Агенты дадзэн, керованыя онталогіямі, у Microsoft Fabric IQ: практычны кялэндар
Дазвольце даклэ расказаць, як Microsoft Fabric IQ спалюе семантычныя моделі, онтологіі і MCP, каб перакануць агентаў AI падпрыемства з выкарыстоўвання дакументаў да кераванага бізнес-рашэннявання.
Крыніцы: Microsoft Fabric IQ and Data Agents for Ontology based Consumption
TL;DR Корпаратыўскія тэхналогіі AI праходзяць значныя змены. Першы ўжоў корпаратыўскіх генератывальных AI быў пераважна спрямованы на збіранне дадзэнняў. Наступны ўжоў корпаратыўскіх агентаў пашукае не толькі дадзеныя — яны будуць робіць выводы, выкарыстоўваючы стандартызаваныя бізнес-значэння.
Question
↓
LLM
↓
Vector Search / RAG
↓
Documents
↓
Answer
Новыя модэлі спрямаваны на выводы на адной з бізнес-значэнняў:
Business Question
│
▼
Agent / Planner
│
┌─────────┴─────────┐
▼ ▼
Semantic Model Ontology
"How measured?" "What does it mean?"
│ │
└─────────┬─────────┘
▼
Enterprise Data
│
▼
Insight / Decision
│
▼
Action
Гэта разлік мае вельмі важны значэнь.
Звычная база дадзэнняе можа сказаць агенту ў такім стылі:
customers.CustomerId = sales.CustomerId
У працоўнасці з тым, онтологія можа сказаць агенту:
Customer ── PURCHASES ──> Product
А семантычны модэль можа пайсці ўжо на адну ступень далей і сказаць яму:
Total Revenue = governed enterprise measure
Гэтыя варыянты выражаюць тры абсалютна разныя глыбіні розумеўня.
Компанія Microsoft адукае гэтыя ідеі ў еднаце пад назвай Fabric IQ: семантычны модэль забезпечвае надзеяныя аналітычныя показнікі, онтологія — спакульная тэрміналагерыя падпрыемства і структуру адносаў, шар графа — пераскок праз сувязаныя данні, а Data Agents выклікаюць усю гэтую інтэлігенцыю чераз дыялог. Microsoft прыроджвае Fabric IQ як шар бізнес-кантэксту, який ператварае неапранутыя аналітычныя та аператывныя данні на бізнес-канцэпты, пра якія агент можа рэальна размышляць.
Архітэктурны элемент, який робіць гэта ўсё такім цікавым, являецца наступным:
Можна публікаваць Fabric Data Agent і выклікаць яго чераз Model Context Protocol (MCP), так што агенты Microsoft Foundry — або будзь-які іншы агент, сумесны з MCP — могу выкарыстоўваць керавануюя інтэлігенцыю падпрыемства як ўсё толькі ўтварэнне.
Microsoft зараз падтрымлівае самэнтычны працоўны лянцуг: публікаваны Fabric Data Agent можа выступаць як MCP-інструмент для агента Foundry, а адзін агент Foundry можа координаваць кальколька Fabric Data Agentоў разам з іншымі інструментамі та джэрамі ведамасцей.
1. Чаму онтологія зноў стала важлівай
Онтологія — не новая ідея.
Графы ведамасці таксама не ўпершыню.
Семантычныя моделі таксама не ўпершыню.
Насправдзе змяніліся тыя, хто іх викорыстоўвае.
Історычна семантычныя тэхналогіі для падпрыёмстваў викорыстоўваліся пераважна:
- платформамі для пошуку
- інструментамі аналізу дадзэнняў
- системамі інтеграцыі дадзэнняў
- системамі керування таксаноміямі
- застосункамі на адной графічнай базе
- экспертамі у паводзящыхся галузях
Цікавае тое, што зараз з’явіўся новы корыстувач:
Агенты AI.
І агенты тут сталкнуліся з рэальным працоўным абстактам.
Больші мовныя моделі эфектыва працуюць з інформацыяй, якая ў яных є, але корпаратывныя базы дадзеных практычна ніколи не описваюць бізнес у тым спосабе, як люди ўявляюць його натуральна.
Напрыклад:
CUSTOMER_MASTER.CUST_ID
SALES_TXN.CUST_ID
SALES_TXN.PROD_NM
SALES_TXN.NET_REV
А чалавек жа думае так:
Customer
│
│ PURCHASES
▼
Product
│
└── generates → Revenue
Разлік межаў між гэтымі двума спосабамі адображэння є прычыной значныя часткі неяснасцэў у роботе агента.
