Piwulang Netomi kanggo ngembangaké sistem agen ing enterprise

Perusahaan enterprise ngarepake agen AI bisa nangani alur kerja sing ruwet kanthi andal, netepi kabijakan kanthi gawan, mlaku ing beban abot, lan nuduhake proses kerjane.

Netomi⁠⁠(mbukak ing jendhela anyar) mbangun sistem sing nyukupi standar dhuwur kuwi, nglayani pelanggan Fortune 500 kaya United Airlines lan DraftKings. Platforme masangake GPT‑4.1 kanggo panggunaan tool sing andal lan latensi rendah karo GPT‑5.2 kanggo perencanaan multi-langkah sing luwih jero, loro-lorone mlaku ing lapisan eksekusi sing diatur supaya tumindak adhedhasar model tetep bisa diprediksi ing kondisi produksi nyata.

Ngoperasikake sistem agen ing skala iki wis menehi Netomi cetak biru babagan apa sing nggawe deployment iki sukses ing enterprise.

Sawijining panjaluk enterprise arang mung cocog karo siji API. Alur kerja nyata nyakup mesin booking, basis data loyalitas, sistem CRM, logika kabijakan, pembayaran, lan sumber kawruh. Datane asring ora pepak, bertentangan, utawa sensitif wektu. Sistem sing gumantung marang alur kaku bakal ambruk nalika ngadhepi variasi iki.

Netomi ngrancang Agentic OS supaya model OpenAI ana ing pusat pipeline orkestrasi sing diatur lan dibangun kanggo tingkat ambiguitas iki. Platform iki nggunakake GPT‑4.1 kanggo nalar cepet, andal, lan tool-calling—wigati kanggo alur kerja wektu nyata—lan GPT‑5.2 nalika perlu perencanaan multi-langkah utawa nalar luwih jero.

Kanggo njamin prilaku agen sing konsisten sajrone tugas dawa lan rumit, Netomi ngetutaké pola prompting agen sing disaranake OpenAI:

• Pangeling ketekunan kanggo mbantu GPT‑5.2 nggawa nalar sajrone alur kerja dawa lan multi-langkah
• Pangarepan panggunaan tool sing eksplisit, nyuda jawaban halusinasi kanthi ngarahaké GPT‑4.1 supaya nelpon tool kanggo informasi otoritatif sajrone operasi transaksional
• Perencanaan terstruktur, sing migunakaké nalar luwih jero saka GPT‑5.2 kanggo nyusun lan nglakokaké tugas multi-langkah
• Kaputusan rich media sing digerakké agen, ngandelaké GPT‑5.2 kanggo ndeteksi lan menehi sinyal nalika telpon tool kudu mbalekaké gambar, video, formulir, utawa elemen multimodal sugih liyane

Bebarengan, pola iki mbantu model kanthi andal mapakaké panjaluk ora terstruktur menyang alur kerja multi-langkah lan njaga state ing interaksi sing ora terus-terusan.

Sithik industri sing nuduhaké kabutuhan nalar multi-langkah kanthi cetha kaya maskapai, ing ngendi siji interaksi rutin nyakup pirang-pirang sistem lan lapisan kabijakan. Siji pitakon bisa mbutuhake mriksa aturan tarif, ngitung maneh keuntungan loyalitas, miwiti owah-owahan tiket, lan koordinasi karo operasi penerbangan.

“Ing maskapai, konteks owah saben menit. AI kudu bisa nalar babagan kahanan sing dialami pelanggan—dudu mung nglakokaké tugas sing kepisah,” ujare Mehta. “Mulane kesadaran situasional luwih penting tinimbang mung alur kerja, lan mulane arsitektur ensemble sing dipandu konteks iku penting banget.”

Kanthi GPT‑4.1 lan GPT‑5.2, Netomi bisa terus ngembangaké pola iki dadi otomasi multi-langkah sing luwih sugih—nggunakaké model ora mung kanggo njawab pitakon, nanging uga kanggo ngrancang tugas, ngurutaké tumindak, lan ngoordinasi sistem backend sing dadi sandaran maskapai gedhé.

Ing wektu tekanan dhuwur—booking ulang nalika badai, ngrampungaké masalah tagihan, utawa nangani lonjakan panjaluk dadakan—panganggo bakal ninggalaké sistem apa wae sing ragu-ragu. Latensi nemtokaké kapercayan.

Akèh sistem AI gagal amarga nglakokaké tugas sacara urut: klasifikasi → njupuk → validasi → nelpon tool → ngasilaké output. Netomi malah ngrancang kanggo konkurensi, nggunakaké streaming latensi rendah lan stabilitas tool-calling saka GPT‑4.1.

GPT‑4.1 menehi wektu-cepet-menyang-token-pisanan lan prilaku tool-calling sing bisa diprediksi, sing ndadèkaké arsitektur iki layak ing skala gedhé; dene GPT‑5.2 menehi jalur nalar multi-langkah sing luwih jero nalika dibutuhaké. Kerangka konkurensi Netomi njamin sistem total, ora mung model, tetep ing ngisor ambang latensi kritis.

