Análisis en profundidad · Unos 4 min de lectura
NVIDIA amplía Agent Toolkit con conocimiento empresarial y control de ejecución
Agent Knowledge Foundation reúne significado de datos, recuperación y modelos estructurados con una frontera de ejecución separada.
- Publicado aquí
- Fecha de la fuente
- Fuente revisada
El anuncio del 21 de octubre incorpora Agent Knowledge Foundation a Agent Toolkit para conectar información empresarial con conceptos, recuperación y predicción. Combina datos y herramientas con OpenShell y diseños NemoClaw. Qué sabe el agente y qué puede hacer siguen siendo preguntas distintas.
Escucha las noticias
Escucha este artículo o continúa con las noticias.
Preparando la lectura…
Voz del dispositivo
El navegador o dispositivo procesa la voz. AISubHub no envía el texto a una API de audio. Las voces y la reproducción con pantalla bloqueada dependen del dispositivo.
Al continuar puede repetirse una frase breve.
Resumen
- Auto-Ontology y las bibliotecas CUDA-X relacionan datos con clientes, productos, pedidos y sus vínculos.
- Los resultados de SAP, ServiceNow y OpenSearch corresponden a despliegues distintos; no forman un benchmark común ni una garantía general de velocidad o calidad.
Separar significado y acceso a datos
La base convierte datos empresariales en información para preguntas, predicciones y decisiones. Auto-Ontology mapea registros a entidades y relaciones como clientes, productos y pedidos; CUDA-X incluye cuDF, cuGraph, cuML, cuOpt y cuVS. NVIDIA afirma que puede usarse sin mover datos, reconstruir flujos o cambiar gobernanza. Lo conservamos como afirmación de integración, no como prueba de residencia idéntica para todo conector. El significado empresarial determina qué registro resulta relevante; las entidades y relaciones inferidas deben contrastarse con las definiciones propias.
Recuperación y predicción no son intercambiables
Incluye Nemotron Retriever y componentes Kumo Structured: Tabular, Relational, Time Series y Forecast. Enumerarlos juntos no iguala sus tareas. Recuperar aporta contexto; predecir con datos estructurados necesita una evaluación diferente. Nuestro ejemplo hipotético de soporte de pedidos recupera primero la política y estima aparte riesgo de entrega. La política necesita fuente correcta; la predicción, objetivo, ventana y resultados reales. Es nuestro análisis, no una capacidad demostrada de forma independiente.
Separar inteligencia y permisos
OpenShell establece la frontera que controla accesos y acciones. NemoClaw ofrece diseños de referencia; su blueprint de optimización se presenta como punto de partida para mejorar agentes. NeMo Relay y Compass aparecen como herramientas y skills, sin detalle suficiente para deducir todo su comportamiento. Un diseño no certifica una implementación ni garantiza mejora continua. Proponemos probar conocimiento y permiso por separado: encontrar un documento convincente no concede derecho a modificar el registro. La configuración debe reflejarlo, sin dejar que el modelo infiera autorización de la utilidad de su respuesta.
Cada resultado de un socio tiene su contexto
NVIDIA describe su cadena de suministro con Palantir Foundry, Ontology y AIP; Databricks combina Kumo Anomaly y Genie Ontology, y Snowflake usa Kumo Engine y Relational en notebooks. También declara mejor relevancia de OpenSearch con menos pasos y casi ninguna latencia añadida, reranking afinado de SAP casi tres veces más rápido y mejora de calidad en ServiceNow con casi un cuarto menos de latencia. Zoom usa Retriever para documentos y contexto. Son empresas y comparaciones distintas, sin configuraciones, muestras o criterios comunes completos. No sustentan un multiplicador universal ni acceso confirmado para toda cuenta.
Definir una aceptación acotada y auditable
Nuestra aceptación propuesta empieza con una pregunta, frontera de datos y acciones permitidas. Contrastar entidades con registros conocidos, seguir el contexto a su fuente y evaluar predicciones contra resultados adecuados, no solo plausibilidad textual. Probar una operación permitida y una denegada y revisar qué registran los logs. Conservar versiones de modelo, herramienta, datos y política permite investigar cambios. Son sugerencias, no pruebas realizadas aquí. Código abierto y adopción no implican alojamiento gratuito, precio público o derechos para toda la empresa. Medir coste, latencia y calidad sobre el trabajo real.
Por qué importa
Nuestro análisis: el contexto empresarial necesita fuentes explicables y permisos ejecutables. Recuperar mejor no autoriza una acción, y una frontera de ejecución no garantiza que la evidencia sea correcta.
Límites y disponibilidad
Leímos el anuncio completo sin desplegar el stack, acceder a datos de socios o probar calidad. Efectos atribuidos, configuraciones, precios y disponibilidad universal no están verificados.
Fuentes y pruebas
Fecha de la fuente: · Fuente revisada:
Contenido editorial asistido por IA y contrastado con fuentes primarias. Las afirmaciones del proveedor se atribuyen; la inclusión no implica recomendación.