מנתונים פיננסיים להחלטות מוכנות ל-AI: Power BI, Microsoft Fabric, Semantic Models וסוכני AI עם Rishi Sapra [MVP]

מה קורה כאשר סוכני AI מתחילים להבין נתונים פיננסיים ועסקיים — ולא רק להציג אותם?בפרק הזה של M365.FM, מירקו פיטרס משוחח עם רישי סאפרה, Microsoft MVP, על הארכיטקטורה הנדרשת כדי לעבור מלוחות מחוונים מסורתיים לאנליטיקה מונעת AI ומודעת הקשר, באמצעות Microsoft Fabric, Power BI, Copilot Studio, מודלים סמנטיים, אונטולוגיות וסוכני נתונים.לארגונים יש כבר כמויות אדירות של מידע המפוזרות על פני מערכות ERP, חוברות Excel, דוחות Power BI, Microsoft Fabric, SharePoint, מערכות פיננסיות, תקציבים, תחזיות ויישומים תפעוליים.הוספת AI מעל הנתונים האלה לא אומרת באופן אוטומטי שה-AI מבין את העסק.מה באמת משמעו "הכנסות"? איזו הגדרה של רווחיות צריך סוכן AI להשתמש בה? אילו KPI מייצגים את הגרסה הרשמית של האמת? וכיצד סוכן מבין את הקשרים בין לקוחות, מוצרים, אזורים, מרכזי עלות, חוזים ותהליכים עסקיים?התשובה נמצאת יותר ויותר בשכבת ההקשר שבין הנתונים הגולמיים לבין ה-AI.

מ-BI בשירות עצמי ל-AI בשירות עצמי
רישי מסביר את המסע שלו מדוגמנות פיננסית ו-Excel, דרך Power Query והימים הראשונים של Power BI, ועד ל-Microsoft Fabric ולמערכת האקולוגית של ה-AI כיום.Power BI עזר להוציא את אנליטיקה העסקית ממחלקות IT מרכזיות והכניס אותה לידיהם של משתמשים עסקיים.אבל הפלטפורמה הפכה גם למתוחכמת בהרבה.מודלים סמנטיים, DAX, Lakehouses, OneLake, Direct Lake, Copilot Studio, סוכני נתונים, אונטולוגיות, כלים מבוססי MCP, ממשל וAI — כל אלה יוצרים ארכיטקטורה שיכולה להפוך במהירות למורכבת מדי עבור משתמש עסקי בודד.סוכני AI עשויים לשנות את היחסים הללו.במקום לדרוש מכל משתמש עסקי להפוך למהנדס נתונים, מפתח BI ומהנדס AI בבת אחת, סוכנים יכולים יותר ויותר לבנות ולהפעיל חלקים מהארכיטקטורה הטכנית, בעוד בני אדם מספקים את ההקשר העסקי.

למה הקשר עסקי חשוב ל-AI
אחת השאלות המרכזיות בפרק פשוטה להפתיע:עד כמה מתועדים התהליכים והחלטות העסקיים שלכם?חלק גדול מהידע האמיתי של ארגון אינו נמצא במסד נתונים. הוא מצוי בנוסחאות Excel, במדדי Power BI, בקבצי SharePoint, בתהליכים עסקיים, בתיעוד — ובראשם של אנשים.כדי שסוכני AI יפיקו תובנות עסקיות משמעותיות, ארגונים צריכים לתפוס יותר מנתונים.הם צריכים לתפוס הקשר.מי שואל את השאלה?אילו החלטות אותו אדם צריך לקבל?אילו KPI חשובים?אילו כללים עסקיים חלים?מה משמעותו של מדד מסוים בהקשר הספציפי הזה?זה מוביל לרעיון של תובנות מונעות פרסונה: עיצוב אנליטיקה סביב ההחלטות והשאלות של משתמשים עסקיים מסוימים, במקום פשוט לחשוף עוד נתונים.

מודלי נתונים לעומת מודלים סמנטיים לעומת אונטולוגיות
השיחה בוחנת שלושה מושגים חשובים יותר ויותר בארכיטקטורת האנליטיקה המודרנית של מיקרוסופט.מודל נתונים מבנה את הנתונים הבסיסיים ואת הקשרים ביניהם.מודל סמנטי של Power BI מוסיף לוגיקה עסקית, מדדים, חישובים, קשרים ואבטחה — ויוצר שכבה אנליטית מנוהלת ומקור אמין ל-KPI.אבל ה-AI לרוב צריך יותר.אונטולוגיה יכולה לתאר ישויות עסקיות וקשרים ביניהן בצורה שמאפשרת ל-AI להסיק מסקנות על מושגים כמו לקוחות, מוצרים, חנויות, עובדים, אזורים, חוזים, הכנסות ותהליכים עסקיים.מודלים סמנטיים עוזרים לענות על השאלה:"מה המספר?"אונטולוגיות והקשר נוסף יכולים לעזור ל-AI לחקור:"למה המספר השתנה?"יחד, השכבות הללו מספקות עיגון הרבה יותר חזק לסוכני AI.

