Ciągłe doskonalenie agentów AI w Microsoft Foundry. Przewaga dzięki unikalnej wiedzy

Ciągłe doskonalenie agentów AI w Microsoft Foundry. Przewaga dzięki unikalnej wiedzy

Podczas konferencji Microsoft Ignite 2026 gigant z Redmond zaprezentował mechanizm ciągłego doskonalenia agentów AI na platformie Microsoft Foundry. Nowe rozwiązanie pozwala autonomicznym programom uczyć się na podstawie rzeczywistych interakcji i ocen ekspertów, a cały proces opiera się na ścisłej integracji z GitHubem i chmurą Azure. Dzięki routerowi modeli i narzędziom optymalizacyjnym organizacje mogą obniżać koszty działania agentów, zachowując pełną kontrolę nad wdrażanymi zmianami.

Przewaga dzięki własnym danym i integracji z GitHubem

Nowe modele sztucznej inteligencji pojawiają się co kilka tygodni, a klienci zadają pytania, których nikt wcześniej nie przewidział. Podczas konferencji Microsoft Ignite 2026 firma zaprezentowała mechanizm ciągłego doskonalenia (ang. continuous improvement) na platformie Microsoft Foundry. Rozwiązanie stanowi element nowego systemu Microsoft IQ i pozwala agentom AI uczyć się w trakcie wykonywania codziennych zadań. Wyjściowy model jest taki sam dla każdego odbiorcy, dlatego dopiero wykorzystanie śladów (ang. traces) działania agentów i informacji zwrotnych od użytkowników tworzy pętlę uczenia, w której unikalna wiedza firmy pozostaje jej wyłącznym atutem.

Proces tworzenia i rozwijania inteligentnych programów opiera się na połączeniu usług GitHub i Microsoft Foundry w ramach globalnej chmury Azure. Użytkownik opisuje w naturalnym języku proces biznesowy do zautomatyzowania, np. w łańcuchu dostaw, a GitHub Copilot generuje potrzebny kod. Wbudowany mechanizm GitHub Copilot Fusion automatycznie dobiera i koordynuje modele na etapie pisania oprogramowania, równoważąc wydajność, opóźnienia i koszty, aby gotowy agent mógł działać bezpośrednio w środowisku Microsoft Teams.

Po zbudowaniu agenta organizacje uruchamiają go i nadzorują w Microsoft Foundry, gdzie mają dostęp do ponad 11 tys. modeli od dostawców takich jak OpenAI, Anthropic, Meta, Mistral, a także rozwiązań open source i autorskich modeli Microsoft AI (MAI). Platforma oferuje router modeli, który kieruje proste prompty do mniejszych i szybszych jednostek, a złożone zadania - do dużych modeli. Testy wewnętrzne wskazują, że takie podejście pozwala zaoszczędzić do 65% kosztów w porównaniu z wysyłaniem wszystkich zapytań do najbardziej zaawansowanych modeli.

Zarządzanie bezpieczeństwem i środowiskiem uruchomieniowym

Każdy agent działający w Microsoft Foundry otrzymuje własną tożsamość Entra Agent ID, która w połączeniu z mechanizmami ochronnymi ogranicza jego uprawnienia wyłącznie do niezbędnego minimum. Przy wrażliwych operacjach konieczne jest zatwierdzenie przez człowieka, a organizacja zachowuje pełną kontrolę nad tym, jakie zmiany trafiają na produkcję. Funkcje kontrolne w Foundry Safety monitorują zachowanie agentów w czasie rzeczywistym pod kątem zgodności z politykami firmy, co dotyczy rozwiązań zbudowanych w Foundry, a w przyszłości obejmie także narzędzia zewnętrzne.

Zespoły mogą uruchamiać agenty w wybranej przez siebie warstwie orkiestracji. Foundry Agent Service obsługuje własne środowiska wykonawcze poprzez hostowane agenty, które w wersji ogólnodostępnej (GA) obsługują więcej równoległych sesji, a w wersji zapoznawczej (preview) uruchamiają się szybciej. Firmy preferujące gotowe rozwiązania mogą skorzystać z Microsoft Copilot harness w wersji zapoznawczej, oferującego wbudowane umiejętności wielokrotnego użytku i podagentów. Przykładem takiego wdrożenia jest firma Fashable z branży modowej, która wykorzystuje agenty głosowe w wersji GA oraz środowisko Copilot harness do usprawnienia procesów projektowania i zaopatrzenia.

Rozwiązania w Foundry analizują sposób, w jaki zespoły korzystają z agentów, i oceniają każdą modyfikację według zdefiniowanych przez firmę kryteriów jakości. Agenty wyciągają wnioski z własnej historii pracy i uwag specjalistów, przekształcając te doświadczenia w nowe umiejętności i testy ewaluacyjne. W ten sposób zarówno pojedyncze narzędzia, jak i cały otaczający je ekosystem systematycznie podnoszą swoją skuteczność.

