habe ich die Möglichkeit, neue KI-gestützte Analysetools auszuprobieren, darunter den Datenagenten von Microsoft Cloth. Deshalb möchte ich teilen, was ich gelernt habe, erklären, was ein Datenagent ist, und den Unterschied zwischen ihm und einem „normalen“ KI-Agenten hervorheben.
Additionally, ohne weitere Umschweife, hier ist meine Definition eines Datenagenten:
Ein Datenagent ist ein Bericht, mit dem Sie sprechen können.
Für diejenigen von uns in der Analytik bedeutet dies, dass zwei lang gehegte Wünsche endlich Wirklichkeit werden könnten:
#1: Analysten verbringen viel weniger Zeit mit der Erstellung von Visualisierungen.
#2: Self-Service-Einblicke kommen Geschäftsanwendern näher.
Lassen Sie mich auf jeden dieser Punkte etwas näher eingehen.
Weniger Visualisierungen, nicht weniger Erkenntnisse
Ich genieße wirklich einen guten Bericht, der mir sagen kann, „was los ist“ mit den Kennzahlen, die mich gerade interessieren. Da ich jedoch in der Analytik geschult bin, weiß ich, dass Berichte Kennzahlen manchmal in ein falsches Licht rücken können, was dazu führt, dass Geschäftsanwender häufig Analysten nach der Interpretation von KPIs fragen, normalerweise 10 Minuten vor wichtigen Besprechungen.
Und das ist einer der Gründe, warum wir oft in einen Teufelskreis geraten, in dem wir Dashboards haben, die niemand nutzt, und Stakeholder ständig wollen, dass „die Zahl“ advert hoc oder über Tabellenkalkulationen bereitgestellt wird.
Positiv zu vermerken ist, dass Visualisierungen und Tabellenkalkulationen nicht verschwinden, aber die Bereitstellung der Erkenntnisse erfolgt mit einem Cloth-Datenagenten auf eine neue Artwork und Weise.
Anstatt Abfragen in Diagramme zu verpacken, können Sie sie in Eingabeaufforderungen und Anweisungen einbinden, gepaart mit dem verbrauchsbereiten verwalteten Datenbestand in Cloth, z. B. in einem Lakehouse, einem Warehouse, semantischen Energy BI-Modellen, einer KQL-Datenbank oder sogar einer Ontologie. Dies bedeutet, dass die zugrunde liegenden Daten noch aufbereitet und modelliert werden müssen, um Geschäftsfragen wie „Wie hoch battle der Umsatz diese Woche im Vergleich zur letzten Woche?”
Aus gestalterischer Sicht erstellen Sie nun jedoch keinen bereichsbezogenen visuellen Bericht zur Beantwortung dieser Geschäftsfrage, sondern einen bereichsbezogenen Datenagenten, der diese und andere Teilmengen von Antworten bereitstellt, die aus den zugrunde liegenden Datenmodellen abgeleitet werden.
Genauer gesagt sieht der Enter-Output-Fluss wie folgt aus:
(1) ein Stakeholder stellt eine Frage, (2) der Agent, unterstützt durch die Azure OpenAI Assistant API, interpretiert die Frage und „entscheidet“, welche der Datenquellen am wahrscheinlichsten die Antwort auf der Grundlage von Quellschemata und Agentenanweisungen hat, (3) generiert die entsprechende Abfrage (SQL, DAX oder KQL, je nach Quelltyp), (4) validiert sie, (5) führt sie unter den Anmeldeinformationen des Stakeholders aus und (6) gibt das Ergebnis als Textual content oder zurück Tabelle, (noch) nicht als Visible.
Zusammenfassend lässt sich sagen, dass eine Stakeholder-Interaktion mit Erkenntnissen über den Datenagenten eine Frage-und-Antwort-Sitzung über dem kuratierten Datensatz ist und Drill-Down-Visuals durch Folgefragen ersetzt werden können, wie zum Beispiel „Können Sie den Umsatz auch nach Segmenten aufschlüsseln?”
Damit ist klar, dass die Arbeit der Analysten nicht mehr nur über Dashboards zum Ausdruck gebracht werden muss, additionally den seit langem bekannten greifbaren Beweis dafür, dass die Arbeit zur Erfassung der Geschäftslogik in Datenmodellen erbracht wurde.
Reden wir jetzt über …
Self-Service-Einblicke, näher am Wohnort von Geschäftsanwendern
Ich habe bereits erwähnt, dass Berichte manchmal Kennzahlen falsch darstellen können, aber das ist nicht der einzige Grund, warum „Wenn du es baust, werden sie kommen„funktioniert selten für sie oder für Analysen im Allgemeinen. Die Wahrheit ist, dass die Wissensbarriere oft zu hoch ist, um die zugrunde liegenden semantischen Modelle zu verstehen und zu verstehen, wie man BI-Instruments verwendet, um darüber hinaus visuelle Darstellungen zu erstellen.
