โพรโทคอล Agentic Resource Discovery (ARD) ช่วยเอเย่นต์ AI ค้นหาและเรียกใช้เครื่องมือในองค์กรได้อัตโนมัติ

ที่มาภาพ: InfoWorld

AI-อ่าน 6 นาทีInfoWorld

โพรโทคอล Agentic Resource Discovery (ARD) ช่วยเอเย่นต์ AI ค้นหาและเรียกใช้เครื่องมือในองค์กรได้อัตโนมัติ

⚡ สรุป 30 วิ

Agentic Resource Discovery (ARD) เป็นมาตรฐานใหม่ที่เชื่อมต่อเอเย่นต์ AI กับแคตาล็อกเครื่องมือในองค์กร ลดความซับซ้อนและเพิ่มความเร็วในการตอบสนอง…

การเปิดตัวโพรโทคอลใหม่ชื่อ Agentic Resource Discovery (ARD) จะช่วยให้ระบบ AI แบบ “agentic” ในองค์กรสามารถค้นหาและเรียกใช้เครื่องมือหรือบริการต่าง ๆ ได้ด้วยตนเองโดยอิงจากมาตรฐานเดียวกัน บริษัทเทคโนโลยีชั้นนำหลายแห่งรวมถึง Google, Microsoft, Cisco, Nvidia และ Salesforce** มีส่วนร่วมในการกำหนดสเปคนี้ การนำ ARD ไปใช้จึงเป็นประเด็นสำคัญต่อการจัดการความซับซ้อนของสภาพแวดล้อมไอทีในระดับองค์กร

Overview

โพรโทคอล ARD ถูกออกแบบมาเพื่อแก้ปัญหาการค้นหาและเข้าถึงทรัพยากรที่กระจายอยู่ในหลายระบบขององค์กร ซึ่งโดยทั่วไปแล้วข้อมูลเช่นเอกสารวิศวกรรม, การเปิดตั๋วสนับสนุน, ประวัติการปรับใช้และระบบเฝ้าติดตามมักจะถูกเก็บใน registry หรือ catalog แยกจากกัน การไม่มี “เลเยอร์กลาง” ทำให้เอเย่นต์ AI ต้องพึ่งพาการตั้งค่าแบบแมนนวลหรือสคริปต์ที่ซับซ้อนเพื่อดึงข้อมูลเหล่านี้ ARD จึงมุ่งเป็นศูนย์กลางที่ทำหน้าที่เป็นตัวเชื่อมต่อระหว่างเอเย่นต์กับแหล่งข้อมูลเหล่านั้น

Key Details

โครงสร้างของ ARD แบ่งออกเป็นสองระดับหลัก ได้แก่ Catalogs และ Registries

  • Catalogs: องค์กรจะเผยแพร่แคตาล็อกที่ระบุความสามารถหรือเครื่องมือที่พร้อมใช้งานให้กับเอเย่นต์ AI รายการนี้อาจรวมถึง API, ไฟล์คอนฟิก หรือข้อมูลเมตาดาต้าอื่น ๆ
  • Registries: ทำหน้าที่คล้ายเครื่องมือค้นหาโดยทำการรวบรวมและทำดัชนีแคตาล็อกที่เผยแพร่จากหลายแหล่ง ทำให้เอเย่นต์สามารถค้นหาและเข้าถึงทรัพยากรที่ต้องการได้โดยอัตโนมัติ

สเปคของ ARD ได้ถูกเปิดเผยเป็นสาธารณะแล้ว พร้อมคู่มือ “quickstart guide” เพื่อให้ผู้สนใจสามารถสร้างแคตาล็อกของตนเองได้อย่างรวดเร็ว

Participants & Governance

โครงการ ARD ได้รับการสนับสนุนจากบริษัทเทคโนโลยีระดับโลกหลายแห่ง ได้แก่ Google, Microsoft, Cisco, Nvidia, Salesforce รวมถึงผู้ให้บริการคลาวด์และผู้พัฒนาซอฟต์แวร์อื่น ๆ การรวมพลังของผู้เล่นหลายฝ่ายนี้ทำให้มาตรฐานมีโอกาสได้รับการยอมรับอย่างกว้างขวางในอุตสาหกรรม

การเปิดให้ทุกองค์กรสามารถเผยแพร่แคตาล็อกของตนเองและเข้าร่วมชุมชน ARD ทำให้การพัฒนาและปรับปรุงสเปคเป็นกระบวนการที่เปิดกว้าง ผู้เข้าร่วมสามารถเสนอข้อเสนอแนะหรือขยายฟีเจอร์ใหม่ ๆ ผ่านกลไกการทำงานของคอมมูนิตี้

How It Works in Practice

เมื่อเอเย่นต์ AI ต้องแก้ปัญหาเช่นการวิเคราะห์เหตุการณ์ผิดพลาดในระบบผลิต มันสามารถใช้ Registries เพื่อค้นหาแคตาล็อกที่เกี่ยวข้อง เช่น เอกสารการออกแบบ, บันทึกการเปิดตั๋วสนับสนุน หรือข้อมูลการตรวจสอบจากระบบ observability ที่อาจอยู่ในระบบอื่น การค้นหาเหล่านี้ทำผ่าน API มาตรฐานของ ARD ทำให้เอเย่นต์ได้รับข้อมูลที่สอดคล้องและปลอดภัยโดยไม่ต้องทราบตำแหน่งหรือรูปแบบของแหล่งข้อมูลแต่ละแห่ง