З-за нехваткі семантычнага падставы агент вынушаны здогадвацца:
- каторыя табліцы адпаведаюць каторым бізнес-канцэптам
- каторыя з’ѐеднання на самай працоўнае
- што насправды прадставляе даная столбцоў
- каторае вызначэнне паметры трэба спрацавваць як автантыфікованае
- як ентыты адносуюцца адны да другіх
- чы розна названыя полья на самай працоўнае значаюць тое ж
Гэта ўзрэменная проблема ў дэманстрацыі з пяцьма табліцамі.
У разліце сотняў продуктам дадзейнасці для падпрыемстваў гэта стае сапраўдна рызыкаваным.
Функцыя Ontology у Fabric створана спецыяльна як машынны, аднойчы скарыстоўваны бізнес-словар, які складаецца з тыпоў энтытаў, атрыбутаў, стосункоў, обмежэнняў і звязкаў з рэальнымі дадзеннямі OneLake. Гэты словар можа быть аднойчы скарыстоўваны як людзьмі, так і агентамі.
2. Але „Граф знанняў“ не значыць адная архітектура
Візуальны план прыняцтва рашэння, які супакоўвае гэтую дыскусію, памагае з’ясавіць, чаму выбор падходу на аднойчы граф і онтологію не є універсальным рашэнням.
[Уставіць: План прыняцтва рашэння ў вопысе графа і онтологіі]
Не існуе аднаго правільнага спосабу практычнай реалізацыі графа.
Этот простор можна приблізна раздзеліць на пяць шаблонаў.
Шаблон 1 — RDF / Семантычны граф знанняў
Это традыцыйны падчынак семантычнага вебу:
Subject ─ Predicate ─> Object
Яго зазвычай аднаходзяць разам з:
RDF
RDFS
OWL
SPARQL
Адзінкія: багата, выразная семантыка, інтэроперабельнасць на адміністрацыі стандартоў, вырабленыя падходы да модэліравання онтологій і падтрымка формальнага абдумвання.
Компрасы: вышэйшая складнасць модэліравання, патрэба ў спецыялізаваных навыках і інфраструктуре, якая часта перавышае тое, калі трэбуе сама прыкладна програма.
3. Графы атрыбутаў з пазначэннямі
Модель графа атрыбутаў з пазначэннямі (LPG) выкорыстоўвае болей прыкладнай-оріентаваны падход:
(Customer)
│
│ PURCHASED
│ {date, quantity}
▼
(Product)
Як вузлы, так і рэшткі можаць мець своия сабственныя атрыбуты.
Такія інструменты, як Neo4j, папулярзавалі гэтую модель, таму што яна па-прыродному падходзіць да прыкладнаў, якія активна выкарыстоўваюць пераметранаванне.
Адвалоры: інтуітывны модэлюванне графа, высокая скорасць перамеражвання, распрацаваныя алгорытмы графа і моцны дазвін у разработцы прыкладных програм.
Недзеянкі: сама схема графа не ператвараецца ў кераваныя корпоратывныя сэмантычныя слоўнікі — гэты слой значэння все ўсё трэба модэлюваць і кераваць окрема.
Microsoft Fabric Graph выкорыстоўвае гэты падход LPG, перакладаючы табліцы OneLake у типы вузлаў і рэгалей, а таксама задаючы можлівасць перамеражвання за дапамогою GQL. Рэалізацыя GQL ад Microsoft супакоўваецца зі стандартызаваным ISO-языкам запытанняў графа.
4. Легкішы падход: онтологія плюс граф у памяці
Не кожнаму агенту трэба цэлы корпоратывны база дадзеных графа.
Для прыкладных програм у стылі чату, сцэнарыяў з рэгалямі, асистэнтав з вузкім дыапазонам функцый чы працы над праблемай, можна представіць простую онтологію у формате звычайнага JSON:
{
"entities": {
"Customer": {},
"Product": {}
},
"relationships": {
"Purchases": {
"from": "Customer",
"to": "Product"
}
}
}
Ваш слой аплікацыі можа згодна завантажыць гэтае вялічыну ў NetworkX, Memgraph, бібліятэку RDF або любую іншую структуру графа ў памяці.
Гэты спосаб лёгкі ў налагоджэнні і дышаў у эксплуатацыі.
