AI agentai: kai viena klaida gali atsidurti pasaulio žinių suvestinėje

NASDAQ viceprezidentas Aurimas Danaitis atskleidžia, kaip bendrovė mokosi diegti dirbtinio intelekto agentus griežtai reguliuojamoje finansų rinkoje.

AI agentai: kai viena klaida gali atsidurti pasaulio žinių suvestinėje

Įsivaizduokite inžinerijos komandą, kurios kiekviena klaida gali atsidurti pasaulio žinių suvestinėje. Tokioje aplinkoje „vibe coding“ – intuicija pagrįstas, greitas ir laisvas kodo rašymas su dirbtinio intelekto pagalba – tiesiog neegzistuoja kaip pasirinkimas. Vis dėlto AI agentai jau tvarko realų darbą net griežčiausiai reguliuojamoje finansų pramonėje – apie tai pasakoja Aurimas Danaitis, NASDAQ programinės įrangos inžinerijos viceprezidentas, pokalbyje su „Turing College“.

Jo komandos šiandien kuria autonomiškus darbo srautus, kurie tvarko viską – nuo Jira užduočių iki sudėtingo programinės įrangos testavimo. Ir tai vyksta ne startuolyje, kuris gali rizikuoti, o vienoje didžiausių pasaulio finansų infrastruktūros bendrovių. AI agentai čia nėra mada – jie yra būdas, kaip šimtai inžinierių gali padidinti savo produktyvumą nepadidinant klaidų rizikos.

Kas yra NASDAQ anapus prekybos ekranų?

Kai girdime žodį NASDAQ, dauguma pagalvoja apie akcijų biržą ir prekybos ekranus. Tačiau organizacijos viduje slypi kur kas platesnė technologijų kompanija – tūkstančiai inžinierių, kurie kuria ir prižiūri sistemas, nuo kurių priklauso pasaulio finansų rinkų veikimas.

Dalis šios inžinerijos galios šiandien veikia iš Vilniaus. Lietuvos technologijų centras tapo vienu iš NASDAQ globalios inžinerijos ramsčių – ne pagalbinė funkcija, o lygiavertė dalis, kurianti produktus, kuriais naudojasi visas pasaulis. Tai geras ženklas visiems, kurie seka, kaip Baltijos šalys tampa įdomiu adresu didelėms technologijų investicijoms.

Kaip AI agentai jau tvarko Jira užduotis ir testavimą?

Danaitis pasakoja, kad jo komandos sąmoningai ėjo toliau nei paprasti kodo generavimo įrankiai. Jie statė dirbtinio intelekto agentų darbo aplinką verslui, kuri geba savarankiškai priimti užduotį, suprasti kontekstą ir ją įvykdyti be nuolatinės žmogaus priežiūros.

Praktiškai tai reiškia, kad agentai patys paima Jira bilietus, analizuoja reikalavimus ir parengia pirminį sprendimą, kurį inžinierius tik peržiūri. Panašiai veikia ir sudėtingas programinės įrangos testavimas – užduotys, kurios anksčiau atimdavo valandas rutininio darbo, dabar atliekamos lygiagrečiai, daugelyje projektų vienu metu. Rezultatas? Šimtai inžinierių gali dirbti sparčiau, neprarandant kontrolės ties kritiniais sprendimais.

Kodėl „AI Champions“ tapo greičiausiu būdu įveikti pasipriešinimą?

Bet kokia technologinė transformacija susiduria su pasipriešinimu – žmonės bijo, kad DI pakeis jų darbą, arba tiesiog nepasitiki nauju įrankiu. NASDAQ šią kreivę įveikė ne įsakymais iš viršaus, o vidiniais „AI Champions“ – inžinieriais, kurie patys tapo entuziastais ir savo pavyzdžiu parodė kolegoms, kaip įrankiai veikia praktiškai.

