WEBVTT

00:00:00.000 --> 00:00:02.580
Je Fabric Data Warehouse is niets meer dan een CSV-begraafplaats.

00:00:02.720 --> 00:00:04.820
Ik weet dat het hard aankomt, maar kijk eens hoe je het gebruikt.

00:00:05.000 --> 00:00:10.060
Eindeloze CSV-dumps, koude tabellen, geplande ETL-jobs die voortzukkelen alsof het 2015 is.

00:00:10.240 --> 00:00:14.420
Je kocht Fabric om je data het AI-tijdperk in te loodsen en hebt er vervolgens een archief van gemaakt.

00:00:14.620 --> 00:00:15.780
De ironie is treffend.

00:00:16.000 --> 00:00:20.780
Fabric is gebouwd voor intelligentie, real-time inzicht, contextueel redeneren en zelfaanpassende analyses.

00:00:21.080 --> 00:00:23.260
En toch behandel je het als digitale tupperware.

00:00:23.480 --> 00:00:29.100
Ondertussen liggen de AI-laag waarvoor je hebt betaald, de data-agents, het contextueel beheer en de semantische redenering

00:00:29.100 --> 00:00:30.960
stil te wachten op instructies die nooit komen.

00:00:31.140 --> 00:00:33.940
Het probleem is dus niet de capaciteit en ook niet de data-kwaliteit.

00:00:34.140 --> 00:00:35.160
Het is de denkwijze.

00:00:35.320 --> 00:00:40.280
Je hebt geen data-probleem, je hebt een conceptueel probleem, je verwart intelligentie-infrastructuur met opslag.

00:00:40.440 --> 00:00:45.580
Laten we dat mentale model herstellen voordat je CFO doorheeft dat je een netwerkschijf met een betere huisstijl hebt uitgevonden.

00:00:45.780 --> 00:00:47.220
Het probleem van dode data.

00:00:47.460 --> 00:00:48.940
Oude gewoontes zijn hardnekkig.

00:00:49.120 --> 00:00:53.380
De meeste organisaties draaien nog steeds nachtelijke ETL-jobs die operationele systemen leegtrekken,

00:00:53.580 --> 00:00:56.780
tabellen platstampen tot door komma's gescheiden reliquieën en de lijken uploaden naar One Lake.

00:00:56.780 --> 00:00:59.980
Het is geruststellend, voorspelbaar, meetbaar en verleidelijk eenvoudig.

00:01:00.080 --> 00:01:02.920
Maar waar je uiteindelijk mee eindigt, is een statisch museum van snapshots.

00:01:03.100 --> 00:01:06.520
Elk bestand laat zien hoe de zaken er op één moment voor stonden en begint direct te verouderen.

00:01:06.640 --> 00:01:10.520
Er is geen beweging, geen relatie, geen evoluerende context, alleen bestanden, heel veel bestanden.

00:01:10.700 --> 00:01:14.660
De waarheid, die aanpak was logisch toen data nog on-premise in beperkte systemen stond.

00:01:14.880 --> 00:01:19.180
Fabric is voor iets heel anders ontworpen, levende data, streaming data, contextbewuste intelligentie.

00:01:19.320 --> 00:01:24.120
One Lake is geen archiefkast, het hoort het circulatiesysteem van de informatiestroom van je organisatie te zijn.

00:01:24.120 --> 00:01:28.700
Het behandelen als koude opslag is het digitale equivalent van het balsemen van je bedrijfstatistieken.

00:01:28.900 --> 00:01:31.240
Zonder semantische modellen heeft je data geen taal.

00:01:31.440 --> 00:01:33.140
Zonder relaties heeft het geen geheugen.

00:01:33.320 --> 00:01:36.920
Een CSV van verkoop, een CSV van marketing, een CSV van finance.

00:01:37.100 --> 00:01:40.380
Ze kunnen vreedzaam naast elkaar bestaan in hetzelfde leek zonder ooit met elkaar te communiceren.

00:01:40.580 --> 00:01:43.820
Governance structuren ontbreken, metadata is blijkbaar optioneel.

00:01:44.020 --> 00:01:49.440
Het resultaat is zo'n pure isolatie dat zelfs Copilot, Microsoft's conversationele AI, het niet kan interpreteren.

00:01:49.440 --> 00:01:53.020
Als je aan Copilot vraagt, wat waren de omzetdrijvers van het afgelopen kwartaal?

00:01:53.140 --> 00:01:56.700
Weet het niet waar het moet zoeken omdat je nooit hebt aangegeven wat omzet betekent in jouw schema.

00:01:56.960 --> 00:01:58.400
Laten we een micro-voorbeeld nemen.

00:01:58.660 --> 00:02:03.860
Stel dat je verkoopdataset, transactierecords, datums, bedragen, product SKU's en regiocodes bevat.

00:02:04.000 --> 00:02:05.460
Je dumpt het vrolijk in One Lake.

00:02:05.620 --> 00:02:08.720
Geen semantisch model, geen benoemde relaties, alleen ruwe tabelkolommen.

00:02:08.940 --> 00:02:12.060
Vraag nu aan de AI van Fabric om de best presterende regio's te identificeren.

00:02:12.220 --> 00:02:13.340
Het haalt zijn schouders op.

00:02:13.500 --> 00:02:18.280
Het kan een regiocode niet in context plaatsen zonder metadata die het koppelt aan geografie of organisatorische eenheden.

00:02:18.280 --> 00:02:22.160
Voor de machine kan USN staan voor Noord-Amerika of voor een gebruikerssegment in het noorden.

00:02:22.360 --> 00:02:23.740
Mensen vertrouwen op deductie.

00:02:23.920 --> 00:02:25.460
AI vereist expliciete structuur.

00:02:25.700 --> 00:02:28.080
Dat is de kloof die uw data warehouse in een mortuarium verandert.

00:02:28.300 --> 00:02:29.760
Dit is wat de meesten over het hoofd zien.

00:02:29.980 --> 00:02:33.580
Fabric behandelt data in rust en data in beweging niet als afzonderlijke soorten.