Але проблема заключаецца ў тым, што кантроль, безпека, адстэйкінг лягасці, масштабаванне, падтрымка сінхроннасці данных і спяльная адпаведальнасць за сэмантычныя вялічыні стаюць тамі рашэннямі, якія трэба знаходзіць самостоятельна.
5. Чаму Microsoft Fabric выдзеляецца тут
Fabric падхоўдзіць да проблемы з іншага кута.
У працоўку замест таго, каб выйсці з прымесы, што всі корпаратыўныя даны павінны быць перанесеныя ў базу дадзеных графа, архітектура можа выйсці з прымесы, што корпаратыўныя даны застаюцца там, дзе яны знаходзяцца — у OneLake, а сэмантычная та вазносная інтэлігенцыя додаецца да яных.
У формате дыяграмы:
Fabric IQ
│
┌─────────────────┼──────────────────┐
│ │ │
▼ ▼ ▼
Semantic Model Ontology Graph
│ │ │
trusted metrics business meaning traversal
│ │ │
└─────────────────┼──────────────────┘
│
OneLake
Microsoft чыстая межа між гэтымі абавязкамі: семантычныя моделі забезпечваюць надзеяныя KPI і аналітычныя структуры, онтологія — спакульная бізнес-лексыкант, граф обрабоцвае пераходы праз з’яўленыя данні, а агенты дадзенняў чы роэкцый — інтэлігентную взаімадзею і дзеяння, пабудаваныя на гэтым контексте.
Такое раздзеленне абавязкаў мае значэнне з пункту зору архітектуры.
6. Семантычны модэль, онтологія і граф — гэта тры разныя рычы.
Гэтыя тэрміны часта вжываюцца так, як бы ўсе яны былі сынанімамі. Гэта не так.
Корыстны спосаб разумець гэта:
DATA
"What happened?"
│
▼
SEMANTIC MODEL
"How should it be measured?"
│
▼
ONTOLOGY
"What does it mean?"
│
▼
GRAPH
"How is everything connected?"
│
▼
AGENT
"What should I investigate or do?"
Семантычны модэль Power BI можа визначаць такія показнікі, як:
Total Revenue
Average Order Value
Customer Count
Revenue by Segment
Онтологія можа визначаць энтытэты і адносіны, такія як:
Customer
Product
Customer ── PURCHASES ──> Product
Граф — гэта тое, што насправдзе інстанціюе і пераходзіць праз гэтыя з’яўленыя:
Customer A
│
├── PURCHASES → Laptop
│
├── PURCHASES → Monitor
│
└── PURCHASES → Dock
Пасля чаго агент з дадзейнаў выканае всю гэтую інформацыю чераз взаімадзею на простай мове.
Fabric таксама дазволяе стварыць онтологію безпасова з існуючага семантычнага модэлю: табліцы ператвараюцца на типы аб’ектаў, столбцы — на ўласті, а зв’язкі, якія вже былі заданы ў семантычным модэле, стаюць зв’язкамі онтологіі.
7. Стварэнне: Мінімальны продукт дадзейнаў прыметкавання
Ёсць мэтай заставіць увагу на архітектуре, а не на інжынерыі дадзейнаў, таму прыклад навмесна застаецца простым.
Вываротна выкарыстоўваюцца толькі две табліцы:
NP_SalesDataProduct_LH
customers
──────────────
CustomerId
CustomerName
Segment
City
State
Country
sales
──────────────
OrderId
OrderDate
CustomerId
ProductName
ProductCategory
Quantity
UnitPrice
DiscountPct
Revenue
SalesChannel
Зв’язак межы ямі ёсць просты:
customers.CustomerId
1
│
*
sales.CustomerId
Гэтага дастаткова, каб практычна разглядзець всю архітектуру, не дазволяючы складнасці модэлю завадзіць розуменню основных прынцыпаў.
8. Крок 1 — Стварэнне продукту дадзейнаў Fabric
Два файлы CSV запускаюцца ў Fabric Lakehouse:
NP_SalesDataProduct_LH
│
├── Tables
│ └── dbo
│ ├── customers
│ └── sales
│
└── Files
├── customers.csv
└── sales.csv
[Уставіць скріншот: Lakehouse, які паказвае кліентаў і продажы]
На гэтым этапе у вас уже ёсць функцыональны Fabric Data Agent.
