NVIDIA Agent Toolkit sedang berkembang dengan fondasi baru untuk menghubungkan agen perusahaan ke data perusahaan, bersama dengan model dan alat untuk mengendalikan aktivitas mereka. Dalam laporan tanggal dua puluh satu Oktober 2026, NVIDIA menjelaskan penerapan di seluruh rantai pasokan dan platform perangkat lunak perusahaannya sendiri, menempatkan akses data bisnis sebagai pusat ekspansi terbaru toolkit open-source ini.
Poin Penting
- Yayasan Pengetahuan Agen yang baru menghubungkan informasi perusahaan dengan konsep bisnis sehingga agen dapat mengambil konteks dan mendukung prediksi.
- NVIDIA mengidentifikasi penerapan yang melibatkan Palantir, Databricks, dan Snowflake, meskipun implementasinya berbeda tergantung platform.
- NVIDIA juga mengutip peningkatan pengambilan di Amazon OpenSearch Service, SAP, dan ServiceNow; hasil tersebut berkaitan dengan penggunaan model individual, bukan toolkit secara keseluruhan.
Daftar Isi
- Apa yang ditambahkan NVIDIA Agent Toolkit untuk data perusahaan
- Di mana penerapan perusahaan berada
- Apa yang ditetapkan oleh hasil pengambilan
- Bagaimana akses dan peningkatan agen dikendalikan
- Kesimpulan
Apa yang ditambahkan NVIDIA Agent Toolkit untuk data perusahaan
Penambahan utama adalah NVIDIA Agent Knowledge Foundation, yang menggabungkan pustaka pemrosesan data dengan model pengambilan data dan data terstruktur. NVIDIA mengatakan perusahaan dapat menggunakannya sambil mempertahankan lokasi data yang ada, alur kerja, dan kontrol tata kelola mereka.
Perpustakaan Auto-Ontology barunya memberikan agen interpretasi berorientasi bisnis terhadap informasi mentah. Alih-alih memperlakukan catatan hanya sebagai titik data terisolasi, perpustakaan ini mengidentifikasi konsep seperti pelanggan, produk, dan pesanan serta membangun koneksi di antara mereka. Konteks tersebut dimaksudkan untuk membantu agen menjawab pertanyaan bisnis dan mendukung keputusan.
Yayasan ini menggabungkan pustaka CUDA-X termasuk cuDF, cuGraph, cuML, cuOpt, dan cuVS. Pilihan modelnya meliputi Nemotron Retriever dan keluarga Kumo Structured Family: Kumo Tabular, Kumo Relational, Kumo Time Series, dan Kumo Forecast.
| Item | Detail |
|---|---|
| NVIDIA OpenShell | Runtime aman yang memungkinkan perusahaan membatasi akses dan tindakan agen. |
| Cetak biru NVIDIA NemoClaw | Desain referensi untuk membangun agen aman yang disesuaikan dengan pekerjaan khusus. |
| Cetak biru optimasi NemoClaw terbaru | Kerangka kerja awal langkah demi langkah untuk meningkatkan kecerdasan agen. |
Di mana penerapan perusahaan berada
Organisasi rantai pasok NVIDIA menggunakan fondasi dengan Foundry, Ontology, dan AIP dari Palantir. Menurut NVIDIA, implementasi tersebut mendukung agen khusus yang bekerja dengan informasi proprietary untuk prediksi dan optimasi keputusan. Ini adalah penerapan internal yang dijelaskan dalam laporan, bukan sekadar aplikasi yang diusulkan.
Databricks menggabungkan Genie Ontology dengan NVIDIA Kumo Anomaly untuk agen yang menggunakan informasi kontekstual. Pendekatan Snowflake menempatkan model Kumo Engine dan Kumo Relational di dalam lingkungan Snowflake Notebook, memungkinkan pelanggan menambahkan fungsi prediktif di sana.
Contoh-contoh ini menunjukkan berbagai jalur ke penggunaan perusahaan: penerapan operasional di NVIDIA, integrasi Databricks, dan akses langsung ke pelanggan melalui lingkungan notebook Snowflake. Keduanya tidak boleh dibaca sebagai implementasi identik atau bukti hasil yang setara.
Apa yang ditetapkan oleh hasil pengambilan
NVIDIA mengutip beberapa hasil untuk Nemotron Retriever, memisahkan peningkatan pencarian dan reperingkat dari janji agen enterprise yang lebih luas. Di Amazon OpenSearch Service, model embedding meningkatkan relevansi sekaligus mengurangi langkah pencarian, dengan hampir tidak ada latensi tambahan, menurut NVIDIA.
Perusahaan mengatakan reranker SAP yang disesuaikan ini beroperasi hampir tiga kali lebih cepat. Perusahaan juga mengatakan ServiceNow meningkatkan kualitas reranking sekaligus mengurangi latensi hampir seperempat. Laporan tersebut tidak menyediakan tolok ukur umum yang membuat hasil tersebut dapat dibandingkan secara langsung.
Zoom menggunakan Nemotron Retriever untuk pemahaman dokumen, relevansi pencarian, dan pengambilan konteks di Zoom AI Services. NVIDIA tidak melampirkan hasil kinerja yang terukur ke penerapan tersebut.
Bagaimana akses dan peningkatan agen dikendalikan
Perluasan ini tidak terbatas pada penyediaan agen dengan informasi lebih lanjut. Komponen pendampingnya mencakup batas eksekusi, desain dan optimasi agen khusus, dengan tanggung jawab berbeda yang dirangkum di bawah ini.
NVIDIA menggambarkan cetak biru optimasi NemoClaw terbaru sebagai titik awal untuk meningkatkan kecerdasan agen seiring waktu. Itu adalah desain referensi untuk para pembuat, bukan bukti bahwa setiap penerapan perusahaan sudah mencapai peningkatan. Laporan ini juga mencantumkan NeMo Relay dan NeMo Compass sebagai alat dan keterampilan toolkit, tanpa merinci peran mereka.
Kesimpulan
Perluasan ini menggabungkan interpretasi, pengambilan, dan kontrol eksekusi data perusahaan ke dalam satu toolkit yang sama. Bukti konkret terkuat adalah kumpulan implementasi bernama dan hasil di tingkat model; contoh-contoh tersebut tidak menetapkan satu hasil kinerja tunggal untuk seluruh stack agen.
Baca Selengkapnya Berita
Penafian
Artikel FinanceVelix ini memberikan informasi umum, bukan nasihat keuangan, investasi, hukum, atau pajak yang dipersonalisasi. Harga pasar, suku bunga, dan kondisi ekonomi dapat berubah; investasi membawa risiko kerugian. Fakta mencerminkan materi yang tersedia saat dipublikasikan dan dapat berubah. Periksa informasi penting secara mandiri dan konsultasikan dengan profesional yang berkualifikasi jika diperlukan. Menyebutkan aset, perusahaan, atau layanan bukanlah dukungan.
