Databricks macht Genie Ontology für Unternehmens-KI allgemein verfügbar

Ein gemeinsamer Geschäftskontext für Agenten

Databricks bezeichnet Genie Ontology als agentische Ontologie, weil Agenten ihr Wissen kontinuierlich aufbauen, damit andere Agenten es nutzen können, während Menschen Definitionen verwalten, die Präzision erfordern. Sie verbindet erlerntes und modelliertes Wissen, bewertet diese Informationen nach ihrer Autorität und stellt vertrauenswürdigen Kontext bereit, wobei bestehende Nutzerberechtigungen berücksichtigt werden.

Der größte Teil des Wissens der Ontologie wird aus Systemen und Artefakten gelernt, die die Arbeitsweise eines Unternehmens widerspiegeln. Dazu gehören Databricks-Dashboards, SQL-Abfragen, Notebooks und semantische Modelle in Tools wie Power BI. Die Informationen werden als Ontology Snippets erfasst, also als wiederverwendbare Kontextbausteine zu Berechnungen, Geschäftsregeln und Datenbeziehungen. Laut Databricks werden die Snippets kontinuierlich aktualisiert, wenn sich ihre zugrunde liegenden Quellen weiterentwickeln.

Über Unity Catalog Semantics können Menschen die Bedeutung von Geschäftsinformationen definieren und verwalten. Dazu gehören Metric Views für zertifizierte KPIs, Domains zur Organisation von Wissen nach Geschäftsbereichen und Pages für maßgebliche Definitionen. Laut Databricks können Unternehmen diese Werkzeuge für die vergleichsweise kleine Gruppe von Definitionen einsetzen, die exakt sein müssen, etwa für den ausgewiesenen Umsatz oder ARR.

Kontext im gesamten Unternehmen bewerten

Wenn ein Agent eine Frage stellt, bewertet OntoRank erlerntes und modelliertes Wissen, um den vertrauenswürdigsten Kontext zu ermitteln. Laut Databricks berücksichtigt das System bei widersprüchlichen Definitionen die Autorität der Quelle, deren Zertifizierung, die Fachkenntnisse und Relevanz der Personen hinter dem Wissen, die Popularität sowie die Aktualität.

Der daraus entstehende Kontext kann über Genie MCP an Agenten außerhalb von Databricks geliefert werden, darunter ChatGPT, Claude und Microsoft Copilot. Laut Databricks können Teams die bereits eingesetzten Agenten dadurch besser mit Wissen über ihr Unternehmen ausstatten, ohne sie neu entwickeln zu müssen.

Die Veröffentlichung führt außerdem Genie Search ein, das nun allgemein verfügbar ist. Damit können Menschen und Agenten innerhalb ihrer bestehenden Berechtigungen Unternehmenswissen in Dokumenten, Tickets und Wikis neben verwalteten Databricks-Assets finden. Genie kann zusammengefasste, mit Quellen belegte Antworten sowie Dashboards, Tabellen und Genie Agents liefern. Laut Databricks fließt indexierter Inhalt auch in OntoRank ein, sodass Dokumente und Tickets bei der Entscheidung, welchen Quellen zu vertrauen ist, als Belege dienen können.

Benchmark-Ergebnisse und neue Datenquellen

Databricks arbeitete mit Turing an einem Benchmark, der einen aktiven Databricks-Arbeitsbereich für einen fiktiven britischen Energieversorger simulierte. Der Test verglich Genie, das von Genie Ontology unterstützt wird, mit zwei als Agent A und Agent B bezeichneten Frontier-Agenten. Jeder Agent beantwortete dieselben Fragen pro Aufgabe fünfmal. Die Antworten wurden anhand eines vor Beginn der Durchläufe festgelegten Bewertungsrasters beurteilt.

Genie erreichte eine Erfolgsquote von 91 %, gegenüber 45 % bei Agent A und 58 % bei Agent B. Die durchschnittliche Wandzeit pro Durchlauf betrug 100 Sekunden, gegenüber 435 Sekunden bei Agent A und 307 Sekunden bei Agent B. Genie verwendete durchschnittlich 432K Tokens pro Durchlauf, verglichen mit 889K und 1.05M. Laut Databricks bestand Genie 1,6-mal so viele Durchläufe wie der stärkere Frontier-Agent, nutzte weniger als halb so viele Tokens und war drei- bis viermal schneller.

Databricks führt den Unterschied auf den Kontext zurück. Genie nutzte Wissen, das bereits aus dem Arbeitsbereich gelernt worden war, während die anderen Agenten die relevanten Geschäftsregeln bei jedem Durchlauf neu ermitteln mussten.

Was die Veröffentlichung für Unternehmenskunden bedeutet

Genie Ontology richtet sich an Unternehmen, die mehrere Agenten in verschiedenen Geschäftsbereichen einsetzen. Databricks argumentiert, dass ein separater Kontext für jeden Agenten zu unvollständigen und widersprüchlichen Sichtweisen führt, während eine gemeinsame Ontologie den Agenten ein einheitliches, verwaltetes Verständnis der Geschäftsabläufe geben kann.

Genie Search unterstützt laut der Ankündigung Google Drive, Jira und Confluence. Administratoren verbinden Quellen und aktivieren die Indexierung über die Administrationskonsole. Für Echtzeitaufgaben, etwa das Prüfen oder Erstellen eines Jira-Tickets, arbeitet Genie Search mit MCP-Konnektoren zusammen. Genie entscheidet dabei, ob der Index, MCP oder SQL verwendet wird.

Der Benchmark bildet eine etablierte Bereitstellung ab, in der Teams bereits Geschäftswissen angesammelt hatten. Laut Databricks können Account-Teams Kunden dabei unterstützen, dieselbe Evaluierung in ihren eigenen Arbeitsbereichen durchzuführen. Unternehmen erhalten so eine Möglichkeit zu prüfen, wie sich eine agentische Ontologie mit ihrem eigenen Kontext und ihren Arbeitsabläufen schlägt.