00:02:33.720 --> 00:02:42.080
Het gaat ervan uit dat elke dataset ooit een intelligente deelnemer kan worden, in real-time opvraagbaar, verrijkt door context, gevormd door governance regels en zelfs beredeneerd door agents.

00:02:42.340 --> 00:02:47.180
Wanneer u CSV's opslaat zonder die verbindingen te activeren, negeert u het metabolische ontwerp van Fabric.

00:02:47.180 --> 00:02:49.080
U hakt het zenuwstelsel ervan af.

00:02:49.240 --> 00:02:51.080
Vergelijk dat eens met data in beweging.

00:02:51.280 --> 00:03:00.480
In Fabric nemen real-time intelligentiemodules streaming-signalen, IOT-events, transacti-logs en sensorpings op en voeren deze in live datasets die direct acties kunnen triggeren.

00:03:00.660 --> 00:03:03.780
Anomalie-detectie wordt niet wekelijks uitgevoerd, maar gebeurt continu.

00:03:04.180 --> 00:03:08.200
Trendanalyse wacht niet tot het einde van het kwartaal, maar wordt bij elk nieuw record bijgewerkt.

00:03:08.200 --> 00:03:15.840
Dit is hoe live data eruit ziet, constant geëvalueerd, in context geplaatst door AI agents en binnen milliseconden onderworpen aan governance regels.

00:03:16.020 --> 00:03:19.440
Het verschil tussen data in rust en data in beweging is fundamenteel.

00:03:19.680 --> 00:03:25.040
Rustende data beantwoordt wat er is gebeurd, maar bewegende data beantwoordt wat er gebeurt en wat we vervolgens moeten doen.

00:03:25.240 --> 00:03:29.560
Als uw warehouse alleen het eerste doet, beheert u een historisch archief, geen beslissingsmachine.

00:03:29.780 --> 00:03:34.660
Het doel van Fabric is om die tijdlijn te comprimeren totdat observatie en actie niet langer te onderscheiden zijn.

00:03:34.660 --> 00:03:40.740
Zonder AI-activatie slaat u fossielen op. Met AI beheert u levende organismen die zich aanpassen aan de context.

00:03:40.980 --> 00:03:42.700
Beschouw uw warehouse als een lichaam.

00:03:42.780 --> 00:03:49.020
One Lake is de bloedsomloop. Semantische modellen zijn het DNA en data agents zijn de hersencellen die signalen door systemen sturen.

00:03:49.200 --> 00:03:52.240
Op dit moment hebben de meeste van jullie wel de bloedsomloop, maar geen functie.

00:03:52.420 --> 00:03:56.040
De organen zijn er wel, maar niets coördineerd. En ja, dat is comfortabel.

00:03:56.280 --> 00:03:59.860
Geen verrassingen, geen plotselinge automatisering, geen ongecontroleerde aanbevelingen.

00:04:00.100 --> 00:04:03.060
Statische systemen zijn gehoorzaam, maar ze zijn niet competitief.

00:04:03.060 --> 00:04:07.680
In een omgeving waar 90% van de grote ondernemingen hun warehouse is voed aan AI-agents,

00:04:07.880 --> 00:04:13.460
is het laten liggen van inerte data als een luxe aquarium vullen met plastic vissen omdat u voorspelbaarheid verkiest boven leven.

00:04:13.680 --> 00:04:15.780
Dus, wat moet er tot leven komen in uw One Lake?

00:04:15.940 --> 00:04:20.480
De relaties, de context en de intelligentie die uw datasets koppelen tot een samenhangend wereldbeeld.

00:04:20.720 --> 00:04:25.520
Zodra u stopt met het dumpen van ruwe CSV's en begint met het modelleren van informatie voor AI-consumptie,

00:04:25.720 --> 00:04:27.200
begint Fabric te werken zoals bedoeld.

00:04:27.340 --> 00:04:31.580
Een ecosysteem van levende, denkende data in plaats van een ijskast vol verouderde getallen.

00:04:31.580 --> 00:04:35.740
Als uw ETL-pipeline nog steeds eindigt met het opslaan van een CSV, gefeliciteerd.

00:04:35.900 --> 00:04:38.680
U heeft z'n wereld duurste begrafenisproces geautomatiseerd.

00:04:38.820 --> 00:04:44.340
In het volgende gedeelte halen we die bestanden tevoorschijn, geven ze een brein en laten we zien wat Fabric werkelijk intelligent maakt.

00:04:44.440 --> 00:04:45.240
De data-agents.

00:04:45.440 --> 00:04:47.180
De ontbrekende intelligentie laag.

00:04:47.360 --> 00:04:49.140
Maak kennis met het deel dat iedereen overslaat.

00:04:49.260 --> 00:04:50.820
De feitelijke intelligentie laag.

00:04:51.000 --> 00:04:52.600
Hetgeen dat een warehouse scheidt van een brein.

00:04:52.860 --> 00:04:58.780
Microsoft noemt ze data-agents, maar zie ze als neuronen die eindelijk vuren zodra je stopt met het behandelen van One Lake als een opslagkluis.

00:04:58.780 --> 00:05:01.180
Deze agents zijn geen decoratieve functies.

00:05:01.340 --> 00:05:06.860
Het zijn de operationele hersenschors die Fabric stilletjes voor je installeert en die de meeste van jullie heldhaftig negeren.

00:05:07.020 --> 00:05:08.260
Laten we beginnen met de fout.

00:05:08.520 --> 00:05:10.220
Mensen zijn geobsedeerd door dashboards.

00:05:10.460 --> 00:05:14.580
Ze denken dat als Powerbee een kleurrijke lijn laat zien die omhoog gaat, ze verlichting hebben bereikt.

00:05:14.760 --> 00:05:20.040
Ondertussen hebben ze de reden neerlaag, het dynamische element dat patronen interpreteert en ernaar handelt, niet aangesloten.

00:05:20.280 --> 00:05:24.640
Dat is als een Tesla kopen, de schermafbeeldingen bewonderen en nooit het gaspedaal indrukken.

