NVIDIA Agent Toolkit berkembang dengan fondasi baru untuk menghubungkan agen perusahaan ke data perusahaan, disertai model dan alat untuk mengendalikan aktivitasnya. Dalam laporan tertanggal 21 Oktober 2026, NVIDIA menguraikan penerapan di seluruh rantai pasoknya sendiri dan platform perangkat lunak perusahaan, dengan akses ke data bisnis menjadi fokus utama perluasan terbaru perangkat sumber terbuka tersebut.
Intisari
- Agent Knowledge Foundation yang baru menghubungkan informasi perusahaan dengan konsep bisnis agar agen dapat mengambil konteks dan mendukung prediksi.
- NVIDIA mengidentifikasi penerapan yang melibatkan Palantir, Databricks, dan Snowflake, meskipun implementasinya berbeda di setiap platform.
- NVIDIA juga menyebut peningkatan kemampuan pengambilan informasi di Amazon OpenSearch Service, SAP, dan ServiceNow; hasil tersebut terkait penggunaan model tertentu, bukan toolkit secara keseluruhan.
Daftar Isi
- Fitur NVIDIA Agent Toolkit untuk data perusahaan
- Status penerapan di perusahaan
- Makna hasil pengambilan informasi
- Pengendalian akses dan peningkatan kemampuan agen
- Kesimpulan
Fitur NVIDIA Agent Toolkit untuk data perusahaan
Penambahan utamanya adalah NVIDIA Agent Knowledge Foundation, yang menggabungkan pustaka pemrosesan data dengan model pengambilan informasi dan data terstruktur. NVIDIA menyatakan bahwa perusahaan dapat menggunakannya sambil mempertahankan lokasi data, alur kerja, dan kontrol tata kelola yang sudah ada.
Pustaka Auto-Ontology yang baru memberikan interpretasi berorientasi bisnis terhadap informasi mentah kepada agen. Alih-alih memperlakukan catatan hanya sebagai titik data yang berdiri sendiri, pustaka ini mengidentifikasi konsep seperti pelanggan, produk, dan pesanan, lalu menetapkan hubungan di antaranya. Konteks tersebut dimaksudkan untuk membantu agen menjawab pertanyaan bisnis dan mendukung pengambilan keputusan.
Fondasi ini mencakup pustaka CUDA-X, termasuk cuDF, cuGraph, cuML, cuOpt, dan cuVS. Pilihan modelnya meliputi Nemotron Retriever dan keluarga Kumo Structured: Kumo Tabular, Kumo Relational, Kumo Time Series, dan Kumo Forecast.
| Item | Detail |
|---|---|
| NVIDIA OpenShell | Runtime aman yang memungkinkan perusahaan membatasi akses dan tindakan agen. |
| Blueprint NVIDIA NemoClaw | Desain acuan untuk membangun agen aman yang disesuaikan dengan pekerjaan khusus. |
| Blueprint optimasi NemoClaw terbaru | Kerangka awal langkah demi langkah untuk meningkatkan kecerdasan agen. |
Status penerapan di perusahaan
Organisasi rantai pasok NVIDIA menggunakan fondasi ini bersama Foundry, Ontology, dan AIP dari Palantir. Menurut NVIDIA, implementasi tersebut mendukung agen khusus yang bekerja dengan informasi proprieter untuk prediksi dan optimasi keputusan. Ini merupakan 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, sehingga pelanggan dapat menambahkan fungsi prediktif di sana.
Contoh-contoh ini menunjukkan jalur berbeda menuju penggunaan di perusahaan: penerapan operasional di NVIDIA, integrasi Databricks, dan akses bagi pelanggan melalui lingkungan notebook Snowflake. Contoh-contoh tersebut tidak boleh dianggap sebagai implementasi yang identik atau bukti hasil yang setara.
Makna hasil pengambilan informasi
NVIDIA menyebut beberapa hasil Nemotron Retriever, dengan memisahkan peningkatan pencarian dan pemeringkatan ulang dari manfaat agen perusahaan yang lebih luas. Menurut NVIDIA, di Amazon OpenSearch Service, model embedding meningkatkan relevansi sekaligus mengurangi langkah pencarian, dengan tambahan latensi yang nyaris tidak ada.
Perusahaan menyatakan bahwa reranker SAP yang disetel secara khusus beroperasi hampir tiga kali lebih cepat. NVIDIA juga menyebut ServiceNow meningkatkan kualitas pemeringkatan ulang sekaligus mengurangi latensi hampir seperempat. Laporan tersebut tidak menyajikan tolok ukur bersama yang memungkinkan hasil-hasil itu dibandingkan secara langsung.
Zoom menggunakan Nemotron Retriever untuk pemahaman dokumen, relevansi pencarian, dan pengambilan konteks di Zoom AI Services. NVIDIA tidak menyertakan hasil kinerja kuantitatif untuk penerapan tersebut.
Pengendalian akses dan peningkatan kemampuan agen
Perluasan ini tidak hanya sebatas memberikan lebih banyak informasi kepada agen. Komponen pendampingnya menangani batasan eksekusi, desain agen khusus, dan optimasi, dengan tanggung jawab masing-masing dirangkum di bawah ini.
NVIDIA menggambarkan blueprint optimasi NemoClaw terbaru sebagai titik awal untuk meningkatkan kecerdasan agen dari waktu ke waktu. Ini adalah desain acuan bagi para pengembang, bukan bukti bahwa setiap penerapan di perusahaan telah mencapai peningkatan. Laporan tersebut juga mencantumkan NeMo Relay dan NeMo Compass sebagai bagian dari alat dan keterampilan toolkit, tanpa merinci peran keduanya.
Kesimpulan
Perluasan ini menyatukan interpretasi data perusahaan, pengambilan informasi, dan kontrol eksekusi dalam satu toolkit. Bukti konkret terkuatnya adalah kumpulan implementasi yang disebutkan dan hasil pada tingkat model; contoh-contoh tersebut tidak membuktikan adanya satu hasil kinerja tertentu untuk keseluruhan tumpukan agen.
Baca Berita Lainnya
Penafian
Artikel FinanceVelix ini menyediakan informasi umum, bukan nasihat keuangan, investasi, hukum, atau pajak yang disesuaikan secara pribadi. Harga pasar, suku bunga, dan kondisi ekonomi dapat berubah; investasi memiliki risiko kerugian. Fakta mencerminkan materi yang tersedia pada saat diterbitkan dan dapat berubah. Periksa informasi penting secara mandiri dan konsultasikan dengan profesional berkualifikasi bila diperlukan. Penyebutan aset, perusahaan, atau layanan bukan merupakan dukungan.
