Schäffer Krisztián, az ARDINSYS AI stratégiai vezetője a Portfolio Banking Technology 2026 konferencián azt hangsúlyozta, hogy a banki környezetben az AI-ügynökök hatékony működéséhez nem elegendő a meglévő dokumentumvagyon egyszerű betöltése. A siker kulcsa szerinte a több rétegű, megfelelően strukturált és dinamikusan frissülő szervezeti memória kiépítése.
LLM-ek és ágensek gyakorlati korlátai
A szakember felhívta a figyelmet arra, hogy a nyelvi modellek (LLM) elméletileg állapottal nem rendelkező matematikai függvények: két egymást követő hívás között nem őriznek meg információt. Ennek következménye, hogy a beszélgetési előzményeket minden egyes hívásnál újra el kell küldeni a modellnek, és a döntéshozatalhoz szükséges bizalmas adatokat ezáltal a modellt kiszolgáló szerverek felé továbbítani kell.
Az ágensek működése során a modell eszközhívásokon (tool calling) keresztül folytat párbeszédet saját magával, és a kontextusablakban gyűjti az információkat egy "jegyzetfüzetbe", amíg képes megadni a végső választ. Mivel a kontextus hossza minden lépésnél nő, az ágensek erőforrásigénye és költsége a lépésszámmal arányosan, négyzetesen növekedhet; ezt a növekedést a gyorsítótárazás (caching) csak részben képes ellensúlyozni.
Miért nem elég a dokumentumok betöltése?
A vállalati dokumentumok heterogének, gyakran hiányosak vagy elavultak. Schäffer szerint a statikus dokumentumtárak puszta betöltése önmagában nem biztosítja, hogy a releváns, naprakész információk kinyerhetők legyenek az AI-asszisztensek számára. Ehelyett olyan szervezeti memóriára van szükség, amely túlmutat a statikus adatokon és dinamikusan frissül a felhasználói interakciók alapján.
Az ARDINSYS megközelítése: Volumentor és a szervezeti memória rétegei
Az ARDINSYS által fejlesztett Volumentor munkakörnyezetben a vállalati tudás szervezéséhez több, egymásra épülő réteget alkalmaznak, amelyek a következők:
- Alapréteg: kereshető adattáblák statikus dokumentumokból, forráskódokból és konfigurációkból.
- Dinamikus réteg: a felhasználói beszélgetések leiratait független "kurátor ágensek" elemzik; új információ vagy visszajelzés esetén a tudás automatikusan bekerül a központi, Git-alapú Markdown-fájlokban tárolt tudástárba, míg az elavult elemek archiválódnak.
- Asszociatív réteg: előre előállított tudáselemek (Schäffer megfogalmazásában "gyors irányjelző morzsák") beszúrása a kontextusba a beszélgetés indításakor, hogy segítsék az ágenst a releváns irány meghatározásában.
Architektúrafüggetlenség és beszállítói kockázat
Schäffer rámutatott, hogy a háttérmodellek mára közműként működnek, így a vállalati rendszerek tervezésekor fontos az architektúra függetlenségének megőrzése és a beszállítói függőségek minimalizálása. Ez csökkentheti a rizikót, ha modelleket, szolgáltatókat vagy infrastruktúrát kell váltani.
Miért fontos ez a bankok számára?
A banki IT- és adatkörnyezettel kapcsolatos különös aggályok — a bizalmas adatok kezelése, a megfelelés és a költséghatékonyság — miatt a hagyományos dokumentumtárakra támaszkodó megoldások nem biztos, hogy elegendőek. A több rétegű, folyamatosan karbantartott szervezeti memória és a modellekhez való független hozzáállás segíthet csökkenteni a felesleges adattovábbítást, optimalizálni a költségeket és javítani az ügynökök megbízhatóságát.
Kiegészítés
A Portfolio cikkének előkészítésében AI-asszisztens működött közre; a végleges tartalmat a lap újságírója szerkesztette és ellenőrizte.