00:05:24.640 --> 00:05:28.560
De gemiddelde gebruiker gelooft dat de schoonheid van Fabric in uniforme statistieken ligt.

00:05:28.720 --> 00:05:31.860
In werkelijkheid ligt het in synaptische activiteit, agents die denken.

00:05:32.060 --> 00:05:34.000
Dus, wat zijn deze data-agents precies?

00:05:34.220 --> 00:05:40.800
Het zijn door AI-aangestuurde interfaces tussen je warehouse en Azure's cognitieve services, gebouwd om over data na te denken in plaats van deze alleen te bevragen.

00:05:41.040 --> 00:05:48.640
Ze bevinden zich boven One Lake, maar integreren via Azure AI Foundry, waar ze het vermogen erven om logica op te halen, af te leiden en toe te passen op basis van de context van je organisatie.

00:05:48.640 --> 00:05:54.440
En hier is de cruciale wending. Ze nemen deel aan een raamwerk genaamd model contextprotocols.

00:05:54.600 --> 00:06:03.360
Dat stelt meerdere agents in staat om geheugen en doelen te delen, zodat ze kunnen samenwerken, taken kunnen overdragen en zelfs resultaten kunnen onderhandelen als collega's die het bedrijfsreglement daadwerkelijk hebben gelezen.

00:06:03.540 --> 00:06:07.200
Elke agent kan worden geconfigureerd om governance- en beveiligingsgrenzen te respecteren.

00:06:07.400 --> 00:06:12.940
Ze dwalen niet blindelings rond in gevoelige data omdat Fabric-beleid afdwingt via Purview en op rollen gebaseerde toegang.

00:06:13.160 --> 00:06:17.540
Deze governance-koppeling geeft ze iets wat Analytics nooit had, morele terughoudendheid.

00:06:17.540 --> 00:06:23.460
De financiële agent van je CFO kan niet per ongeluk ouder salarisgegevens lezen, tenzij dit expliciet is toegestaan.

00:06:23.600 --> 00:06:25.760
Het is het verschil tussen redeneren en snuffelen.

00:06:25.980 --> 00:06:30.760
Vergelijk deze data-agents nu eens met Copilot, de beroemde assistent waar iedereen graag mee praat.

00:06:30.900 --> 00:06:35.660
Copilot zit in Teams of Power B. Het is charmant, reactief en enigszins oppervlakkig.

00:06:35.780 --> 00:06:37.160
Het beantwoordt wat je vraagt.

00:06:37.380 --> 00:06:45.420
Data-agents daarentegen zijn degene die de kwartaalprognose al hebben gelezen, inconsistenties hebben opgemerkt en aanbevelingen hebben opgesteld voordat je het dashboard zelfs maar had geopend.

00:06:45.420 --> 00:06:50.500
Copilot is een student. Agents zijn auditors. De een gehoorzaamt, de ander anticipeert.

00:06:50.700 --> 00:06:52.480
Laten we dit concretiseren met een voorbeeld.

00:06:52.740 --> 00:06:55.500
Jouw retailbedrijf verwerkt dagelijkse transacties via Fabric.

00:06:55.720 --> 00:06:58.900
Zonder agents zou je op vrijdagen bezig zijn met het exporteren van samenvattingen.

00:06:59.060 --> 00:07:03.060
Best verkochte producten, regio's met een stijgende trend, afwijkingen boven de drempelwaarde.

00:07:03.260 --> 00:07:11.480
Met agents wordt het warehouse intelligent genoeg om op te merken dat de verkoop in de regio oost 20% boven de prognose stijgt, terwijl supply chain locks vertraagde leveringen tonen.

00:07:11.480 --> 00:07:17.840
Een agent detecteert de discrepantie, markeert deze als een leveringsrisico, geeft een waarschuwing en stelt voor om de voorraad preventief te herverdelen.

00:07:18.040 --> 00:07:19.880
Niemand vroeg erom, hij concludeerde het zelf.

00:07:20.060 --> 00:07:23.560
Dit is geen science fiction, het is de real-time intelligentie van Fabric gecombineerd met agentredeneringen.

00:07:23.740 --> 00:07:25.260
Sta even stil bij wat dat betekent.

00:07:25.420 --> 00:07:30.560
Je warehouse heeft zojuist een oordeel geveld, geen query, geen melding, maar een analyse die inzicht in de bedrijfstoelstellingen vereiste.

00:07:30.760 --> 00:07:35.060
Het identificeerde een anomalie, kruisverwees de context en handelde op verantwoorde wijze.

00:07:35.280 --> 00:07:38.380
Dat is de grens waar een data warehouse verandert in een beslissingssysteem.

00:07:38.380 --> 00:07:43.820
Zonder agents zou je nog steeds powerbivisuals naar presentaties exporteren en doen alsof je het probleem handmatig had ontdekt.

00:07:44.000 --> 00:07:45.040
Dit is het vreemde deel.

00:07:45.220 --> 00:07:48.740
De meeste bedrijven hebben deze functionaliteit al geactiveerd binnen hun Fabric capaciteiten.

00:07:48.920 --> 00:07:50.540
Ze hebben het alleen nog niet geconfigureerd.

00:07:50.740 --> 00:07:56.260
Ze hebben het geld uitgegeven, de software aangeschaft, maar vergaten de cognitie te initialiseren omdat dat architecturaal denken vereist,

00:07:56.440 --> 00:08:01.880
het definiëren van semantische relaties, het instellen van AI-instructies en het verbinden van One Lake Endpoints met de redeneerinfrastructuur.

00:08:02.020 --> 00:08:03.900
Maar zodra je dat doet, verandert alles.

00:08:04.180 --> 00:08:07.980
Dashboards worden bijproducten van intelligentie in plaats van eindbestemmingen voor analyse.

00:08:08.300 --> 00:08:10.700
Denk terug aan de metafoor van het CSV-Kerkhof.

00:08:10.860 --> 00:08:14.100
Die CSV's waren grafstenen die mark eerder waar oude datasets kwamen te sterven.

00:08:14.280 --> 00:08:16.260
Schakel agents in en het is de dag van de wederopstanding.

