NVIDIA Agent Toolkit udvides med et nyt fundament, der forbinder virksomheders agenter med virksomhedsdata, samt modeller og værktøjer til at styre deres aktiviteter. I sin rapport af 21. oktober 2026 beskrev NVIDIA implementeringer i virksomhedens egen forsyningskæde og på enterprise-softwareplatforme, hvilket placerer adgang til virksomhedsdata i centrum for open source-værktøjets seneste udvidelse.
Vigtigste pointer
- Det nye Agent Knowledge Foundation forbinder virksomhedsoplysninger med forretningskoncepter, så agenter kan hente kontekst og understøtte prognoser.
- NVIDIA pegede på implementeringer hos Palantir, Databricks og Snowflake, selvom løsningerne varierer fra platform til platform.
- NVIDIA henviste også til forbedringer af informationssøgning hos Amazon OpenSearch Service, SAP og ServiceNow; disse resultater vedrører brugen af enkelte modeller, ikke værktøjssættet som helhed.
Indholdsfortegnelse
- Hvad NVIDIA Agent Toolkit tilføjer til virksomhedsdata
- Status for virksomhedsimplementeringer
- Hvad resultaterne for informationssøgning viser
- Sådan styres adgang og forbedring af agenter
- Konklusion
Hvad NVIDIA Agent Toolkit tilføjer til virksomhedsdata
Den centrale tilføjelse er NVIDIA Agent Knowledge Foundation, som kombinerer biblioteker til databehandling med modeller til informationssøgning og strukturerede data. NVIDIA oplyser, at virksomheder kan bruge det og samtidig beholde deres eksisterende placeringer af data, arbejdsgange og styringskontroller.
Det nye bibliotek Auto-Ontology giver agenter en forretningsorienteret fortolkning af rå information. I stedet for kun at behandle registre som isolerede datapunkter identificerer det begreber som kunder, produkter og ordrer og fastlægger forbindelser mellem dem. Denne kontekst skal hjælpe agenter med at besvare forretningsspørgsmål og understøtte beslutninger.
Fundamentet omfatter CUDA-X-bibliotekerne cuDF, cuGraph, cuML, cuOpt og cuVS. Modeludvalget omfatter Nemotron Retriever og Kumo Structured-familien: Kumo Tabular, Kumo Relational, Kumo Time Series og Kumo Forecast.
| Element | Detaljer |
|---|---|
| NVIDIA OpenShell | Sikkert kørselsmiljø, der gør det muligt for virksomheder at begrænse agenters adgang og handlinger. |
| NVIDIA NemoClaw-blueprints | Referencedesign til opbygning af sikre agenter, der er skræddersyet til specialiserede opgaver. |
| Nyeste optimerings-blueprint til NemoClaw | En trinvis startmodel til forbedring af agenters intelligens. |
Status for virksomhedsimplementeringer
NVIDIAs forsyningskædeorganisation bruger fundamentet sammen med Palantirs Foundry, Ontology og AIP. Ifølge NVIDIA understøtter denne implementering specialiserede agenter, der arbejder med proprietære oplysninger til prognoser og optimering af beslutninger. Der er tale om en intern implementering, som beskrives i rapporten, og ikke blot en foreslået anvendelse.
Databricks kombinerer sin Genie Ontology med NVIDIA Kumo Anomaly til agenter, der bruger kontekstuelle oplysninger. Snowflakes tilgang placerer Kumo Engine- og Kumo Relational-modeller i Snowflake Notebook-miljøer, så kunderne kan tilføje prædiktive funktioner dér.
Eksemplerne viser forskellige veje til anvendelse i virksomheder: en operationel implementering hos NVIDIA, en integration med Databricks og kundeadgang via Snowflakes notebook-miljø. De bør ikke opfattes som identiske implementeringer eller som bevis på tilsvarende resultater.
Hvad resultaterne for informationssøgning viser
NVIDIA henviste til flere resultater for Nemotron Retriever og adskilte forbedringer i søgning og omrangering fra de bredere muligheder, som virksomheders agenter rummer. Hos Amazon OpenSearch Service forbedrede indlejringsmodellen relevansen, samtidig med at antallet af søgetrin blev reduceret, og den ekstra latenstid var stort set nul, ifølge NVIDIA.
Virksomheden oplyste, at SAPs finjusterede omrangeringsmodel fungerede næsten tre gange hurtigere. Den oplyste også, at ServiceNow forbedrede kvaliteten af omrangeringen, samtidig med at latenstiden blev reduceret med næsten en fjerdedel. Rapporten fremlægger ikke et fælles benchmark, som ville gøre resultaterne direkte sammenlignelige.
Zoom bruger Nemotron Retriever til dokumentforståelse, søgerelevans og kontekstuel informationssøgning i Zoom AI Services. NVIDIA knyttede ikke noget kvantificeret resultat til denne implementering.
Sådan styres adgang og forbedring af agenter
Udvidelsen begrænser sig ikke til at give agenter adgang til flere oplysninger. De tilhørende komponenter adresserer grænser for udførelse, design af specialiserede agenter og optimering, og deres forskellige ansvarsområder opsummeres nedenfor.
NVIDIA beskriver den nyeste optimerings-blueprint til NemoClaw som et udgangspunkt for løbende at forbedre agenters intelligens. Det er et referencedesign for udviklere, ikke dokumentation for, at alle virksomhedsimplementeringer allerede har opnået en forbedring. Rapporten nævner også NeMo Relay og NeMo Compass blandt værktøjssættets værktøjer og funktioner, men beskriver ikke deres roller nærmere.
Konklusion
Udvidelsen samler fortolkning af virksomhedsdata, informationssøgning og kontrol af udførelse i ét værktøjssæt. Det stærkeste konkrete belæg er de navngivne implementeringer og resultater på modelniveau; eksemplerne dokumenterer ikke ét samlet resultat for hele agentstakken.
Læs flere nyheder
Flere nyheder fra FinanceVelix
Ansvarsfraskrivelse
Denne FinanceVelix-artikel indeholder generel information og udgør ikke personlig finansiel, investeringsmæssig, juridisk eller skattemæssig rådgivning. Markedspriser, renter og økonomiske forhold kan ændre sig; investeringer indebærer risiko for tab. Oplysningerne afspejler det materiale, der var tilgængeligt på udgivelsestidspunktet, og kan ændre sig. Kontrollér selv vigtige oplysninger, og rådfør dig med en kvalificeret fagperson efter behov. Omtale af et aktiv, en virksomhed eller en tjeneste er ikke en anbefaling.