Tuntutan konkurensi iki ora unik kanggo maskapai. Sistem apa wae sing kena lonjakan trafik dadakan lan ekstrem butuh disiplin arsitektur sing padha. DraftKings, contoné, rutin nguji model iki ing tekanan, kanthi trafik sajrone acara olahraga gedhé mundhak ngluwihi 40.000 panjaluk pelanggan bebarengan per detik. 

Sajrone acara kaya mangkono, Netomi njaga respons kurang saka telung detik kanthi akurasi klasifikasi intent 98%, sanajan alur kerja nyentuh akun, pembayaran, telusur kawruh, lan pemeriksaan regulasi.

“AI iku pusat lan kritis kanggo cara kita ndhukung pelanggan ing wektu sing paling penting,” ujare Paul Liberman, Co-Founder lan President of Operations ing DraftKings. “Platform Netomi mbantu kita nangani lonjakan aktivitas gedhé kanthi lincah lan presisi.”

Ing skala gedhé, model konkurensi Netomi gumantung marang tool-calling GPT‑4.1 sing cepet lan bisa diprediksi, sing njaga alur kerja multi-langkah tetep responsif ing beban ekstrem.

AI enterprise kudu bisa dipercaya kanthi desain, kanthi tata kelola dirajut langsung menyang runtime—dudu ditambahaké minangka lapisan eksternal.

Nalika kapercayan intent mudhun ing ngisor ambang, utawa nalika panjaluk ora bisa diklasifikasikaké kanthi kepastian dhuwur, mekanisme tata kelola Netomi bakal aktif kanggo nemtokaké cara panjaluk ditangani, supaya sistem mundur saka generasi bebas lan milih jalur eksekusi sing dikontrol.

Ing tingkat teknis, lapisan tata kelola nangani:

• Validasi skema, sing mvalidasi saben telpon tool marang argumen sing diarepaké lan kontrak OpenAPI sadurunge eksekusi
• Penegakan kabijakan sing nerapaké filter topik, watesan merek, lan pemeriksaan kepatuhan kanthi inline sajrone nalar lan panggunaan tool
• Perlindungan PII kanggo ndeteksi lan nyamarké data sensitif minangka bagean saka pra-pemrosesan lan penanganan respons
• Fallback deterministik, ngarahaké bali menyang prilaku aman sing wis dikenal nalika intent, data, utawa telpon tool ambigu
• Observabilitas runtime, nampilaké jejak token, langkah nalar, lan log rantai tool kanggo inspeksi lan debugging wektu nyata

Ing domain sing diatur ketat kaya asuransi dental, tata kelola kaya iki ora bisa ditawar. Salah siji pelanggan Netomi ing industri asuransi ngolah meh rong yuta panjaluk penyedia saben taun ing kabeh 50 negara bagian, kalebu pemeriksaan eligibilitas, telusur manfaat, lan pitakon status klaim, ing ngendi siji respons sing salah bisa nggawe risiko regulasi utawa layanan ing hilir. 

Nalika periode open enrollment, wektu pengawasan lan volume tekan pucaké, perusahaan butuh AI sing ngetrapaké kabijakan minangka bagean saka runtime dhewe. Arsitektur Netomi bisa nyukupi syarat rumit kuwi.

“Kita mbangun sistem supaya yen agen tau tekan kahanan ora mesthi, sistem ngerti persis carane mundur kanthi aman,” ujare Mehta. “Tata kelola iki dudu tempelan—iki bagean saka runtime.”

Lelakon Netomi nuduhaké apa sing dibutuhaké kanggo entuk kapercayan enterprise: bangun kanggo kerumitan, paralelaké kanggo nyukupi tuntutan latensi, lan lebokaké tata kelola ing saben alur kerja. Model OpenAI dadi tulang punggung nalar, dene rekayasa sistem Netomi njamin kapinteran iki aman sacara operasional, bisa diaudit, lan siap kanggo lingkungan Fortune 500.

Prinsip iki mbantu Netomi ngembang ing sawetara industri paling nuntut ing donya—lan menehi cetak biru kanggo startup apa wae sing pengin ngowahi AI agen dadi infrastruktur kelas produksi.

Nerapaké sistem agen ing lingkungan Fortune 500 mbutuhaké kacepetan, akurasi, lan tata kelola sing wis ana ing njero. Arsitektur Netomi ngasilaké telu-telune, njaga kinerja sanajan nalika lonjakan trafik ekstrem lan alur kerja multi-langkah sing rumit. 

• Ngasilaké respons kurang saka telung detik nalika acara trafik dhuwur 
• Njaga akurasi klasifikasi intent 98% ing skala gedhé
• Nangani lonjakan trafik sing ngluwihi 40.000 panjaluk pelanggan bebarengan per detik
• Nandur tata kelola langsung ing runtime, kanthi fallback deterministik lan penegakan kabijakan