00:08:16.480 --> 00:08:17.880
Het warehouse begint te ademen.

00:08:18.080 --> 00:08:21.840
Tabellen lijnen zichzelf uit, attributen krijgen betekenis en statistieken synchroniseren autonoom.

00:08:21.980 --> 00:08:27.820
Het systeem rapporteert niet alleen realiteit, het interpreteert deze terwijl jij nog een e-mail schrijft over de KPIs van het vorige kwartaal.

00:08:27.980 --> 00:08:32.840
Natuurlijk vereist deze verschuiving een mentale upgrade van opslagbeheer naar cognitieve orquestratie.

00:08:33.060 --> 00:08:36.000
Data agents wachten niet op instructies, ze volgen doelen.

00:08:36.000 --> 00:08:45.820
Ze gebruiken model context protocollen om te communiceren met andere Microsoft agents die in Power Automate 365 en Azure AI Services, waarbij ze redeneercontext over platforms heen delen.

00:08:45.980 --> 00:08:51.880
Dat is hoe een dataschommeling een adaptieve workflow kan activeren of nieuwe inzichten in Excel kan genereren zonder menselijke tussenkomst.

00:08:52.000 --> 00:08:58.600
En ja, als het slecht is geconfigureerd, kan deze autonomie onthutsend lijken, alsof je stagiairs hebt die daadkrachtig handelen nadat ze een spreadsheet verkeerd hebben gelezen.

00:08:58.820 --> 00:09:01.280
Daarom bestaat governance, waar we zo op terugkomen.

00:09:01.280 --> 00:09:05.000
Maar accepteer eerst deze waarheid, uitgestelde intelligentie is verloren voordeel.

00:09:05.140 --> 00:09:10.240
Hoe langer je fabric als cold storage behandelt, hoe meer je betaalt voor een AI-platform dat fungeert als een veredelde backup.

00:09:10.500 --> 00:09:12.800
Dus, stop met het rouwen om het potentieel van je data.

00:09:13.060 --> 00:09:19.720
Wek de agents, laat je warehouse promoveren van archief naar organismen, want het volgende tijdperk van Analytics gaat niet over het stellen van betere vragen.

00:09:19.880 --> 00:09:23.320
Het gaat over het bezitten van systemen die antwoorden voordat je ze kunt typen.

00:09:23.480 --> 00:09:25.680
Hoe je jouw warehouse weer tot leven wekt met AI.

00:09:25.680 --> 00:09:27.560
Tijd om het lijk weer tot leven te wekken.

00:09:27.760 --> 00:09:32.220
Weder opstanding begint niet met code, maar met context, want context is de zuurstof voor data.

00:09:32.480 --> 00:09:34.960
Stap 1 is het verrijken van je warehouse met betekenis.

00:09:35.180 --> 00:09:37.060
Dat betekent semantische modellen creëren.

00:09:37.300 --> 00:09:39.740
Deze modellen definiëren hoe je data over zichzelf denkt.

00:09:39.960 --> 00:09:43.880
Verkoop is gekoppeld aan klanten, klanten aan regio's, regio's aan omzetstructuren.

00:09:43.960 --> 00:09:47.680
Zonder deze is zelfs de krachtigste AI-agent als een touwkundige met een woordenboek, maar zonder grammatica.

00:09:48.400 --> 00:09:54.600
In Fabric gebruik je de datamodelleringslaag om deze relaties expliciet te maken, zodat je agents kunnen redeneren in plaats van gokken.

00:09:54.600 --> 00:09:58.060
Nu stap 2, het daadwerkelijk inzetten van een Fabric Data-agent.

00:09:58.240 --> 00:10:03.760
Hier geef je je warehouse niet alleen een brein, maar ook een persoonlijkheid, een operationele geest die weet waar hij moet zoeken,

00:10:04.040 --> 00:10:07.600
wanneer hij moet waarschuwen en hoe hij punten overwanleek heen met elkaar verbindt.

00:10:07.700 --> 00:10:13.820
In de praktijk open je Azure AI Foundry, definieer je een data-agent en koppel je deze aan je Fabric Data-sets.

00:10:14.080 --> 00:10:17.040
Direct krijgt deze toegang tot de volledige semantische laag.

00:10:17.160 --> 00:10:21.520
Het is geen chatbot, maar een bewuste index eerder die getraind is op jouw specifieke bedrijfsstructuur.

00:10:21.520 --> 00:10:25.900
Vanaf nu heeft elke tabel een beschermengel die patronen kan herkennen en conclusies kan trekken.

00:10:26.120 --> 00:10:27.420
Stap 3 is instructie.

00:10:27.580 --> 00:10:30.860
Een agent zonder parameters is als een peuter met toegang tot het bedrijfs VPN.

00:10:31.220 --> 00:10:33.720
Je moet organisatie-specifieke richtlijnen verstrekken.

00:10:33.940 --> 00:10:41.280
Wat risico, omzet of prioriteit betekenen, welke databronnen leidend zijn en welke systemen niet aangeraakt mogen worden zonder menselijke goedkeuring.

00:10:41.520 --> 00:10:46.200
Governance-beleid vanuit Purview wordt hier automatisch gesynchroniseerd, maar jij moet de logische intentie definiëren.

00:10:46.200 --> 00:10:51.340
Vertel je agent hoe hij zich moet gedragen. Hoe duidelijker je definities, hoe coherenter zijn redeneringen.

00:10:51.520 --> 00:10:55.160
Zie het als het schrijven van het personeelshandboek voor een medewerker die nooit slaapt.

00:10:55.340 --> 00:10:59.980
De vierde stap is integratie, het deel dat slimme prototypes omzet in dagelijkse metgezellen.

00:11:00.200 --> 00:11:02.240
Verbind je data-agent met Copilot Studio.

00:11:02.720 --> 00:11:07.120
Waarom? Omdat Copilot de interface in natuurlijke taal biedt die je werknemers al begrijpen.

00:11:07.120 --> 00:11:19.840
Wanneer iemand bij verkoop typt, laat me opkomende churn patronen zien, stuurt Copilot het verzoek beleefd door naar je agent die echt redeneert over datasets en een voor mensen leesbare samenvatting terugstuurt, inclusief bronvermeldingen en track-eerbare afkomst.

