Az AlphaSense órákra rövidítette a hetekig tartó adatújraépítést

A szétszórt vállalati adatok jelentik a fő akadályt

A dbt Labs október 26-án közzétett esettanulmánya szerint Sarah Levy, az Euno társalapítója és vezérigazgatója, valamint Brad Levy, az AlphaSense analitikai igazgatója azt mutatta be, hogyan futtathatók AI-ügynökök vállalati adatokon.

A kiindulópontjuk szerint a bemutatókon az AI-rendszerek adatai rendezettnek tűnnek, a termelési környezetekben viszont az adatok több rendszerben találhatók, töredezettek, és ugyanarra a fogalomra eltérő definíciókat használhatnak. Ilyen környezetben az ügynököknek automatizált, szabályozott és megfelelően behatárolt kontextusra van szükségük.

Az Euno folyamatosan feltérképezi a vállalati technológiai környezet metaadatait, köztük az adatplatformokat, az ETL- és ELT-eszközöket, az üzletiintelligencia-rendszereket, valamint a biztonsági és megfigyelhetőségi rendszereket. Ezekből élő kontextusgráfot épít, amely az adateszközök közötti kapcsolatokat is rögzíti. Az AlphaSense erre a kontextusra építve használja a dbt-t szabályozási rétegként.

287 mezős örökölt modellből 13 dbt-modell lett

Az első bemutatott feladat egy régi irányítópultmodell újraépítése volt. A kiinduló rendszer egy 287 mezős táblát tartalmazott, amelyhez 68 dbt-modell kapcsolódott upstream irányban. A tábla 12 irányítópultot szolgált ki, nagyjából 300 felhasználóval.

A tényleges üzleti logika azonban nem a dbt-modellekben, hanem az üzletiintelligencia-rétegben volt. Brad Levy az Euno által biztosított kontextust és a Cursor fejlesztői környezetet használta arra, hogy a struktúrát 13 modellből álló, szabályozott csillagsémává alakítsa.

Az újraépítés körülbelül 15 promptból állt egyetlen munkamenetben. Az AlphaSense az új modelleket a korábbiakkal is összevetette, hogy az élesítés előtt ellenőrizze az eredmények egyezését. A dbt Labs szerint a szokásosan három-öt hetes munka így egyetlen, néhány órás, koncentrált építési és validálási ciklusra rövidült. A létrejött különbség nagyjából felét tesztek és dokumentáció alkotta, nem új üzleti logika.

Tervezési javaslat kódírás nélkül

A második feladat egy olyan számlázási architektúra újratervezése volt, amelyet egy második termékvonal megjelenése miatt már kinőtt egyetlen ténytábla. Ennél a feladatnál egyáltalán nem készült kód.

Az Euno oszlopszintig követte le a jelenlegi állapotot, majd az ügynökkel készített javaslatot Notion-dokumentumba rendezte. A dokumentum két Mermaid-diagramot is tartalmazott, így az AlphaSense adatarchitektusa közvetlenül áttekinthette és kommentálhatta a tervet.

A teljes javaslat körülbelül két koncentrált órát vett igénybe ügynökkel. Az AlphaSense kézi elkészítés esetén másfél napra becsülte volna ugyanezt a munkát.

Közös, szabályozott kontextus több ügynök számára

A harmadik felhasználási eset még folyamatban van. Célja a beszélgetéses elemzés kiterjesztése úgy, hogy a vállalat különböző részein működő ügynökök ugyanabból a szabályozott kontextusból dolgozzanak. Így nem kell mindegyiküknek külön értelmeznie a metaadatokat, ami csökkentheti az eltérő válaszok és következtetések kockázatát.

Az AlphaSense három pontban foglalta össze az eredményt: a modellek pontosabbak lettek, mert szabályozottan és tesztekkel készültek; a munka ideje órákra csökkent a hetek helyett; a csapat pedig több időt fordíthatott a döntésekre és a tervezésre az adatok újbóli feltérképezése helyett.

A bemutató kérdés-válasz részében szó esett az Euno élő címkéiről is. Ezek szabályokat kódolnak, például azt, hogy egy adatforrás akkor minősül hitelesítettnek, ha kizárólag az aranyréteg dbt-modelljeire kérdez rá. Az ilyen szabályok az eltérő definíciókat, például a különböző csapatok kétféle lemorzsolódási definícióját, magyarázható döntéssé alakíthatják. Az Euno benchmarkkérdés-mechanizmusa emellett folyamatosan ellenőrzi az ügynök pontosságát, nem csak egyetlen időpontban végzett értékelésre támaszkodik.