Generative BI: Rozmowa z danymi

(Część 2 serii: Ewolucja inteligencji ERP: od danych do agentów)

W Części 1zdefiniowaliśmy taksonomię.
Ustaliliśmy, że GenAI to „Asystent”, który rozumie kontekst. Zanim jednak ten asystent zacznie działać (jak przyszła sztuczna inteligencja agentowa), musi najpierw opanować prostszą, ale rewolucyjną umiejętność: odpowiadanie na pytania dotyczące danych.

Aby zbudować niezbędną podstawę dla autonomicznych agentów przyszłości, najpierw musimy naprawić zepsuty interfejs: doświadczenie użytkownika w zakresie danych.

Standardowym interfejsem dla danych ERP jest Panel. Chociaż nowoczesne narzędzia BI są potężne, często tworzą lukę między Twórcą (który tworzy raport) a Konsumentem (który go czyta). Jeśli CEO zapyta: „Dlaczego marża we Włoszech spada?”, panel wyświetli wynik. Aby znaleźć przyczynę, użytkownik często musi filtrować, analizować dane lub – jeśli dane szczegółowe nie zostały wstępnie zdefiniowane – poprosić analityka o utworzenie nowego widoku.

Generative BI (GenBI) wypełnia tę lukę. Przenosi paradygmat z konfigurowania raportów na komunikację z danymi na żywo.

Ograniczenia statycznego BI

Tradycyjna analiza biznesowa opiera się na „skonstruowanej odpowiedzi” :

1. Analityk przewiduje pytania biznesowe (np. „Sprzedaż według regionu”).
2. Tworzą raport lub tabelę przestawną.
3. Użytkownik je konsumuje.

Ograniczenie: Chociaż użytkownicy zaawansowani mogą modyfikować te raporty, użytkownikom biznesowym często brakuje czasu lub wiedzy technicznej, aby to zrobić. Gdy mają pytanie, na które nie odpowiadają istniejące filtry –„Pokaż sprzedaż według regionu, ale wyklucz wycofane produkty z trzeciego kwartału”– przepływ pracy zostaje przerwany. Zależy to od projektu raportu.

Rewolucja „Text-to-SQL”

GenBI pozwala każdemu użytkownikowi na wyszukiwanie danych w języku naturalnym, eliminując potrzebę przeciągania i upuszczania danych, korzystając z paska czatu. Rozwiązanie to opiera się na specyficznej architekturze sztucznej inteligencji, znanej jako Text-to-SQL.

Podczas korzystania z interfejsu GenBI (takiego jak Wren AI lub funkcje zapytań w języku naturalnym w systemie Infor OS) przepływ pracy ulega zmianie:

1. Monit: Użytkownik pyta: „Pokaż mi otwarte zamówienia zakupu od dostawcy „SteelCorp”, których realizacja jest opóźniona o ponad 5 dni”.
2. Tłumaczenie (LLM): Model dużego języka analizuje żądanie.
3. Warstwa semantyczna (klucz): Sztuczna inteligencja odwołuje się do „warstwy semantycznej” (glosariusza biznesowego mapującego terminy na tabele bazy danych). Rozumie, że „Dostawca” odnosi się do tccom100, a „Opóźniony” oznacza porównanie planowanej daty odbioru z datą dzisiejszą.
4. Wykonanie: Generuje precyzyjne zapytanie SQL, uruchamia je w Data Lake i zwraca wynik na żywo.

Dlaczego „warstwa semantyczna” ma znaczenie: Bez warstwy semantycznej (takiej jak Data Fabric w systemie Infor OS) GenBI nie może działać niezawodnie. Jeśli sztuczna inteligencja nie wie dokładnie, jak system ERP definiuje „marżę brutto” lub „terminowość dostaw”, będzie generować nieprawidłowe zapytania. Technologia jest tak dobra, jak definicje danych, które się pod nią znajdują.

