Databricks lance Genie Code et acquiert Quotient AI

Databricks a lancé Genie Code, un agent d’intelligence artificielle destiné à prendre en charge des tâches exigeantes d’ingénierie des données et d’analytique, et a acquis Quotient Artificial Intelligence, une entreprise spécialisée dans la détection des défaillances des agents d’IA, selon dailysynapse.com.

Ces deux opérations relient l’automatisation du travail sur les données au défi consistant à rendre les logiciels autonomes fiables. Databricks présente Genie Code comme une avancée par rapport aux assistants de programmation classiques. Plutôt que de simplement suggérer des lignes de code, le système est conçu pour planifier et exécuter des workflows de données, tandis que les humains restent responsables de la supervision.

L’argument plus général de l’entreprise est que l’IA d’entreprise doit comprendre le sens et la structure des informations sur lesquelles elle travaille. Dans les organisations, cela peut inclure des définitions métier établies, des requêtes antérieures, des règles de sécurité et les relations entre les systèmes de données. Genie Code est conçu pour utiliser ce contexte environnant lorsqu’il transforme la demande d’une personne en spécifications nécessaires aux opérations de données en production.

Des suggestions de code aux workflows supervisés

Genie Code est conçu pour fonctionner en étroite collaboration avec la plateforme de données de Databricks et son système de gouvernance Unity Catalog. Unity Catalog est censé fournir le périmètre de sécurité et de gouvernance autour des activités de l’agent. Genie Code devrait fonctionner principalement au sein de Databricks, tandis qu’Unity Catalog peut également offrir un accès à des sources de données externes.

Cette conception reflète un changement dans la manière dont Databricks envisage l’utilisation de l’IA par les équipes chargées des données. L’accent se déplace : il ne s’agit plus de demander aux professionnels d’écrire chaque ligne de code, mais de leur permettre de diriger, contrôler et coordonner des agents logiciels. L’entreprise s’attend à ce que les bénéfices dépassent le stade du développement initial.

Les tâches opérationnelles courantes peuvent mobiliser une attention considérable une fois qu’un système de données a été construit. Databricks affirme que les agents pourraient contribuer à maintenir le bon fonctionnement des pipelines et à enquêter sur les problèmes causés par des changements dans les systèmes en amont. Dans ce modèle, les professionnels des données passeraient moins de temps à réparer manuellement des processus individuels et davantage à superviser les systèmes automatisés qui en ont la charge.

Les spécialistes techniques de Databricks ont déclaré que Genie Code était déjà utilisé pour des tâches de préparation qui peuvent autrement s’avérer fastidieuses. Il s’agit notamment de nettoyer des tables, de localiser les valeurs manquantes, de combler ces lacunes et d’appliquer des transformations. L’automatisation de ces étapes pourrait permettre aux data scientists de consacrer davantage d’efforts à leur travail central de machine learning, au lieu de passer autant de temps à préparer les données d’entrée.

Tester les agents lorsqu’ils se trompent

L’acquisition de Quotient Artificial Intelligence répond à un problème distinct, mais étroitement lié : un agent peut être capable d’agir tout en prenant une décision inappropriée. Quotient développe une technologie conçue pour examiner le comportement d’un agent, diagnostiquer les défaillances et évaluer la performance de ses processus.

La startup a été fondée par des développeurs qui ont auparavant travaillé sur Copilot de GitHub. Ses modèles personnalisés peuvent examiner l’activité d’un agent et repérer les cas dans lesquels celui-ci a sélectionné le mauvais appel d’outil. Ce type d’analyse vise à montrer non seulement qu’un workflow a échoué, mais aussi où la défaillance s’est produite et ce que l’agent tentait de faire à ce moment-là.

Databricks prévoit d’intégrer la technologie de Quotient à Genie Code et à sa plateforme d’agents plus large. L’objectif est de donner aux organisations un moyen de surveiller en continu les agents déployés, d’enquêter sur leurs erreurs et de les ajuster à mesure que les conditions qui les entourent évoluent.

Pourquoi cette combinaison est importante

L’adoption par les entreprises d’outils autonomes pour les données dépend de bien davantage que de leur capacité à générer du code. Ces systèmes doivent fonctionner dans le respect des définitions et des autorisations de l’organisation, exécuter des tâches sur des processus de données interconnectés et rester compréhensibles lorsque leurs décisions produisent un résultat inattendu. Le lancement et l’acquisition de Databricks répondent ensemble à ces exigences.

Genie Code fournit le mécanisme permettant de planifier et d’exécuter des tâches liées aux données, tandis que la technologie de Quotient est censée fournir un retour sur le comportement de l’agent. Cette association pourrait favoriser un cycle dans lequel les agents exécutent des tâches, leurs actions sont évaluées et leur comportement est amélioré au fil du temps.

Les dirigeants de Databricks ont présenté cette évolution comme faisant partie d’une transformation plus large du travail sur les données. Dans la présentation de l’entreprise, les spécialistes humains ne sont pas retirés du processus ; leur rôle est plutôt redéfini autour de la supervision et de l’orchestration. La réussite de cette approche dépendra de l’efficacité avec laquelle les systèmes interprètent le contexte métier, respectent les contrôles de gouvernance et réagissent lorsque l’environnement de données sous-jacent évolue.