00:11:20.000 --> 00:11:22.320
Dit is intelligentie, aangeboden in een gesprek.

00:11:22.540 --> 00:11:26.340
Zodra dit fundament actief is, begint het systeem stille wonderen te verrichten.

00:11:26.620 --> 00:11:32.120
Denk aan trenddetectie. Je agent onderzoekt continu transactiedata, voorraadniveaus en prognosecijfers.

00:11:32.120 --> 00:11:42.980
Wanneer gedrag afwijkt van de verwachting, bijvoorbeeld een feestdagenpiek die eerder ontwikkelt dan voorspelt, waarschuwt hij marketing twee weken voordat de anomalie in een dashboard zichtbaar zou zijn geweest.

00:11:43.340 --> 00:11:45.240
Of denk aan KPI-waarschuwingen.

00:11:45.400 --> 00:11:52.400
In plaats van handmatige drempelregels herkent de agent trajecten die historisch gezien leiden tot gemiste doelen en markeert deze preventief.

00:11:52.560 --> 00:11:58.620
Churn-voorspelling, supply-chain-optimalisatie, compliance-verificatie, elk daarvan wordt een levend proces in plaats van een kwartaalrapport.

00:11:58.780 --> 00:12:00.640
En hierin blinkt het ontwerp van Fabric uit.

00:12:00.640 --> 00:12:02.680
Deze agents opereren niet in isolatie.

00:12:02.860 --> 00:12:08.100
Ze communiceren via modelcontext protocollen met andere Microsoft services, wat zorgt voor multi-agentorchestratie.

00:12:08.260 --> 00:12:14.220
Een Fabric data-agent kan een traag verkopend artikel identificeren, een Power Automate-agent instrueren om een kortingsworkflow te starten,

00:12:14.400 --> 00:12:20.080
resultaten synchroniseren naar Dynamics via een andere Azure AI-agent en de uitkomst uiteindelijk presenteren in Teams als een zakelijke melding.

00:12:20.300 --> 00:12:24.720
Die reeks vereist geen aangepaste scripts, alleen goed gedefinieerde intenties en koppelingen.

00:12:24.880 --> 00:12:28.220
Je hebt zojuist gedistribueerde intelligentie echt werk zien verzetten.

00:12:28.440 --> 00:12:30.260
Dit is het essentiële punt dat vele missen.

00:12:30.260 --> 00:12:32.680
Fabric is geen plek voor het opslaan van resultaten.

00:12:32.860 --> 00:12:35.140
Het is een werkomgeving voor continu redeneren.

00:12:35.320 --> 00:12:40.040
Het behandelen als een statische datakluis verspilt de architectonische innovatie die het uniek maakt.

00:12:40.200 --> 00:12:41.560
Je hoort in agents te denken.

00:12:41.840 --> 00:12:43.260
Elke dataset wordt een actor.

00:12:43.600 --> 00:12:45.300
Elk inzicht wordt een gebeurtenis.

00:12:45.520 --> 00:12:49.360
Elk bedrijfsproces wordt een georchestreerd, adaptief gesprek tussen hen.

00:12:49.540 --> 00:12:53.260
Je taak verschuift van het bouwen van pijplijnen naar het definiëren van intenties.

00:12:53.260 --> 00:12:54.920
Sommige deinsen daarvoor terug.

00:12:55.140 --> 00:12:59.340
Ze willen geruststellend determinisme, de zekerheid dat er niets verandert tenzij een mens op start drukt.

00:12:59.540 --> 00:13:02.140
Maar intelligente systemen gedijen bij feedback loops.

00:13:02.380 --> 00:13:07.600
Wanneer een agent een statistiek verfijnt of een waarschuwing automatiseert, neemt hij geen controle over, maar verantwoordelijkheid.

00:13:07.820 --> 00:13:13.300
Zo verdient data eindelijk zijn waarde door problemen te detecteren, aanbevelingen te doen en te leren van correcties.

00:13:13.300 --> 00:13:24.080
Als je je ooit hebt afgevraagd waarom concurrenten sneller bewegen met dezelfde datasets, hun warehouses wachten niet op instructies, ze overleggen intern en lossen microproblemen op voordat managers er überhaupt van horen.

00:13:24.300 --> 00:13:27.320
Dat is hoe een tot leven gewekte Fabric-omgeving eruit ziet.

00:13:27.580 --> 00:13:30.380
Levendig, zelfbewust en medogenloos analytisch.

00:13:30.560 --> 00:13:35.640
En ja, om je data leven in te blazen, moet je grenzen stellen, want ongecontroleerde autonomie ontaart snel in chaos.

00:13:35.880 --> 00:13:41.560
Dus, voordat we deze agents vrij laten rondlopen, moeten we de vangrails installeren die voorkomen dat intelligentie ontaart in subordinatie.

00:13:41.800 --> 00:13:42.940
Governance als de vangrail.

00:13:42.940 --> 00:13:47.580
Laten we het hebben over terughoudendheid, het onderdeel dat iedereen negeert totdat de boel in brand vliegt.

00:13:47.720 --> 00:13:53.240
Je warehouse intelligentie geven zonder governance is als een stagiair route toegang geven en zeggen, wees creatief.

00:13:53.380 --> 00:13:56.700
AI-paraadheid is geen blind vertrouwen, het is ontworpen betrouwbaarheid.

00:13:56.860 --> 00:14:02.800
En in het Fabric-universum draagt dat vertrouwen drie uniformen, Purview, data loss prevention en de ingebouwde governance laag van Fabric.

00:14:02.980 --> 00:14:06.600
Samen trekken ze de omheining die je data agents briljant maar gehoorzaam houdt.

00:14:06.700 --> 00:14:10.560
In menselijke termen, governance voorkomt dat nieuwsgierigheid de grens overschrijdt.

00:14:10.560 --> 00:14:19.180
Purview bepaalt wie wat kan zien, DLP zorgt dat er niets vertrouwelijk weglekt in een onzorgvuldige query en Fabric-governance handhaaft beleid direct in de aderen van het platform.

