2026. július 8., szerda · Üzlet

Az AI-architektúra négy tartós alappillére: adatminőség, kontextustervezés, irányítás és emberi szakértelem

Az MIT Technology Review elemzése szerint az AI-rendszerek skálázásához négy alapvető architektúrális elem szükséges, amelyek a modellek fejlődésétől függetlenül tartósnak bizonyulnak: az adatminőség, a kontextustervezés (context engineering), az irányítási keretrendszer (governance) és az emberi szakértelem. Az Elastic technológiai vezetője, Adnan Adil szerint az adatok nélkül a modellek nem képesek megfelelő szolgáltatást nyújtani, a rossz adatminőség pedig hallucinációkhoz és megbízhatatlan eredményekhez vezet. A cikk hivatkozik a Gartner előrejelzésére, amely szerint 2026-ig a vállalatok az AI-projektek 60%-át feladják, ha azokat nem támogatja AI-kész adat. Az elemzés arra ösztönzi az IT-vezetőket, hogy a gyorsan változó technológia ellenére ezekbe az alapokba fektessenek, mivel az ágensalapú rendszerekre való átállás is ezekre épül.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A cikk rendszerezi azokat az architekturális alapelveket, amelyek a Gartner szerint a vállalati AI-projektek többségének sikerét vagy kudarcát meghatározzák.

Források

MIT Technology Review

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. július 8., szerda napi AI összefoglaló része.

Kapcsolódó hírek

OpenAI modellek érkeznek a Google Cloudra és az Antigravity-be

Az OpenAI hivatalos közleménye szerint a vállalat legújabb frontier modelljei és Codex-munkafolyamatai hamarosan elérhetők lesznek a Google Cloud Model Gardenjében, a Google Cloud Marketplace-en keresztül. A The Decoder szerint három modell – Astra, Sol és Luna – indul privát előzetes (private preview) formában kiválasztott vállalati ügyfeleknek, és megjelennek a Gemini for Business szolgáltatásban, valamint a Google Antigravity kódolóeszközében is; a lap szerint ezzel a Google Cloud az egyetlen nagy felhőszolgáltató, amely egyszerre kínálja a Gemini, a Claude és az OpenAI modelljeit. A modellek elnevezése a forrásokban eltér: az Ars Technica mindhárom modellt egységesen 'GPT 6.1'-ként (Astra, Sol, Luna) jelöli, míg a The Decoder vegyesen 'GPT-6 Astra', 'GPT-6.1 Sol' és 'GPT-6 Luna' megnevezést használ, ami arra utal, hogy a pontos verziójelölés a cikkek megjelenésekor még nem volt egységes. A Decoder szerint a Google felhőüzletága és saját Gemini-csapata közötti erőforrás-versengés állítólag hozzájárult ahhoz, hogy Noam Shazeer kutató visszatért az OpenAI-hoz.

OpenAI felvásárolta az Orchestra Bio nevű biotech-startupot

A TechCrunch beszámolója szerint az OpenAI kedden felvásárolta a négyéves Orchestra Bio nevű AI-biotech szoftvercéget, a tranzakció részleteit nem hozták nyilvánosságra. A lap szerint a startup 2025-ig mintegy 20 millió dollárnyi tőkét gyűjtött olyan befektetőktől, mint az Andreessen Horowitz, az Atria és a 8VC. Az Orchestra olyan AI-ügynököket fejleszt, amelyek a gyógyszerfejlesztési cégek napi működését segítik, a pénzügyi nyomon követéstől a klinikai vizsgálatok ütemezési problémáinak megoldásáig. Az OpenAI közlése szerint az Orchestra csapatát és technológiáját a Rosalind nevű élettudományi kutatási AI-modelljéhez és az ahhoz kapcsolódó Rosalind Workbench eszközhöz csatolják, amelynek ügyfelei között a vállalat a Modernát és a Novo Nordiskot is megnevezte. A TechCrunch értelmezése szerint ez azt a tendenciát mutatja, hogy a nagy AI-laborok, köztük az OpenAI és az Anthropic, egyre több szoftvert építenek a nagyipari szektorok, például a gyógyszeripar számára, miközben a startupvilágban tartós félelem él attól, hogy a laborok inkább beolvasztják, mint versenytársként legyőzik a kisebb szereplőket.

Nvidia konténeres AI-adatközpontja napok alatt üzembe állítható

Az Nvidia a berlini GTC-n bemutatta a DSX POD referenciatervet, amely a Vera Rubin platformra épülő, gyárilag előre összeszerelt és letesztelt konténerekbe integrálja a számítási, hálózati, tárolási, áramellátási és folyadékhűtési infrastruktúrát. A vállalat szerint partnerei – köztük a Dell, a HPE, a Lenovo és a Schneider Electric – a gyárban végzik el az összeszerelést és a validálást, a helyszínen már csak az áram-, hűtés- és hálózati csatlakozásokra van szükség. A The Decoder beszámolója szerint ez a megközelítés a jelenlegi mintegy hat hónapos kiépítési időt akár 14 napra csökkentheti. Az Nvidia azt is állítja, hogy a tágabb DSX platform zárt hűtőköre akár 100 százalékkal kevesebb hűtővizet igényelhet, bár szélsőséges hőségben extra hűtés is szükséges lehet. Az első egységek 2027 elején kerülnek világszerte szállításra.

Mistral és NVIDIA mérnöki AI-együttműködést jelentett be

A Mistral AI bejelentette, hogy az NVIDIA-val együttműködve AI-natív mérnöki munkafolyamatokat fejleszt, amely a Mistral Large 4 nyelvi modellt és a vállalat fizikai AI-képességeit az NVIDIA CUDA-X és Warp könyvtáraival, valamint az Omniverse 3D-szimulációs platformjával kapcsolja össze. A cég szerint a cél a tervezés, a szimuláció és az AI-tréning egyetlen zárt hurkú munkafolyamatba fűzése olyan iparágakban, mint a légiközlekedés, az autóipar és a félvezetőgyártás. A két vállalat emellett nyilvános benchmarkokat és nyílt adatkészleteket ígér a fizikai modellek, valamint a mérnöki szoftverekkel dolgozó AI-ágensek értékeléséhez. A The Decoder szerint a Mistral Large 4 mintegy egybillió paraméterrel rendelkezik, és 3800 Grace Blackwell GPU-n tanították Európában, nyílt súlyozású modellként pedig október végén jelenik meg. A lap azt is írja, hogy a Mistral korábban már közösen fejlesztette a Mistral NeMo modellt az NVIDIA-val.