Ён можа адпавядаць на запытанні на кшталт таго, які ўсьго є дохад, якія категорыі продуктав прыносяць найбольшы дохад, і як распадаецца дохад па сегментах кліянтаў.
Але ёсць тое, на што варта звернуць увагу, і якое вырабляецца за калісамі.
Калі не задана додатковая семантыка, агент вынужаны сам стварыць спосаб з’еднання:
customers.CustomerId
=
sales.CustomerId
і ён таксама вынужаны сам стварыць тое:
Revenue → SUM(Revenue)
Это дае вам базовы пункт для порэвання.
9. Крок 2 — Дадзіце семантычны модэль
Далей вы вводзіце аналітычны контракт.
Customer
1
│
*
Sales
з кераванымі показнікамі, такімі як:
Total Revenue =
SUM(sales[Revenue])
і:
Total Orders =
DISTINCTCOUNT(sales[OrderId])
У гэты момент агент большае часць не павінен здагадватца, што значыць «Аб’ём выручкі».
Гэтае адзначэнне належыць да семантычнага шару.
Гэта паказвае важны прынцып для корпаратывных агентаў:
Агенты должны викорыстоваць стандартызаваныя показнікі, а не перакладваць корпаратывныя расчыткі з первісных столоў кожны раз, калі прыходзіць запит.
10. Крок 3 — Дадаць онтологію
Звярнуўшыся сюды, вы пераходзіце ад аналітычных адзначэнняў да значэння на рывень бізнесу.
Онтологія ў гэтым завданні визначае толькі два типы энтытаў:
Customer
Product
Кліент адпавядае:
customers.CustomerId
customers.CustomerName
customers.Segment
customers.City
customers.State
customers.Country
выкарыстоўваецца:
KEY = CustomerId
Тым часам продукт вылучаецца безпосередна з існуючага стола sales:
sales.ProductName
sales.ProductCategory
выкарыстоўваецца:
KEY = ProductName
Яшчэ раз, не было патрэбы ствараць окольны фізычны таблыцу Product, каб гэта працавало.
11. Адзначыце бізнес-связь
Далей додаецца связь:
Customer
│
│ PURCHASES
▼
Product
Цікавы момент тут — як працюе звязыванне дадзэнняў.
Сама таблыца sales выступае як мост для гэтай связі:
Customer.CustomerId
↑
sales.CustomerId
sales.ProductName
↓
Product.ProductName
Такім чынам, працоўны рядок продажоў у вогненным формате, напрыклад:
sales row:
CustomerId = C001
ProductName = Laptop Pro
ператвараецца на:
Customer(C001)
│
│ PURCHASES
▼
Product(Laptop Pro)
Этам самым працоўны рэкорд ператвараецца на тое, што бізнес насправды можа адрозумець як інформацыю.
Модэль онталогіі Fabric створаны спецыяльна для гэтага процесу: спачатку адзначаюцца типы энтытаў і ўсе ўзаімныя звязі межы ямі, а пасля гэтыя абстрактныя ваказанні звязуюцца з конкрэтымі дадзеннямі, якія знаходзяцца ў OneLake.
12. Чыгульнасці для агента?
Возьмімо такое запитанне:
Калія продукты купуюць кліенты Enterprise?
Без наявнасці онталогіі агенту трэба працаваць з чымось на кшталт:
Find customers table
↓
Find Segment
↓
Filter Enterprise
↓
Determine CustomerId join
↓
Join sales
↓
Find ProductName
Калі онталогія ў наявнасці, процес разумавання спростаецца да:
Customer
│
Segment = Enterprise
│
└── PURCHASES ──> Product
Запитанне практычна безпосередзя адпавае самой модэлі.
Microsoft адначыць гэты перакід як перахадку агентоў ад разумавання на аснове адзінаковых табэляў да кераванага падходу, створанага на аснове энтытаў, адносоў, ваказанняў, правіл і карэльванняў выхадных даных.
13. Крок 4 — Стварэнне Data Agentа
Data Agent – гэта тое, што ператварае все гэта на інтэрфейс на адной з мов працы:
User
│
▼
NP_Sales_DataAgent
│
┌─────────────┼─────────────┐
▼ ▼ ▼
Lakehouse Semantic Model Ontology
│ │ │
raw facts trusted KPIs relationships
│ │ │
└─────────────┼─────────────┘
▼
OneLake
Компанія Microsoft апіляець Fabric Data Agents як слой для адказвання на запытанні на природным языку, прыкладзены да адначытага домэна дадзейнаў, пры чым онтологія забезпечвае глэбокій бізнес-контекст, з якога ціе апіляець выкарыстоўваюць свае функцыі.