00:14:19.420 --> 00:14:25.880
Wanneer deze systemen correct worden geconfigureerd, vormen ze een zenuwstelsel dat overschrijdingen detecteert en discipline afdwinkt op machinesnelheid.

00:14:26.040 --> 00:14:30.520
Je agents mogen dan redeneren, maar ze doen dat binnen een sandbox omgeven door compliance-glas.

00:14:30.520 --> 00:14:34.700
Het cruciale nuanceverschil is dat Fabric-governance niet als een externe taak beschouwt.

00:14:34.820 --> 00:14:36.640
Het is inherent aan elke transactie.

00:14:36.820 --> 00:14:41.920
Elke dataset draagt zijn eigen metadata-paspoort, herkomst, klassificatie en toegangsrollen bij zich.

00:14:42.080 --> 00:14:45.920
Dus, wanneer een agent gegevens ophaalt, sleept hij die metadata-context mee.

00:14:46.160 --> 00:14:48.720
Dat is hoe Fabric-context bewuste AI garandeert.

00:14:48.900 --> 00:14:51.520
De informatie wordt niet alleen opgehaald, maar ook getraceerd.

00:14:51.680 --> 00:14:55.160
Je kunt zien wie het heeft aangeraakt, wanneer en hoe het zich door workflows verspreiden.

00:14:55.340 --> 00:14:57.360
Het is forensische accountancy voor cognitie.

00:14:57.360 --> 00:15:00.180
Laten we nu de fantasie van onbeheerde intelligentie aanpakken.

00:15:00.380 --> 00:15:07.060
Veel teams activeren agents, vieren de autonomie en vragen zich drie weken later af waarom een behulpzame bot vertrouwelijke cijfers naar een gedeeld kanaal mailde.

00:15:07.260 --> 00:15:14.040
Want bij gebrek aan expliciete autoriteitsstructuren wordt elke agent een improviserende stagiair die ervan overtuigd is heldhaftig te presteren.

00:15:14.240 --> 00:15:17.580
Governance verandert die improvisaties in repetities met een script.

00:15:17.840 --> 00:15:22.900
Rollen en rechten bepalen welke datasets een agent kan bevragen en welke acties bevestiging vereisen.

00:15:22.900 --> 00:15:28.140
De AI denkt nog steeds creatief na, maar doet dat terwijl hij het ethisch handboek van het bedrijf in realtime opzegt.

00:15:28.360 --> 00:15:31.380
Metadata verrijking speelt hierbij een stille, maar doorslaggevende rol.

00:15:31.600 --> 00:15:35.300
Elk record krijgt beschrijvende lagen, eigenaarschap, gevoeligheid en herkomst.

00:15:35.460 --> 00:15:40.200
Dus, wanneer een agent een samenvatting opstelt, weet hij al of de inhoud openbaar of beperkt is.

00:15:40.420 --> 00:15:45.900
Combineer dat met de herkomstgrafiek van Fabric en je kunt elke door AI gegenereerde conclusie direct terugvoeren naar de brongegevens.

00:15:46.720 --> 00:15:50.880
Dat sluit de interpretatiecirkel, waardoor adits zelfs bij autonome operaties mogelijk worden.

00:15:50.880 --> 00:15:54.520
Het is het verschil tussen verklaarbare automatisering en aannemelijke ontkenbaarheid.

00:15:54.640 --> 00:15:56.380
Het psychologische voordeel is enorm.

00:15:56.600 --> 00:16:00.380
Bestuurders hoeven niet langer bang te zijn voor rogue AI omdat ze het redeneerspoor kunnen inspecteren.

00:16:00.600 --> 00:16:05.200
Data officers hoeven geen governance memo's meer te schrijven omdat het beleid met de data zelf meer eist.

00:16:05.440 --> 00:16:09.620
Fabric bereikt wat oudere B-systemen nooit konden, zelfhandhavende compliance.

00:16:10.000 --> 00:16:11.960
Elk inzicht heeft de herkomst ingebakken.

00:16:12.160 --> 00:16:15.140
Elke actie wordt vastgelegd met de precisie van een vlucht data recorder.

00:16:15.400 --> 00:16:17.580
Natuurlijk garanderen regels alleen nog geen wijsheid.

00:16:17.580 --> 00:16:20.800
Je kunt ook teveel reguleren en daarmee creativiteit net zo gemakkelijk verstikken.

00:16:20.960 --> 00:16:24.040
Governance is bedoeld om intelligentie te kanaliseren, niet om het een muilkorf om te doen.

00:16:24.220 --> 00:16:28.920
De genialiteit van het Fabric-model zit in de proportionaliteit, de balans tussen automatisering en verantwoordelijkheid.

00:16:29.060 --> 00:16:31.700
Agents handelen snel, maar binnen definieerbare drempelwaarden.

00:16:31.940 --> 00:16:36.300
Beslissingen die empathie, oordeelsvermogen of aansprakelijkheid vereisen, worden automatisch geëscaleerd naar mensen.

00:16:36.500 --> 00:16:38.800
Je houdt de machine snel en de mensen verantwoordelijk.

00:16:39.180 --> 00:16:39.540
Elegant.

00:16:39.760 --> 00:16:41.100
Dus, hier is de lakmoesproef.

00:16:41.100 --> 00:16:43.980
Als je Fabric-omgeving wild aanvoelt, heb je ondergereguleerd.

00:16:44.100 --> 00:16:46.340
Als het verlamd aanvoelt, heb je overgereguleerd.

00:16:46.500 --> 00:16:48.420
De ideale balans is orchestratie.

00:16:48.600 --> 00:16:54.700
Een symfonie waarin agents vol vertrouwen de partituur volgen en compliance-ritmisch meezingt in plaats van als een storezender te drummen.

00:16:54.700 --> 00:16:58.380
Zodra het vertrouwen is verankerd, toont Fabric zijn ware aard.

00:16:58.540 --> 00:17:02.240
Een gedisciplineerde, bewuste samenwerking tussen logica en wetgeving.

