Инновационное подразделение S&P Global разработало платформу Grounding на базе LangGraph. Система использует специализированных ИИ-агентов для точного извлечения структурированной финансовой информации.
3 мин
Компания Kensho, центр ИИ-инноваций в составе S&P Global, представила Grounding — мультиагентную инфраструктуру для работы с финансовыми данными. Построенная на базе фреймворка LangGraph, система создает единый слой доступа к разрозненным базам данных корпорации. Это позволяет пользователям формулировать запросы на естественном языке и получать ответы, строго подкрепленные верифицированными финансовыми источниками, что критически важно для индустрии, не терпящей галлюцинаций нейросетей.
В отличие от типичного веб-поиска, где преобладает неструктурированный текст, финансовые данные S&P Global имеют сложную структуру и массу нюансов. Исторически финансовые аналитики тратили часы на навигацию по фрагментированным системам, изучение сложных схем баз данных и специализированных языков запросов для сбора метрик или анализа доходов.
Стандартные методы генеративного ИИ не могли решить эту проблему напрямую, так как требовали интеграции множества разрозненных хранилищ с гарантиями высокой достоверности (high-trust validity) и прозрачности каждого вывода.
Изображение из источника
В основе решения Kensho лежит концепция разделения обязанностей. Вместо того чтобы встраивать сложную логику понимания естественного языка в каждого отдельного агента, инженеры создали централизованный маршрутизатор (router) с помощью LangGraph.
Процесс работы выглядит следующим образом:
Для обеспечения стабильности Kensho разработала собственный кастомный протокол обмена данными. Он приводит как структурированную, так и неструктурированную информацию от разных DRA к единому формату.
How Kensho built a multi-agent framework with LangGraph to solve trusted financial data retrieval
Такой архитектурный подход дает значительные преимущества при масштабировании корпоративных систем. Разделение слоев маршрутизации и извлечения данных позволяет независимым командам внутри S&P Global параллельно разрабатывать и обновлять своих агентов (DRA), не ломая общую систему.
Единый внутренний протокол стал фундаментом, на котором Kensho теперь быстро развертывает новые продукты. Будь то ИИ-ассистент для анализа акций или агент по проверке ESG-комплаенса, все они используют один и тот же надежный слой доступа к данным. Это радикально сокращает время вывода новых инструментов на рынок (time-to-market), так как отпадает необходимость каждый раз строить новые конвейеры данных.
Опыт Kensho демонстрирует, как будут развиваться корпоративные ИИ-системы в ближайшие годы. Ключевыми факторами успеха становятся неочевидные на первый взгляд вещи: наблюдаемость (observability) и многоэтапная оценка качества (multi-stage evaluation).
Для отладки распределенной мультиагентной системы разработчикам критически важно иметь сквозное отслеживание каждого шага (трассировку). А тестирование таких систем требует оценки не только финального ответа, но и промежуточных решений маршрутизатора: правильно ли он выбрал инструменты и корректно ли агенты поняли подзапросы. По мере усложнения больших языковых моделей (LLM), именно грамотная оркестровка узкоспециализированных агентов станет главным конкурентным преимуществом в работе со сложными корпоративными данными.
Kensho решила проблему поиска по сложным финансовым базам данных, создав единый маршрутизатор запросов, который управляет сетью узкоспециализированных ИИ-агентов.
Главным достижением проекта стал не сам ИИ, а разработка кастомного протокола обмена данными, который заставил разрозненные корпоративные базы 'говорить' на одном языке с языковыми моделями.