14. Потым выконуецца важны архітэктурны крок: MCP
Fabric Data Agent не выклікаецца застаўацца толькі ў межах Fabric.
Яго можна публікаваць.
Пасля публікацыі Fabric выкладзе гэты апіляець як сервер Model Context Protocol.
Канцэптуальна, працэс выглядае так:
Fabric Data Agent
│
│ Publish
▼
MCP Server
│
├── tool description
├── input schema
└── governed execution
У гэты момант ваша інтэлігэнцыя дадзейнаў параднуючыцца чымсь, што можна перадваігаць — інструментам апіляеца, які іншыя системы можаць вызываць.
15. Microsoft Foundry становіцца слоем оркестрацыі
Гэта адкрывае можлівасць для значна ўсё бол цякавай архітэктуры.
USER
│
▼
Microsoft Foundry Agent
│
planning / orchestration
│
┌───────────────────┼───────────────────┐
│ │ │
▼ ▼ ▼
CRM Tool Search Tool Fabric MCP
│
▼
Fabric Data Agent
│
┌───────────────────┼───────────────┐
▼ ▼ ▼
Semantic Model Ontology Lakehouse
│ │ │
└───────────────────┼───────────────┘
▼
OneLake
Тут важліва раздзеленасць функцый.
Агент Foundry керуе логікай рабочага практыку.
Агент Fabric Data керуе аналізам дадзейнаў.
У сваёй ныяней форме інтэграцыя Foundry ад Microsoft дазваляе агенту Foundry выклікваць опублікованыя агенты Fabric Data Data через Fabric IQ / OneLake Catalog і выкорыстоўваць іх як інструменты MCP. Адзін агент Foundry таксама не ўскладнены ў адной домэне — ён можа запрашваць і выкарыстоўваць калькі агентаў Fabric Data Data адразу.
16. Прыклад працы
Уявіце, што корыстнік надае агенту Foundry запит наштовхнуты на гэта: знайсці сегмент клёяўцаў, які стварае самы большы частаку доходу, выявіць, якія продукты спрыяюць роботе гэтага сегмента, і ператворыць атрыбуты на рэкамендацію, яку можа выкарыстоўваць каманда з продажоў.
Ось як можа выглядаць ўжыццё:
USER
│
▼
Foundry Orchestrator
│
│ "I need enterprise sales intelligence."
│
▼
Fabric Data Agent MCP Tool
│
├── Semantic Model
│ → trusted revenue calculation
│
├── Ontology
│ → Customer → PURCHASES → Product
│
└── Lakehouse
→ transaction data
│
▼
Result:
Enterprise customers generate...
Laptop category contributes...
│
▼
Foundry Agent
│
├── reasoning
├── CRM lookup
├── recommendation generation
└── potentially action
│
▼
Sales recommendation
Тут важна не тое, што модель мовы створыла рэкамендацыю. Важна тое, што рэкамендацыя была абазавана на структураванайяе представленні бізнесу, а не створана імпровізавана з сураковых табелей чы правадбутых сэмантык.
17. MCP зменяе архітектуру агента падпрыемства
Без MCP каманды зазвычай працуюць так:
Agent A → custom Fabric integration
Agent B → another custom Fabric integrationAgent C → another SQL implementationAgent D → another Power BI integration
З часам кожны агент накаплівае глыбокія, шкодзябныя знанні пра базовую платформу дадзейнаў.
З MCP ситуацыя відрóżнаецца:
Enterprise Agents
┌───────────┼───────────┐
▼ ▼ ▼
Agent A Agent B Agent C
│ │ │
└───────────┼───────────┘
│
MCP Tool
│
▼
Fabric Data Agent
│
▼
Governed Data IQ
Агент дадзейнаў Fabric ператвараецца на продукт інтэлігенцыі дадзейнаў, створаны для вжывання агентамі, а не на індывідуальную інтэграцыю, якую кожная каманда павінна перзбудаваць. Це змена, якая выглядае незначной, але мае важныя архітектурныя наследкі.
18. Іншая апцыя: безпосередна выклікваць онтологію
Є ўсьмошаны шлях, які варта рассмотрзець.