Obwohl dies auf Datenkompetenz hindeutet, die ein Change-Administration-Drawback darstellt, ist es eine Tatsache, dass die Zielgruppe des Unternehmens, bei der es sich eigentlich um Berichtskonsumenten handeln sollte, oft zu viel zu tun hat, als dass sie sich die Mühe machen würde, BI-Instruments für Self-Service-Analysen zu erlernen.
Deshalb ist es wichtig, Erkenntnisse näher an den „Lebensraum“ der Endbenutzer zu bringen, was heutzutage auf KI-gestützte Instruments wie M365 Copilot hindeutet.
Mit der Möglichkeit, Erkenntnisse über Datenagenten außerhalb von Cloth bereitzustellen, können sich Analysten nun auf die analytische Logik hinter Self-Service-Datenagenten konzentrieren, und Endbenutzer können auf Erkenntnisse in denselben KI-gestützten Instruments zugreifen, die ihre anderen täglichen Aufgaben unterstützen, ohne die Komplexität eines Wechsels zu einer anderen Plattform.
Ich muss anmerken, dass dies nicht die einzige Möglichkeit ist, Cloth-Datenagenten in die Arbeitsabläufe zu integrieren, und unabhängig davon, ob Sie Entwickler oder Verbraucher sind, ist es intestine zu wissen …
Der Unterschied zwischen Daten und einem KI-Agenten
Bisher haben wir erfahren, dass der Cloth-Datenagent ein Analyseagent ist, der sich auf den schreibgeschützten, kontrollierten Datenzugriff konzentriert und in der Lage ist, Eingabeaufforderungen in natürlicher Sprache in komplexe Datenbankabfragen zu übersetzen, die Erkenntnisse auch außerhalb des Cloth-Mandanten freigeben.
Auf der anderen Seite, ein KI-Agent ist als ein System definiert, das Giant Language Fashions (LLMs) ermöglicht Dinge tun, Reagieren Sie nicht nur auf Eingabeaufforderungen im Namen von Benutzern oder anderen Systemen, indem Sie auf Instruments und Wissen zugreifen.
Das heißt, die ganze Magie liegt in der Einrichtung des KI-Agenten, wo Sie einen Cloth-Datenagenten als spezialisiertes Device oder Wissensquelle verwenden können.
Ich werde dies anhand eines einfachen Beispiels veranschaulichen.
Stellen Sie sich vor, ein autorisierter Benutzer fordert den KI-Agenten dazu auf „Verfassen Sie eine E-Mail an das Group, in der Sie den Umsatz der letzten Woche nach Phase zusammenfassen.“ Um diese Arbeit zu erledigen, müsste der KI-Agent unter anderem Umsatzerkenntnisse aus der Unternehmensdatenbank aufbereiten. Um Fehler bei der Umsatzberechnung zu reduzieren, würde der Entwickler einen Agenten-Workflow entwerfen, um die Eingabeaufforderung an den Cloth-Datenagenten weiterzuleiten Werkzeugder die schwere Arbeit übernehmen würde, das Schema zu bestimmen, die Abfrage zu schreiben, sie auszuführen und die genauen Zahlen zurückzugeben. Schließlich würde der KI-Agent diese Zahlen dann verwenden, um seinen umfassenderen Arbeitsablauf abzuschließen und die E-Mail zu schreiben.
Was ist dann der Unterschied zwischen diesen beiden? Es ist ein KI-Agent Handlungenwährend der Datenagent Gründe.
Vielen Dank fürs Lesen.
Wenn Sie diesen Beitrag wertvoll fanden, können Sie ihn gerne mit Ihrem Netzwerk teilen. 👏
Vernetzen Sie sich für weitere Geschichten Medium✍️ und LinkedIn 🖇️.
Möchten Sie mehr über Datenagenten erfahren?
Sehen Sie sich in diesem Fall die folgenden Ressourcen an:
Erstellung von Cloth-Datenagenten – Microsoft Cloth
Erfahren Sie, wie Sie einen Cloth-Datenagenten erstellen, der Fragen zu Daten beantworten kann.be taught.microsoft.com
Implementieren Sie Microsoft Cloth Information Brokers – Schulung
Implementieren Sie Microsoft Cloth Information Brokers (Chatten Sie mit Ihren Daten)be taught.microsoft.com