00:17:02.440 --> 00:17:08.200
De chaos verdwijnt, inzichten stromen en voor het eerst gedraagt uw data zich niet als een onhandelbare puber,

00:17:08.500 --> 00:17:13.380
maar als een getrainde professional die precies weet hoe vergenialiteit kan gaan voordat het beleid overschrijdt.

00:17:14.320 --> 00:17:16.540
Het intelligente ecosysteem.

00:17:16.540 --> 00:17:22.800
Wat u tot nu toe heeft opgebouwd aan semantische modellen, agents en governance, is niet zomaar een data warehouse, het is een kolonie.

00:17:22.800 --> 00:17:26.740
Elk element in Microsoft Fabric is ontworpen om naast elkaar te bestaan en samen te werken.

00:17:26.920 --> 00:17:28.340
De schoonheid zit in de inwording.

00:17:28.660 --> 00:17:32.460
Data engineering, business intelligence en AI delen allemaal dezelfde zuurstof.

00:17:32.860 --> 00:17:34.400
Afzonderlijk zijn ze indrukwekkend.

00:17:34.640 --> 00:17:37.860
Samen evolueren ze naar iets dat grenst aan bewuste coördinatie.

00:17:38.100 --> 00:17:42.880
Fabric is niet zomaar een nieuwe tool in uw techstack, het is het besturingssysteem voor bedrijfsintelligentie.

00:17:42.880 --> 00:17:50.480
Binnen één canvas kunt u datapijplijnen bouwen, warehouses beheren, real-time analytics orchestreren en AI agents uitnodigen om alles te analyseren.

00:17:50.480 --> 00:17:56.440
Er zijn geen overdrachten tussen afdelingen meer, alleen één doorlopende workflow die begint bij data ingestie en eindigt bij inzicht.

00:17:56.640 --> 00:18:02.280
Vergelijk dat met het tijdperk voor Fabric, waar vier platforms en zes handdrukken nodig waren voordat data enige betekenis kreeg.

00:18:02.440 --> 00:18:08.900
Vandaag de dagvoet One Lake alles, visualiseert power be it, reageert real-time intelligence erop en interpreteren data agents het.

00:18:09.040 --> 00:18:12.140
U heeft eindelijk orkestratie in plaats van chaotische coördinatie.

00:18:12.420 --> 00:18:13.920
Denk aan voorspellend onderhoud.

00:18:14.140 --> 00:18:17.760
In een Fabric-omgeving stroomt sensor data door real-time intelligence.

00:18:17.760 --> 00:18:27.540
De data-engineering laagvormt het, de data-agent detecteert onregelmatige trillingsfrequenties en voordat een technieke zelfs maar een dashboard ziet, heeft een power automate-agent al inspectietickets ingepland.

00:18:27.760 --> 00:18:31.840
Dat is closed-loopcognitie, een systeem dat niet op toestemming wacht om een probleem te voorkomen.

00:18:32.060 --> 00:18:32.940
Over naar marketing.

00:18:33.200 --> 00:18:42.840
Campagne-data stroomt vanuit Dynamics in One Lake, wordt verwerkt door Data Factory, gecontextualiseerd door semantische modellen en geïnterpreteerd door een agent die is getraind op historische responspatronen.

00:18:42.840 --> 00:18:53.660
Wanneer de doorklikratio daalt, vergelijkt de agent dit met seizoensinvloeden, stelt nieuwe timing voor en voert suggesties terug naar het co-pilot-paneel van PowerBee voor goedkeuring door de marketeer.

00:18:54.700 --> 00:18:59.620
Fabric vervangt creativiteit niet, het versterkt het met voortdurend situationeel bewustzijn.

00:18:59.620 --> 00:19:08.580
En productie? Een operations-agent correleert productiegegevens met voorraadniveaus en instrueert een andere agent in Azure om inkooporders automatisch opnieuw in balans te brengen.

00:19:08.760 --> 00:19:13.560
Wanneer de vraag piekt, raakt het systeem niet in paniek. Het herrouteert zichzelf in milliseconden.

00:19:13.800 --> 00:19:16.720
Dat is wat zelfcorrigerende intelligentie werkelijk betekent.

00:19:16.940 --> 00:19:21.240
Data die zijn eigen disbalans kan aanvoelen en corrigeren voordat iemand een escalatie-mail schrijft.

00:19:21.400 --> 00:19:24.920
Elke keer dat Fabric deze bewegende delen verbindt, groeit de waarde exponentieel.

00:19:25.140 --> 00:19:28.480
Data heeft een herkomst, inzichten hebben een auteur en acties hebben een rationale.

00:19:28.480 --> 00:19:33.000
Power B is niet zomaar een visualisatie-eindpunt, het is een expressievlak voor de geest van de machine.

00:19:33.240 --> 00:19:37.620
Data Factory is niet langer een opname-engine, maar een levende slagader die continu cognitie voedt.

00:19:37.680 --> 00:19:40.160
Real-time intelligentie, dat zijn de reflexen van Fabric.

00:19:40.380 --> 00:19:42.860
Zonder dat zou het systeem begrijpen, maar nooit reageren.

00:19:43.060 --> 00:19:47.280
Samen vormen deze lagen wat wel eens het eerste echt coöperatieve digitale ecosysteem zou kunnen zijn.

00:19:47.460 --> 00:19:51.420
Een omgeving waar opslag, redenering en actie in de praktijk niet van elkaar te onderscheiden zijn.

00:19:51.600 --> 00:19:53.600
De democratiserende wending is co-pilot.

00:19:53.800 --> 00:19:56.200
Het verandert al deze complexiteit in een conversatie.

00:19:56.200 --> 00:19:58.960
Zakelijke gebruikers hoeven geen KQL of DAX te leren.

00:19:59.200 --> 00:20:00.500
Ze typen vragen in Teams.

00:20:00.720 --> 00:20:06.280
Achter de schermen delegeert co-pilot het redeneren aan data-agent die gevalideerde, beleidsconforme antwoorden ophalen.

