir des tâches de manière plus fiable. Nous examinerons également les traces d'exécution pour identifier où les erreurs se produisent et comment ces découvertes peuvent être utilisées pour améliorer l'agent, son contexte et le harnais qui l'entoure. Ce que vous apprendrez Qui devrait participer Cette session est destinée aux ingénieurs en IA, ingénieurs en données, ingénieurs en analytics, ingénieurs en plateforme et leaders techniques construisant des agents de codage pour l'analyse de données, les opérations de données, l'outillage interne ou d'autres flux de travail intensifs en données. À propos de Future AGI Future AGI est une couche auto-améliorante open-source pour les systèmes agents — elle permet aux équipes de simuler, évaluer, protéger, observer et améliorer automatiquement leur IA dans une boucle fermée, de sorte que les agents deviennent plus précis et plus sûrs au fil du temps plutôt que de se briser silencieusement en production.