Od „Wyszukiwania” do „Nawigacji”

Celem GenBI w kontekście ERP jest skrócenie czasu potrzebnego na uzyskanie wglądu. Rozważ różnicę w codziennym przepływie pracy:

Standardowy sposób: Widzisz czerwony wskaźnik KPI. Przechodzisz do menu. Otwierasz sesję zamówienia sprzedaży. Filtrujesz według daty. Filtrujesz według statusu. Znajdujesz zamówienie. Na koniec je otwierasz.

Metoda GenBI:

• Zapytaj: „Pokaż mi 5 najważniejszych zamówień zablokowanych przez kontrolę kredytową”.
• Widok: System natychmiast zwraca dokładną listę identyfikatorów zamówień.
• Nawigacja: Kopiujesz identyfikator (lub klikasz głęboki link) i przechodzisz bezpośrednio do konkretnej sesji, aby ją odblokować.

Zmiana: Nie zautomatyzowałeś jeszcze tej czynności, ale całkowicie wyeliminowałeś czas potrzebny na dochodzenie w celu znalezienia tego, co wymaga uwagi.

Obejrzyj: Zobacz, jak interfejsy Text-to-SQL działają w praktyce:

Rozwój narzędzi do konwersji tekstu na SQL

Ta zmiana nie dotyczy tylko jednego ekosystemu. Obserwujemy wykładniczy wzrost liczby narzędzi dedykowanych rozwiązywaniu problemu „czatu z bazą danych”.

Oto kilku kluczowych graczy, którzy zmieniają tę przestrzeń:

• Wren AI: Silnik semantyczny typu open source, który koncentruje się na dokładności. Wyróżnia się wykorzystaniem „języka definicji modelowania” (MDL) do stworzenia kluczowej warstwy semantycznej, o której mówiliśmy, zapewniając, że sztuczna inteligencja rozumie logikę biznesową, a nie tylko nazwy tabel.
• Vanna AI: Biblioteka open source oparta na Pythonie, która pozwala programistom trenować model specjalnie na podstawie schematu ich bazy danych (za pomocą RAG). Jest niezwykle elastyczna i umożliwia tworzenie niestandardowych narzędzi wewnętrznych.
• Text2SQL.ai / Dataherald: Specjalistyczne platformy często skupiają się na kontekstach magazynowania danych i oferują podejście „na pierwszym miejscu API” w celu osadzania zapytań w języku naturalnym w istniejących pulpitach nawigacyjnych.

Różnica: Podczas gdy narzędzia takie jak Vanna to biblioteki dla programistów, umożliwiające tworzenie niestandardowych rozwiązań, platformy takie jak Wren AI dążą do tego, aby stać się pełnymi interfejsami GenBI gotowymi dla użytkowników biznesowych. W świecie Infor te możliwości są absorbowane bezpośrednio przez platformę systemu operacyjnego, ale podstawowa logika pozostaje ta sama.

Weryfikacja rzeczywistości

Mimo że taka technologia istnieje, wdrożenie GenBI w złożonym systemie ERP dla sektora produkcyjnego jest trudniejsze niż w prostym systemie CRM.

• Złożoność: Infor LN ma tysiące tabel. Sztuczna inteligencja potrzebuje ogromnej pamięci kontekstowej , aby zrozumieć te zależności.
• Zaufanie: Jeśli sztuczna inteligencja zgłosi „Wartość zapasów wynosi 5 mln USD”, a Finance poda „5,2 mln USD”, zaufanie użytkowników natychmiast znika.

GenBI to poligon doświadczalny przyszłości. Zanim oddamy klucze do agentowej sztucznej inteligencji (omówionej w części 3), musimy zaufać, że system poprawnie zinterpretuje dane. Jeśli nie potrafi poprawnie odpowiedzieć na pytanie, z pewnością nie można mu zaufać w autonomicznym wykonaniu zadania.

Następnieprzeanalizujemy „złudzenie agenta”— zbadamy, dlaczego szum wokół w pełni autonomicznych agentów często kłóci się ze sztywną rzeczywistością transakcji ERP, wymagającą poważnej strategii „człowieka w pętli”.

Napisane przez Andreę Guaccio 

22 grudnia 2025 r