Confluent, pioniere dello streaming di dati, annuncia nuove funzionalità di Confluent Intelligence che collegano agenti di intelligenza artificiale (AI) e permettono analisi dei dati più accurate e intelligenti.
Gli agenti di streaming di Confluent utilizzano il protocollo Agent2Agent (A2A) per attivare e coordinare agenti di AI esterni tramite flussi di dati in tempo reale, semplificando la connessione tra sistemi di AI all’interno dell’azienda. Il rilevamento di anomalie multivariato analizza più metriche per individuare automaticamente pattern insoliti nei flussi di dati, aiutando i team a prevenire i problemi con maggiore accuratezza, prima che causino interruzioni del servizio o impatti a valle. Insieme, queste funzionalità danno vita a sistemi di AI intelligenti e sensibili al contesto, in grado di adattarsi al mutare dei dati, degli agenti e delle condizioni aziendali.
“Se vuoi essere competitivo, la tua AI non può limitarsi a guardare nello specchietto retrovisore”, ha dichiarato Sean Falconer, Head of AI di Confluent. “Hai bisogno di un sistema di agenti AI che lavorino insieme e che apprendano e condividano costantemente insight in tempo reale. Confluent Intelligence connette gli investimenti e i sistemi di AI dei team, indipendentemente da dove siano stati sviluppati, così che l’AI possa reagire automaticamente ai dati in tempo reale, intraprendere azioni, coordinare i sistemi ed effettuare l’escalation ai membri del team quando necessario”.
Creare ecosistemi di agenti collaborativi
Le aziende si rivolgono sempre più spesso agli AI agent per automatizzare le decisioni e gestire attività sempre più complesse. Secondo l’IDC FutureScape: Worldwide Future of Work 2026 Predictions, “Entro il 2026, il 40% di tutti i ruoli lavorativi nelle G2000 comporterà la collaborazione con agenti AI, ridefinendo le tradizionali posizioni entry-, mid-, e senior-level. E anche questa è probabilmente una stima prudente. Tuttavia, con la diffusione degli agenti tra strumenti e sistemi diversi, la maggior parte di loro opera in modo isolato. Se gli agenti non sono in grado di comunicare tra loro o condividere il contesto a livello aziendale, gli insight restano intrappolati in silos e le decisioni risultano frammentate”.
Streaming Agents di Confluent risolve questo problema collegando gli AI agent ai dati in tempo reale tramite il Model Context Protocol (MCP) di Anthropic e agli altri agenti tramite il protocollo A2A. Insieme, questi strumenti possono analizzare continuamente le informazioni provenienti da framework per agenti come LangChain, piattaforme dati come BigQuery, Snowflake e Databricks, generare insight e quindi attivare piattaforme di IA aziendali come ServiceNow e i flussi di lavoro di Salesforce per intraprendere azioni immediate, riducendo il divario tra insight ed execution.
Collegando questi sistemi, l’analisi a livello di flusso si trasforma in un approccio “dall’insight all’azione”, generando l’intelligenza in tempo reale necessaria per adattarsi rapidamente ai cambiamenti delle esigenze di business.
Con il supporto A2A in Streaming Agents i team possono:
· Creare AI agent più intelligenti e riutilizzabili: alimentare agenti e sistemi esistenti con contesto aggiornato da Confluent, in modo che possano rispondere in maniera asincrona agli eventi e intraprendere ulteriori azioni.
· Sbloccare la comunicazione tra agenti e garantire tracciabilità: registrare ogni azione degli agenti in un log immutabile per audit e replay. Sfruttare Apache Kafka per orchestrare la comunicazione tra agenti e riutilizzare i risultati degli agenti in altri agenti e sistemi.
· Centralizzare orchestrazione e governance in un unico luogo: Streaming Agents funge da orchestratore, mentre Confluent assicura governance, sicurezza e osservabilità end-to-end per tutte le interazioni tra agenti.
I team di tutti i settori possono sfruttare il supporto A2A in Streaming Agents per aumentare i ricavi, ridurre i rischi e contenere i costi. Streaming Agents può personalizzare le offerte nel retail, ridurre il rischio di credito nei servizi finanziari, automatizzare le raccomandazioni di cura in ambito sanitario, prevedere la manutenzione nella produzione e intervenire proattivamente per risolvere interruzioni nei servizi di telecomunicazione. Il supporto A2A in Streaming Agents è ora disponibile in Open Preview.
Agire sui segnali in tempo reale ed eliminare i punti ciechi
Le aziende generano oggi più dati che mai, ma spesso faticano a distinguere cosa sia importante e cosa possa essere ignorato. Il rilevamento delle anomalie mette in luce minacce e opportunità che nessun essere umano potrebbe individuare da solo.
Il tradizionale rilevamento delle anomalie analizza spesso le metriche in isolamento e si limita a un’analisi batch su dati storici. Basandosi su semplici valori statistici di riferimento, questi sistemi risultano molto sensibili al rumore, ai picchi e ai dati errati. Senza contesto, possono generare falsi positivi e di solito evidenziano i problemi solo dopo che hanno già avuto un impatto negativo sul sistema.
Multivariate Anomaly Detection di Confluent analizza metriche correlate per ridurre i falsi positivi e individuare più rapidamente i problemi reali. Consente ai team di rilevare anomalie su più metriche ignorando i valori anomali, garantendo maggiore accuratezza nel monitoraggio di dati complessi. I team possono iniziare a usare Multivariate Anomaly Detection immediatamente, senza dover costruire o aggiornare il modello, che apprende automaticamente man mano che i dati cambiano.
Inoltre, i team possono:
· Comprendere lo stato di salute di un sistema: gli strumenti tradizionali di rilevamento anomalie si basano sulle medie, facilmente distorte da picchi casuali nei dati. Multivariate Anomaly Detection utilizza il machine learning che reagisce e apprende dai dati in tempo reale dei team, ignorando anomalie isolate e fornendo una comprensione più accurata del funzionamento dei sistemi.
· Riconoscere problemi e pattern complessi: Multivariate Anomaly Detection di Confluent analizza più metriche insieme come un gruppo unificato, come ad esempio CPU, memoria e latenza combinate, invece di considerarle singolarmente, per individuare schemi nascosti. In questo modo, i team possono scoprire problemi complessi che altrimenti verrebbero trascurati se si guardassero solo metriche isolate.
· Agire automaticamente: misurando continuamente quanto i nuovi dati si discostano dal “normale reale”, i valori che deviano eccessivamente vengono immediatamente segnalati come anomalie.