การทำงานแบบนี้ช่วยลดภาระการตั้งค่าและบำรุงรักษาโครงสร้างการเชื่อมต่อระหว่างระบบหลายระบบ (silos) อีกทั้งยังเพิ่มความรวดเร็วในการตอบสนองต่อเหตุการณ์สำคัญ เนื่องจากเอเย่นต์สามารถเข้าถึงข้อมูลที่ต้องการได้ทันทีจากแหล่งที่จัดเก็บในรูปแบบที่สอดคล้องกัน

Impact & Future Outlook

การนำ ARD ไปใช้จะส่งผลต่อหลายระดับของการดำเนินงานในองค์กรระดับใหญ่ โดยเฉพาะในส่วนของ การจัดการความเสี่ยง และ การปฏิบัติตามนโยบายความปลอดภัย เนื่องจากเอเย่นต์จะทำการค้นหาและเรียกใช้เครื่องมือตามที่กำหนดไว้ในแคตาล็อกที่ได้รับการตรวจสอบและอนุมัติแล้ว

นอกจากนี้ ARD ยังเปิดโอกาสให้เกิด ecosystem ของผู้ให้บริการเครื่องมือและบริการที่สามารถลงทะเบียนในระบบเดียวกัน ทำให้ตลาดเครื่องมือ AI มีความโปร่งใสและเข้าถึงได้ง่ายยิ่งขึ้น การที่สเปคเปิดให้ทุกองค์กรเข้าร่วมและมีการอัปเดตต่อเนื่องผ่านชุมชนอาจทำให้มาตรฐานนี้กลายเป็นพื้นฐานสำคัญสำหรับการพัฒนา AI agentic ในอนาคต

Summary

**Agentic Resource Discovery (ARD) เป็นโพรโทคอลมาตรฐานใหม่ที่ช่วยให้เอเย่นต์ AI ในองค์กรสามารถค้นหาและใช้เครื่องมือต่าง ๆ ได้อย่างปลอดภัยและเป็นระบบ การสนับสนุนจากบริษัทเทคโนโลยีชั้นนำและการเปิดให้ทุกองค์กรเข้าร่วมทำให้ ARD มีศักยภาพที่จะเป็นเลเยอร์กลางสำคัญในสภาพแวดล้อมไอทีระดับองค์กร.

แชร์บทความนี้:

ชอบบทความแบบนี้?

สมัคร AI Automate Weekly Newsletter — รับเคล็ดลับ AI + how-to ใหม่
ทุกสัปดาห์ตรงถึง inbox ฟรี ไม่มีสแปม

แหล่งข่าวต้นฉบับ

ชื่อต้นฉบับ
Solving an ARD problem in AI: Agentic Resource Discovery
ผู้เขียน
Unknown
แหล่ง
InfoWorld
วันที่เผยแพร่
19 มิถุนายน 2569 เวลา 23:37

Related

บทความที่เกี่ยวข้อง

องค์กรยังมองหาแนวทางวัด ROI ของ AI หลังยุค TokenmaxxingAI
-

องค์กรยังมองหาแนวทางวัด ROI ของ AI หลังยุค Tokenmaxxing

NEA ชี้ว่า บริษัทหลายแห่งยังไม่แน่ใจว่าการลงทุน AI จะให้ผลตอบแทนคุ้มค่า จึงลดการใช้เครื่องมืออย่าง Claude และปรับงบประมาณ ทั้งนี้การวัด ROI ของ AI…

TechCrunch6 นาที
ทดลองรัน Gemma, LLaMA และ Qwen บนสมาร์ทโฟน – โมเดลใดคุ้มค่าที่สุดต่อพื้นที่จัดเก็บAI
20 มิถุนายน 2569 เวลา 00:00

ทดลองรัน Gemma, LLaMA และ Qwen บนสมาร์ทโฟน – โมเดลใดคุ้มค่าที่สุดต่อพื้นที่จัดเก็บ

ผู้เขียนทดสอบโมเดลภาษา Gemma 4, LLaMA 2 และ Qwen‑2 บนสมาร์ทโฟน Android พบว่า Gemma มีคุณภาพสูงแต่ใช้พื้นที่หลายกิกะไบต์ ส่วน LLaMA เล็กกว่าแต่ความเร็วแปรปรวน…

XDA Developers9 นาที
รายงาน 2026: AI เสริมความเกลียดชังต่อชุมชน LGBTQ อย่างต่อเนื่องAI
19 มิถุนายน 2569 เวลา 22:30

รายงาน 2026: AI เสริมความเกลียดชังต่อชุมชน LGBTQ อย่างต่อเนื่อง

GLAAD รายงานว่า AI ยังคงเผยข้อมูลเท็จและกรองเนื้อหาอย่างผิดพลาดต่อกลุ่ม LGBTQ ทำให้เกิดอคติ ความเสี่ยงด้านความเป็นส่วนตัวและสิทธิพื้นฐานของผู้ใช้ที่เปราะบาง

Mashable Tech7 นาที
โฟโตทรานซิสเตอร์จำแสงแบบสมอง ลดพลังงานระบบ AI VisionAI
19 มิถุนายน 2569 เวลา 21:00

โฟโตทรานซิสเตอร์จำแสงแบบสมอง ลดพลังงานระบบ AI Vision

นักวิจัยมหาวิทยาลัย Oregon State พัฒนาฟโโตทรานซิสเตอร์ที่รวมการตรวจจับแสง, หน่วยความจำแบบแสงและการประมวลผลในชิ้นเดียว…

Tom's Hardware7 นาที
คัดลอกลิงก์แล้ว!