00:20:06.500 --> 00:20:12.480
Medewerkers ervaren direct helderheid, terwijl governance officers rustig slapen in de wetenschap dat elk statement een verifiëerbare herkomst heeft.

00:20:12.680 --> 00:20:17.640
Het is de vereniging van toegankelijkheid en autoriteit het zeldzame moment waarop gebruiksvriendelijkheid en nauwkeurigheid niet verwatert.

00:20:17.800 --> 00:20:20.340
Dit is waar de traditionele bimentaliteit eindelijk instoort.

00:20:20.340 --> 00:20:23.600
De data-ecosystemen van gisteren produceerden achteruitkijkende rapporten.

00:20:23.700 --> 00:20:27.100
Het Fabric-ecosysteem van vandaag produceert situationeel bewustzijn.

00:20:27.280 --> 00:20:29.600
Je meet prestaties niet, je ervaart ze continu.

00:20:29.800 --> 00:20:32.220
Het warehouse is geen passieve infrastructuur meer.

00:20:32.400 --> 00:20:35.020
Het is het strategische zenuwstelsel van de onderneming.

00:20:35.220 --> 00:20:37.920
De intelligentie van Fabric is geen geïsoleerde schittering.

00:20:38.140 --> 00:20:39.240
Het is coöperatief genie.

00:20:39.440 --> 00:20:40.980
Denk visueel aan deze verschuiving.

00:20:41.200 --> 00:20:42.540
Het oude meer was horizontaal.

00:20:42.760 --> 00:20:44.720
Data stroomde in één richting en stopte dan.

00:20:44.920 --> 00:20:46.040
Fabric is verticaal.

00:20:46.040 --> 00:20:52.600
Data stijgt op door engineering, modellering, redenering, visualisatie en actie in een voortdurende klim, zoals warmte die door een atmosfeer stijgt.

00:20:52.780 --> 00:20:55.900
Wat er aan de top verschijnt is niet zomaar analyse, het is voor uitziendheid.

00:20:56.060 --> 00:20:57.760
Dus wordt de vraag pijnlijk eenvoudig.

00:20:57.940 --> 00:21:03.020
Ga je deze levende omgeving bevolken met intelligente entiteiten of blijf je platte bestanden opstappelen als grafstenen?

00:21:03.140 --> 00:21:05.220
Want in dit stadium is onwetendheid een keuze.

00:21:05.440 --> 00:21:07.360
Fabric geeft je de weefsels en de neuronen.

00:21:07.660 --> 00:21:10.660
Activering weigeren is als een brein kopen en aandringen op een coma.

00:21:10.660 --> 00:21:17.320
Wanneer het correct functioneert, gedraagt je Fabric-ecosysteem zich minder als software en meer als een organisme dat door feedback wordt gesynchroniseerd.

00:21:17.440 --> 00:21:22.100
Elke keer dat een dataset verandert, past elke laag zich aan, zodat de intelligentie nooit versteent.

00:21:22.300 --> 00:21:24.140
Dat is uiteindelijk waar het voor gebouwd is.

00:21:24.360 --> 00:21:27.080
Geen statische rapportage, maar een eeuwige staat van leren.

00:21:27.260 --> 00:21:29.400
En nu bereiken we het onvermijdelijke kruispunt.

00:21:29.400 --> 00:21:34.860
Of je van plan bent die evolutionaire lust te behouden, of het deksel er weer op te sluiten bij je volgende CSV-upload.

00:21:34.980 --> 00:21:36.980
De keuze, hier is de bot de waarheid.

00:21:37.220 --> 00:21:39.140
Microsoft Fabric is geen opslagproduct.

00:21:39.420 --> 00:21:43.440
Het is een intelligentie-engine die zich als opslag voordoet om traditionele denkers niet af te schrikken.

00:21:43.580 --> 00:21:46.500
Je kocht geen schijfruimte, je kocht cognitie als een dienst.

00:21:46.660 --> 00:21:49.260
Je data warehouse ademt alleen als je agents wakker zijn.

00:21:49.520 --> 00:21:53.780
Wanneer ze slapen, vervalt het ecosysteem tot een stil archief dat doet alsof het modern is.

00:21:53.960 --> 00:21:56.400
Je concurrenten rennen je niet voorbij met grotere datasets.

00:21:56.400 --> 00:21:59.900
Ze zijn je te slim af met dezelfde data die intelligent is geconfigureerd.

00:22:00.020 --> 00:22:02.740
Ze laten hun agents trends interpreteren nog voordat de vergaderingen beginnen.

00:22:02.960 --> 00:22:04.820
Jij bent nog steeds exportbestanden aan het opmaken.

00:22:04.980 --> 00:22:06.480
De technologische kloof is minimaal.

00:22:06.660 --> 00:22:08.420
De cognitieve kloof is al pijlbaar groot.

00:22:08.600 --> 00:22:10.140
Dus, kies je toekomstwijselijk.

00:22:10.340 --> 00:22:14.940
Blijf Fabric behandelen als een duur datalijkenshuis of nodig het uit om te zijn waarvoor het is ontworpen.

00:22:15.100 --> 00:22:16.500
Een denkraamwerk voor jouw bedrijf.

00:22:16.680 --> 00:22:18.200
Breng die datasets weer tot leven.

00:22:18.460 --> 00:22:19.560
Laat agents redeneren.

00:22:19.820 --> 00:22:23.220
Laat governance hen sturen en laat inzicht een reflex worden in plaats van een ritueel.

00:22:23.220 --> 00:22:26.120
En als deze onthulling zelfs maar een beetje pijn deed, goed zo.

00:22:26.120 --> 00:22:28.380
Dat is het teken van conceptuele reanimatie.

00:22:28.580 --> 00:22:31.780
En nu, voordat je volgende ETL-Job weer een maand aan statistieken balsamt,

00:22:32.000 --> 00:22:35.700
abonneer je voor diepere analyses over hoe je intelligentie in Microsoft Fabric bouwt.

00:22:35.900 --> 00:22:38.140
Blijf het behandelen als een CSV-begraafplaats.

00:22:38.380 --> 00:22:39.540
Noem het alleen geen Fabric.