У замян на тое, каб усё праходзіла через Fabric Data Agent, сама Fabric Ontology можа быць выкліканая через MCP да будзь-яга сумеснага зовнішняга агента. Microsoft описвае сервер Ontology MCP, які прыходзіць разам з інструментамі для адкрыцця типаў ентытаў онтологіі і выканання запытак да яе.
Это дае вам два разныя патэрна:
PATTERN A
External Agent
│
│ MCP
▼
Fabric Data Agent
│
▼
Ontology
У працоўнасці з:
PATTERN B
External Agent
│
│ MCP
▼
Fabric Ontology
Выберыце першы патэрн, калі хочаце скорастацца на свайшым слою для канверсацый і аналізу дадзэнняў у Fabric. Выберыце другі, калі зовнішні агент вялікі час уже мае свойю розвітую логіку планавання і проста патрабуе болей прымітнага доступу да семантычнай модэлі падпрыёмства.
19. Працоўныя і недзеянкі патэрна Fabric
Адзынкі
Централізаваная семантыка. Бізнес-вызначэнні знаходзяцца ў адным кераваным месцы, замест таго каб іх копіювалі ў кожны запит.
Створана на базе OneLake. Не існуе строгай патрэбы копіюваць усё ваша данневая база на окольны платформа графаў.
Тры шары, якія працуюць разам. Аналітычныя показнікі і семантыка на рэвэлецыях можаюць існаваць адночасна ў семантычным модэлі, онтологіі і графе.
Разрабатана для агентаў. Як Fabric Data Agents, так і шар онтологіі былі створаны спецыяльна як адказныя джерела для AI-агентаў.
Адкрыта через MCP. Рэзультуючы шар інтелігенцыі можа быть выкарыстоўваны як Foundry, так і спецыяльнымі кліентамі MCP.
Чыстая раздзеленасць аспектаў.
Fabric → data intelligence
Foundry → orchestration intelligence
Эта разлікаванне стварае яскрава чыстую межу на рэвэню-рэвэне.
20. Компрасы
Існуюць калькі важлівыя застерэжанні.
Большая частка гэтага яшчэ ў формате тэхналогій прывіду. Падтрымка онтологій, калькі інтэграцый з Fabric IQ і Foundry, а таксама супаўязаныя можлівасці MCP застаюцца функцыямі прывіду, таму перад ўжыткам у практычных умовах трэба пераканацца, што яны адпавядаюць чынным умовам прывіду Microsoft.
Управлінне онтологіямі — гэта рэальная, трывалая праця. Колі калькі домэнаў пачну ўзначаць своія сабе Customer, Account, Product, Contract і падобныя ентыты, хтосьці трэба будзе адпавядаць за называнне, версіюванне і супаўзнаванне между домэнамі.
Антологія не можа выправіць паказаныя некалькавітасныя данні. Нават якшыя бізнес-семантыкі, застосавленыя да некалькавітасных набораў дадзеных, даюць толькі некалькавітасныя рэсультаты.
Антологія не завжды ўсёрасліва неабходная. Для простага агрэгавання KPI можа быць простае і достатнія запитанне да семантычнага модэлю.
Не кожны варыянт использовання графа падходзіць для ціх цэлей. Складныя алгорытмы для графаў, спецыялізаваная логіка у стылі RDF або высока індывідуалізаваныя завадкі з графамі можаць заставіць патрэбавацца спецыяльной платформай для графаў.
Самэлькі гэтая прычына, чаму корыстны ўпорядкованы фрэймворк для прыняцця рашэнняў.
21. План дзеяння, які я бы выкарыстаў
У замест на тое, каб адразу прыступіць да стварэння антологіі на всю корпорацыю, лепей робіць це паэтапна.
Фаза 1 — Продукты дадзеных
Sources
↓
OneLake
↓
Domain Data Products
Мета тут — стварэнне надзеяных, чыста прыналежных домэну дадзеных.
Фаза 2 — Аналітычная семантыка
Data Product
↓
Semantic Model
↓
Measures / KPIs / Dimensions
У гэтай фазе визначаецца спосаб прыметкавання рэчаў арганізацыяй.
Фаза 3 — Бізнес-семантыка
Semantic Models + Data Products
↓
Ontology
↓
Entities / Relationships / Rules
У гэтай фазе визначаецца, што на самай працоў практычна значыць тыя прыметкаваныя рэчы.
