Databricks je na konferenciji Data + AI Summit predstavio Mosaic Agent Bricks – novu platformu osmišljenu da ubrza i olakša prelazak korporativnih AI agenata iz razvojnih laboratorija u produkciju.
Glavni problem, tvrde u tvrtki, nije nezrelost tehnologije nego činjenica da se kvaliteta agenata još uvijek procjenjuje ručno, sporo i nedosljedno. „Letjeli su naslijepo, bez načina da procijene agente”, opisao je situaciju Hanlin Tang, glavni tehnološki direktor za neuronske mreže u Databricksu i nekadašnji suosnivač start-upa Mosaic, dodavši da je većina tvrtki „oslanjala se na svojevrsni ‘vibe check’” umjesto na mjerljive pokazatelje.
Mosaic Agent Bricks automatizira optimizaciju AI agenata kombinacijom nekoliko istraživačkih inovacija:
• TAO (Test-time Adaptive Optimization) – prilagođavanje modela bez označenih podataka; • generiranje domensko specifičnih sintetičkih skupova podataka; • izrada prilagođenih, zadatku svjesnih mjerila; • automatsko balansiranje omjera cijene i kvalitete.
Platforma prima općeniti opis zadatka i podatke tvrtke, a potom sama kreira testne skupove, ‘LLM suce’ i odabire optimalnu konfiguraciju. Korisnicima su odmah dostupna četiri predložena tipa agenata:
- Information Extraction – pretvara nestrukturirane dokumente u tablične podatke;
- Knowledge Assistant – daje precizne, citirane odgovore iz korporativne baze znanja;
- Custom LLM – obavlja zadatke poput sažimanja ili klasifikacije teksta;
- Multi-Agent Supervisor – usklađuje rad više agenata u složenim radnim tokovima.
Tang ističe i novitet nazvan Agent Learning from Human Feedback. Sustav iz prirodnog jezika prepoznaje upute („zadrži ton brenda” i sl.) te sam odlučuje koje komponente agenta treba doraditi, čime se uklanja neučinkovito „punjenje prompta”. „Vjerujemo da će agenti tako postati znatno upravljiviji”, naglašava Tang.
Sloju za potrošnju AI-a prethodi priprema podataka pa je Databricks paralelno objavio opću dostupnost Lakeflowa, alata koji objedinjeno rješava unos, transformaciju i orkestraciju podataka. „Pomažemo da se podaci dovedu na platformu, a onda se na njima mogu raditi ML, BI i AI analize”, pojašnjava Bilal Aslam, direktor proizvoda u Databricksu. Uz to, Agent Bricks koristi mehanizme upravljanja pravima i lozama podataka iz Unity Cataloga, čime se zadovoljavaju korporativni zahtjevi za nadzorom i usklađenošću.
Databricks tvrdi da se njihov pristup razlikuje od alata poput Langchaina ili Microsoftovih i Googleovih okvira jer optimizacijski proces uklapa TAO, u-context učenje, optimizaciju prompta i fine-tuning bez ručne intervencije. Komunikacija među agentima trenutačno se rješava izlaganjem agenata kao API krajnjih točaka ili nadzornim agentom koji razumije Model Context Protocol (MCP).
Za menadžere to znači da infrastruktura za evaluaciju više nije prepreka: mogu se usmjeriti na odabir slučajeva upotrebe i pripremu podataka, a brigu o optimizaciji prepustiti Agent Bricksu.
