Monte Carlo Data launches Bayes的中文版本：
人工智能智能体的热度正处于历史高位，许多企业已经迫不及待地加速部署，速度甚至超过了他们能够跟上的节奏。
人类AI工程师同时能够监管的智能体数量十分有限，通常只有几个，因此他们迫切需要帮助。还有什么方案比用更多的智能体来解决这个问题更合适呢？
大数据可观测性公司Monte Carlo Data似乎正是这么想的。该公司今天发布了一款名为Bayes的新产品，被称为"AI队友"，以区别于它所监控的那些自主智能体。实际上Bayes本身也是一个智能体，但它并不直接完成工作，而是负责观察那些真正执行任务的智能体。
Bayes会监测不可靠的迹象，一旦发现问题，就会展开排查，无论问题出在智能体本身还是输入的数据上，然后自主实施修复方案，并验证该智能体是否恢复了正常运行。
Bayes是Monte Carlo从大数据可观测性向AI领域演进的集大成之作。该公司最初借鉴了软件应用领域的可观测性理念，率先推出帮助人类监管结构化数据环境的工具。此后公司业务扩展至非结构化数据领域，并于去年转向生成式AI，推出了同时监控输入和输出的工具。
该公司表示，市场对Bayes的需求十分迫切。普通人类工程师同时监管的AI智能体及其相关数据管道通常不超过两到三个，但许多机构部署的数量远超这一水平。每当新的智能体部署上线，都需要持续评估其工作表现，并确保其输出结果不会在后续运行中出现偏差。显然，这项任务同样到了实现自动化的时候。
Monte Carlo的方案已经获得了诸如Axios Media Inc.等客户的认可。这家科技新闻网站利用AI智能体完成研究、撰稿、本地化、新闻信息流管理等多项任务。Axios高级数据科学家Shreye Saxena解释道，媒体工作的性质决定了其智能体的准确性不容妥协。"如果注入的数据不正确，或者执行路径出错，在没有核查数据库的情况下就生成了回复，那我们就无法从智能体中获得所需的结果，"他说。
Bayes的工作原理是扫描企业的技术环境，发现其部署的智能体以及支撑这些智能体运行的数据环境。客户可以根据自身接受程度，赋予Bayes或多或少的职责范围，比如监控智能体输出结果、问题分类处理，以及在后台执行修复操作。
当Bayes发现问题时，会将故障一路追溯至部署前的开发决策阶段，深入研究驱动该智能体的模型以及其所依赖的数据管道。为实现这一点，Bayes与第三方编程辅助工具及软件部署管道进行了集成。
Gartner分析师Sanjeev Mohan表示，Monte Carlo实际上正在追求AI领域的"圣杯"，即为企业提供一种构建可自我改进AI智能体的方法。"这个想法并不新鲜，但真正实现起来一直很困难，"他说。"你必须能够看到智能体在运行时究竟做了什么，并将其一路追溯回数据层面。"
Monte Carlo表示，Bayes已经对早期采用者产生了显著影响。一家南美金融服务机构报告称，Bayes检测到的事件数量比其内部监控系统多出200%，同时将误报率降低了80%。云数据仓库巨头Snowflake Inc.正在利用Bayes，帮助其自身客户构建和运行更加可靠的基于Cortex的智能体。
据Monte Carlo联合创始人兼首席执行官Barr Moses表示，公司的目标是让客户能够真正信任他们的AI智能体。"没有足够的工程师来确保这些智能体的可信度，但Bayes改变了这个局面，"他说。"它能够同时理解你的智能体和数据，修复出现的问题，并在你的环境中不断变得更智能，这样团队就能把更多时间用于产品交付，而不是疲于应对突发问题。"