Фаза 4 — Связаная інтэлігэнцыя
Ontology
↓
Graph
↓
Traversal / dependency / impact analysis
У гэтым этапе структуры графа выкарыстоўваюцца толькі там, дзе аналізацыя зв’язкаў справды мае сэнс.
Фаза 5 — Агенты данных домэна
Ontology + Semantic Model + Data
↓
Data Agent
У гэтым моменте накопаныя знанья домэна ператвараюцца ў ўмоўны формат для спілкування.
Фаза 6 — MCP
Data Agent
↓
Publish
↓
MCP
У гэтым кроку умоўны продукт ператвараецца ў можнасць, якую могу выкарыстоўваць іншыя агенты.
Фаза 7 — Оркестрацыя агентаў падпрыемства
Foundry Agent
│
┌──────────────────┼──────────────────┐
▼ ▼ ▼
Sales Data Agent Supply Agent Finance Agent
│ │ │
└──────────────────┼──────────────────┘
│
Fabric IQ
Microsoft уже прыходзіць у гэтым напрамку: агенты Foundry можаць запрашваць даны з калькольных публікуемых агентаў Fabric Data Agents через Fabric IQ, пры чым кожны з гэтых агентаў выкладзецца як інструмент MCP.
Куды працуе развіцце
Большая архітектурная змяна выглядае так:
GENERATION 1
LLM + RAG
│
Documents
раніцца ў:
GENERATION 2
LLM + Tools + Data
│
SQL / APIs / RAG
і ў канцы канцоў у:
GENERATION 3
Agent Systems
│
┌─────────────┼─────────────┐
▼ ▼ ▼
Documents Tools Enterprise IQ
│
┌──────────┼──────────┐
▼ ▼ ▼
Semantics Ontology Graph
│ │ │
└──────────┼──────────┘
▼
Enterprise Data
Ключовая прызнака ў гэтым сектаре будзе все менш стосавацца таго, який модэль є найсильнейшым.
У замене ёй будзе ствараць тая організацыя, якая створыла найбагачэйшы роўень контексту падпрыемства, з якога могуць корыствацца гэтыя модэлі.
Microsoft адобразвае свой загальны напрамак як Microsoft IQ, дзе Fabric IQ сапраўджае контекст пра бізнес-элементы і даны, працуючы разам з Work IQ, Foundry IQ і Web IQ.
Такі падчыркі застаюцца актуальнымі.
Нельга даваць агенту право кераваць частынамі бізнесу проста таму, што ён добра практыкуе выкарыстоўванне дакументаў.
Ён павінен разумець:
Што такое розныя рэчы.
Якія ўзаінтэресаваныя межы межу ўсіх іх.
Як організацыя на самай працэ памервае ўсё гэта.
Якія ваказанні маюць автарытет.
Які статус зараз маюць тыя рэчы.
І, ў канцы канцоў:
Якія дзеянні є сэнсабельнымі, вяртаючыся да всьога гэтаго.
Вывык: Ад RAG да корпаратыўнага абдумавання
RAG дала корпаратыўнай AI можлівасць адрыхтавацца да знанняў.
Выкарыстоўванне інструментаў дала агентам можлівасць адрыхтавацца да систем.
Онтологія дае ўсё іншае:
значэнне.
Калі гэты значэнне спаўнаеся з кераванымі метрыкамі, адносамі ў графах, актуальными оператыўнымі дадзеннямі та оркестрацыяй агентам, вы отрымлівы значна болей прывабную архітектуру:
DATA
│
▼
SEMANTICS
│
▼
ONTOLOGY
│
▼
CONNECTED INTELLIGENCE
│
▼
DATA AGENTS
│
▼
MCP
│
▼
ENTERPRISE AGENTS
│
▼
DECISIONS
│
▼
ACTIONS
Гэта, ў канцы канцоў, і є справжняя цэннась застосоўвання аналітыкі на адной чыстцы з онтологіямі.
Это не проста ўжо адной чыстцы з базай дадзеных чатбот.
Это архітектура падпрыёмственнай інтэлігэнцыі, у якой продукты дадзеных забезпечваюць факты, семантычныя моделі — надзеяныя показнікі, онтологіі — значэння, графы — адносы, доменныя агенты — інтэлігэнцію, а MCP дазволяе складаць усю гэтую інтэлігэнцыю ў ўзаемнае целаснае цялое ў шырэйшай экосістэме агентам.
Самэ гэтая комбінацыя робіць наступную пакоління падпрыёмственай ШІ значна болей цікавай для стварэння.