Cztery etapy pętli ciągłego doskonalenia

Proces podnoszenia jakości agentów w Microsoft Foundry przebiega w powtarzalnym cyklu składającym się z czterech kroków: określenia standardów, identyfikacji problemów, optymalizacji i walidacji. W pierwszym etapie firma definiuje pojęcie jakości za pomocą ewaluacji, czyli automatycznych testów oceniających odpowiedzi agenta. Ewaluatory oparte na kryteriach pozwalają zapisać wymagania biznesowe niczym listę kontrolną eksperta i w wersji zapoznawczej obejmują już nie tylko jakość, ale również bezpieczeństwo.

Każde uruchomienie agenta generuje szczegółowy zapis jego działań, pytań i odpowiedzi (ang. trace). Dzięki funkcji adnotacji w wersji zapoznawczej eksperci mogą przeglądać prawdziwe rozmowy, oznaczać błędy i wskazywać właściwe reakcje. Takie adnotacje tworzą zbiory ewaluacyjne oparte na rzeczywistym użyciu, na podstawie których system generuje kryteria oceny dla kolejnych wersji agenta. Najlepsze przypadki testowe można zablokować jako złoty zbiór danych (ang. golden dataset) w wersji zapoznawczej, który służy jako punkt odniesienia i benchmark dla każdej nowej wersji oprogramowania.

W drugim etapie system wyszukuje obszary wymagające poprawy bez konieczności ręcznego przeglądania tysięcy logów. Ogólnodostępna funkcja Insights grupuje powtarzające się błędy, prezentuje dowody i wskazuje ich prawdopodobną przyczynę, co pozwala zespołom w pierwszej kolejności naprawiać usterki dotykające największej liczby odbiorców. Ten sam poziom wglądu Microsoft udostępnił w wersji GA także dla agentów AI zbudowanych poza Foundry przy użyciu frameworków LangGraph, LangChain i CrewAI.

Optymalizacja kosztów i weryfikacja zmian na produkcji

Trzeci krok to optymalizacja za pomocą narzędzia Agent optimizer, które przekłada zebrane wnioski na konkretne ulepszenia w obszarze promptów, umiejętności i wyboru modelu. System testuje każdą propozycję względem ustalonych ewaluacji i rekomenduje najlepszy wariant, ale ostateczną decyzję o wdrożeniu podejmuje zespół. Oprócz dostępnej już optymalizacji promptów i routera modeli Microsoft wprowadził w wersji zapoznawczej funkcję przekazywania problemów bezpośrednio z Insights do Agent optimizera, optymalizację umiejętności z kontrolą wersji oraz optymalizację kosztów poszukującą tańszych modeli bez utraty jakości.

Firmy potrzebujące głębszych zmian mogą skorzystać z usługi Managed Training do trenowania modeli na własnych danych, co przykładowo pozwoliło firmie Docusign obniżyć koszty przetwarzania AI o 90% i obecnie służy jej do trenowania modeli MAI pod kątem analizy umów. W wersji zapoznawczej zadebiutował też Programmed Training, umożliwiający inżynierom pisanie własnych skryptów treningowych w języku Python na bezserwerowych procesorach GPU. Rozwiązanie to wykorzystała firma Heidi, tworząc otwarty model do dokumentacji medycznej dorównujący czołowym modelom przy kosztach niższych o około 87%, natomiast linie lotnicze Alaska Airlines dostroiły model MAI-Code-2-Flash do klasyfikacji raportów serwisowych samolotów według kodów ATA, podnosząc skuteczność z 81,2% do 91,1% i wyprzedzając modele GPT-6 Astra oraz GPT-6.1 Sol.

Ostatnim etapem pętli jest walidacja i powtarzanie cyklu w oparciu o testy statystyczne potwierdzające realną poprawę wyników. Zespoły mogą wpiąć te testy bezpośrednio w potoki wdrożeniowe GitHub Actions lub Azure DevOps, blokując publikację wersji niespełniających wymogów jakościowych. Ciągła ewaluacja próbkuje ruch na żywo, a zaplanowane testy sprawdzają złoty zbiór danych i podatność na zagrożenia (tzw. red-team scans). Gdy panel monitorowania wykryje spadek jakości lub bezpieczeństwa bądź wzrost opóźnień i zużycia tokenów, sygnał ten staje się nowym punktem wyjścia dla kolejnej iteracji. Z tego podejścia korzysta już firma NTT DATA, która zaprezentowała podczas Ignite wdrożenie pętli doskonalenia dla agenta zarządzającego programami, przygotowując go do obsługi ponad 1000 wewnętrznych projektów w oparciu o wiedzę zgromadzoną w warstwie kontekstowej Microsoft IQ.

Źródło: https://azure.microsoft.com/en-us/blog/continuous-improvement-comes-to-microsoft-foundry/

Fabcon Poland 2026: Barcelona update
Fabcon Poland 2026: Barcelona update