Kurumsal ajanlar farklı denetim noktalarından işe giriyor
Google Cloud, GitHub ve AWS örnekleri, ajanların kod dönüşümü, depo otomasyonu ve veri ekleme işlerinde hangi ayar, tetikleyici ve gözden geçirme noktalarıyla çalıştığını gösteriyor.
Yapay Zekâ··Öğle
Dönüşüm dört parçaya ayrılıyor
Google Cloud, ana bilgisayar sistemlerinden buluta geçişi dört parçalı bir düzenek olarak anlatıyor. Mainframe Assessment Tool bağımlılıkları görselleştiriyor, iş kurallarını çıkarıyor ve belge üretiyor. Dual Run, üretim iş yüklerini ana bilgisayar ile Google Cloud üzerinde aynı anda çalıştırıp sonuçları karşılaştırıyor; Mainframe Connector ise veriyi BigQuery, Spanner, Cloud SQL ve Cloud Storage'a taşıyor. Gemini modelleriyle çalışan Mainframe Modernization Agents, bu dizide kod dönüşümünü üstleniyor. Ajanlar iki yol sunuyor: iş mantığını yeniden tasarlamak ya da eski davranışı koruyan birebir dönüşüm yapmak. Hat Antigravity üzerinde kurulmuş ve bağlam aktarımı için Model Context Protocol kullanıyor. Bu açıklama, ajanın tek başına bütün geçişi yürüttüğü bir ürün tablosundan çok, farklı işlerin farklı bileşenlere verildiği bir mimari çiziyor. Dual Run karşılaştırmayı, değerlendirme aracı bağımlılık ve iş kuralı çözümlemesini, bağlayıcı bileşen veri taşımayı sürdürüyor. Google Cloud henüz müşteri sayısı, kazanılan süre ya da hata oranı paylaşmadı; ilgilenen kuruluşları pilot için iletişime çağırdı.[1]
Görev başında ayar, yorumda tetikleme
GitHub'ın iki Copilot duyurusu, depo içindeki otomasyonda iki ayrı denetim noktasını öne çıkarıyor. Kullanıcı, bulut ajanına görev devrederken desteklenen modeller için akıl yürütme düzeyini modelle birlikte seçebiliyor. Özellik Copilot Pro, Pro+, Business, Enterprise ve Max planlarında genel kullanıma açık. GitHub, daha yüksek düzeyin karmaşık sorunlarda yanıtı iyileştirebileceğini, buna karşılık daha çok belirteç ve kredi tüketeceğini söylüyor; düzey adlarını, varsayılanı ve kredi farkını sayısallaştırmıyor. İkinci yenilikte otomasyonlar, konu veya değişiklik isteği yorumlarındaki önceden belirlenmiş metinle başlatılabiliyor. Örnekler arasında kod değişikliklerinden belge üretmek, yığın izleriyle hata günlüklerini incelemeye almak ve yeniden düzenleme ya da teknik borç için yeni izleyici konular açmak bulunuyor. Ücretli planların tümü kapsama girerken Business ve Enterprise hesaplarında bulut ajanı ilkesini bir yöneticinin açması gerekiyor. Duyuru, tetikleyici yorumu kimlerin yazabileceği veya otomasyonun kaç kez çalışabileceği konusunda bir sınır belirtmiyor. Böylece ayar görev başlangıcında, tetikleyici ise deponun gündelik konuşma akışında yer alıyor.[2], [3]
Üretim örneğinde görev dağılımı
AWS'nin Formula 1 müşteri incelemesi, ajan düzeninin bir veri platformunda hangi işleri üstlendiğine dair üretim örneği sunuyor. Data Accelerator; yeni veri kaynağı ekleme, şema değişikliğini saptama ve yönetişim sınıflandırmasını otomatikleştiriyor. Amazon Bedrock AgentCore üzerinde Claude Sonnet 4.6 ile çalışan düzenek, SageMaker Unified Studio, Lambda, EventBridge, MWAA, S3 ve Redshift'e bağlanıyor. AWS ile müşterisi, yeni kaynak ekleme sürecinin altı ile sekiz haftadan yaklaşık 40 dakikalık kod üretimine ve ardından saatler süren dağıtım ile gözden geçirmeye indiğini, işlerin yüzde 95'inin insan müdahalesi olmadan yürüdüğünü, 18 aylık bütünleştirme birikiminin haftalar içinde eritildiğini ve kimlik eşleştirme süresinin yüzde 50 iyileştiğini bildiriyor. Bunlar bağımsız ölçüm yöntemi açıklanmayan satıcı ve müşteri rakamları. Üç şirketin örnekleri birlikte okunduğunda ajanların yeri tek biçimli görünmüyor: Google Cloud işi bileşenlere ayırıyor, GitHub görev ayarı ile yorum tetikleyicisini kullanıcıya açıyor, Formula 1 örneği ise kod üretiminin ardından dağıtım ve gözden geçirme saatlerini koruyor. Ortak nokta, ajanın belirli bir giriş, tetikleme veya onay noktasına bağlanması.[4], [1], [2], [3]