Microsoft Fabric כבסיס הנתונים ל-AI
Microsoft Fabric ממלא תפקיד מרכזי בארכיטקטורה הזו.OneLake, Lakehouses, טבלאות Delta, מודלים סמנטיים, Direct Lake, סוכני נתונים של Fabric והשילוב עם Copilot Studio יכולים ליצור בסיס מאוחד לנתונים מובנים ובלתי מובנים של הארגון.הפרק גם מסביר מדוע Direct Lake חשוב.במקום לייבא ולרענן נתונים שוב ושוב למודלים סמנטיים מסורתיים של Power BI, Direct Lake מאפשר ל-Power BI לעבוד ישירות עם נתונים המאוחסנים בפורמט Delta, תוך שמירה על ביצועים אנליטיים.זה יכול לפשט משמעותית את הדרך מנתוני הארגון לאנליטיקה ול-AI.

חמש השכבות של "המוח הארגוני"
רישי מתאר "מוח ארגוני" הבנוי מחמש שכבות מקושרות:נתונים — מידע ארגוני אמין ומערכות מקור.לוגיקה — DAX, SQL, Python, חישובים, KPI וכללים עסקיים.כלים — מודלים סמנטיים, APIs, שרתי MCP, יישומים ויכולות אחרות שסוכנים יכולים להשתמש בהן.מיומנויות (Skills) — הוראות ותהליכים עסקיים המתארים כיצד סוכנים צריכים להשתמש בכלים ולפרש מידע.ממשל — הרשאות, מדיניות, אבטחה, בקרות וכללים השולטים במה שסוכנים רשאים לעשות.המטרה אינה פשוט לתת ל-LLM גישה לעוד נתונים.המטרה היא לתת ל-AI סביבה מנוהלת שבה הוא מבין אילו נתונים, לוגיקה, כלים ותהליכים יש להשתמש בהם עבור שאלה עסקית מסוימת.

סוכני AI זקוקים לנתונים דטרמיניסטיים
בינה מלאכותית generative חזקה מפני שהיא יכולה להסיק מסקנות באופן גמיש.דיווח פיננסי לא יכול להסתמך לחלוטין על גמישות.הכנסות, רווחיות, תחזיות, עלויות ומדדים עסקיים אחרים דורשים לעיתים קרובות חישובים דטרמיניסטיים ומקור אמת מנוהל.הפרק בוחן מדוע עתיד ה-AI הארגוני עשוי לכן לתלות בשילוב של שני עולמות:מחשוב דטרמיניסטי לחישובים מהימנים ולוגיקה עסקית.בינה מלאכותית generative לנימוק, פרשנות, חקירה ואינטראקציה בשפה טבעית.מודלים סמנטיים ו-Microsoft Fabric יכולים לספק את הבסיס הדטרמיניסטי, בעוד סוכני AI מספקים את שכבת הנימוק הגמישה.

מלוחות מחוונים לאינטליגנציה מותאמת אישית
לוחות מחוונים מסורתיים מספרים למשתמשים מה קרה.לוח מחוונים עשוי להראות שההכנסות ירדו בשבעה אחוזים. המשתמש צריך אז לחפור דרך ממדים, מסננים, דוחות ומערכי נתונים כדי להבין מדוע.סוכני AI יכולים באופן פוטנציאלי לבצע חלק גדול מהחקירה הזו באופן אוטומטי.אבל סיפור טוב עדיין דורש הקשר.המספר החשוב ביותר אינו תמיד המספר הגדול ביותר. מדד עסקי עשוי להתפרש ביחס להכנסות, לתקציב, לתקופות קודמות, למבנה הארגוני או לגורמים אחרים.כאן אנליטיקה מונעת פרסונה הופכת לחשובה במיוחד.המנכ"ל, מנהל המכירות והמנהל התפעולי עשויים לשאול על אותו KPI ולדרוש הסברים ופעולות שונים לגמרי.

Copilot Studio והדור הבא של הסוכנים
השיחה בוחנת גם את התפתחותו של Microsoft Copilot Studio, מחוויות צ'אטבוט מסורתיות המבוססות נושאים וידע לעבר מערכות סוכניות מתקדמות יותר.סוכנים מודרניים יכולים לשלב כלים, מיומנויות, נתונים ארגוניים, תהליכי עבודה ונימוק.היכולת הנוספת הזו מביאה גם סיכון נוסף.ככל שלסוכן יש יותר אוטונומיה, כך עיגון, הרשאות, ממשל, הערכה והוראות מוגדרות היטב נעשים חשובים יותר.סוכני AI לא צריכים להמציא מספרים פיננסיים או לבחור שרירותית מקורות נתונים.הם צריכים מודלים סמנטיים מהימנים, נתונים מנוהלים, מיומנויות מפורשות ומעקות בטיחות ברורים.

להפוך את הממשל לנהדר שוב
הממשל הופך לחשוב עוד יותר בארגון אגנטי.במקום להתייחס לממשל כמסמך שעובדים צפויים לקרוא, ארגונים יכולים יותר ויותר לשלב את הכללים ישירות בסביבות, במדיניות, במיומנויות ובהוראות שבהן משתמשים סוכני AI.הדיון בוחן את הרעיון של התייחסות לסוכנים כאל עובדים דיגיטליים.להם נדרשות אחריות מוגדרת, כלים מאושרים, הרשאות גישה, כללים עסקיים, ציפיות לביצועים וגבולות ברורים.לכן הממשל הופך פחות לעניין של תיעוד ויותר לאכיפה אוטומטית.

מודל התפעול ל-Fabric ול-AI
לבסוף, הפרק בוחן כיצד ארגונים יכולים לנהל את ה...