Šie čempionai geriau nei bet kokia instrukcija supranta, kur konkrečiai DI sutaupo laiko kasdieniame darbe. Tai primena principą, apie kurį rašėme analizuodami, kaip dirbtinis intelektas gali giliau pažinti kliento darbo niuansus – kai technologija pritaikoma prie konkrečios komandos realybės, o ne atvirkščiai, priėmimas vyksta savaime, be prievartos.

Kiek iš tikrųjų kainuoja DI plėtra tokio dydžio organizacijoje?

Entuziazmas dėl DI dažnai nutyli vieną klausimą – kiek tai kainuoja, kai mastelis išauga nuo kelių testinių projektų iki šimtų vartotojų visoje organizacijoje? Danaitis atvirai pasakoja apie paslėptas GenAI plėtros išlaidas ir būtinybę valdyti tokenų limitus taip, kad kaina neišaugtų nekontroliuojamai.

Čia atsiskleidžia ir skirtumas tarp didelės įmonės ir SaaS startuolio požiūrio: startuolis gali rizikuoti ir greitai keisti kursą, o reguliuojama finansų organizacija turi iš anksto numatyti kaštų struktūrą. Todėl NASDAQ pasirinko kurti savo nuosavą GenAI platformą, o ne pilnai remtis trečiųjų šalių sprendimais. Panašius skaičiavimus – kiek realiai kainuoja atlikta užduotis naudojant atviruosius DI modelius – šiandien turėtų daryti kiekviena įmonė, prieš pažadėdama DI sprendimą visai organizacijai.

Kaip saugiai valdyti Model Context Protocol finansų sektoriuje?

Paskutinė, bet nemažiau svarbi dalis pokalbio – Model Context Protocol (MCP), standartas, leidžiantis DI modeliams saugiai jungtis su išoriniais įrankiais ir duomenų šaltiniais. Finansų sektoriuje, kur bet kokia duomenų nutekėjimo rizika yra egzistencinė grėsmė reputacijai, šis klausimas sprendžiamas itin atsargiai.

NASDAQ komandos stiprina savo infrastruktūrą taip, kad DI agentai turėtų tik tiek prieigos, kiek reikia konkrečiai užduočiai – nei daugiau, nei mažiau. Tai aktualu ir platesniame kontekste, kuriame kalbame apie DI infrastruktūros alternatyvas, kai GPU pajėgumų trūksta – saugumas ir pajėgumų planavimas tampa vienodai svarbūs klausimai. Papildomai organizacija skatina naujoves per vidinius korporacinius hakatonus, kurie leidžia inžinieriams eksperimentuoti saugioje aplinkoje, nerizikuojant gamybine sistema.

Ką šis pavyzdys moko kiekvieną įmonę, diegiančią AI agentus?

NASDAQ istorija parodo, kad sėkminga DI transformacija griežtai reguliuojamoje pramonėje nėra apie greičiausią įrankį rinkoje. Ji apie tris dalykus: žmones, kurie tiki pokyčiu ir jį skleidžia iš vidaus, infrastruktūrą, kuri numato kaštus ir saugumą iš anksto, ir kultūrą, kurioje klaidos yra mokymosi, o ne baimės šaltinis.

Jei jūsų organizacija dar tik svarsto, kaip įsileisti AI agentus į kasdienį darbą, verta pasimokyti iš šio pavyzdžio: pradėkite nuo žmonių, kurie jau tiki technologija, investuokite į skaidrią kaštų struktūrą nuo pirmos dienos, ir tik tada skalaukite. Taip rizika iš nežinomo šuolio tampa valdomu, pamatuotu žingsniu.

AI agentai čia nėra mada – jie yra būdas, kaip šimtai inžinierių gali padidinti savo produktyvumą nepadidinant klaidų rizikos.

NASDAQ istorija parodo, kad sėkminga DI transformacija griežtai reguliuojamoje pramonėje nėra apie greičiausią įrankį rinkoje.

▶

Šaltiniai

• Inside NASDAQ's Multimillion-Dollar AI Overhaul | Engineering VP — Turing College pokalbis su Aurimu Danaičiu, NASDAQ programinės įrangos inžinerijos viceprezidentu