ਵਿੱਤੀ ਡੇਟਾ ਤੋਂ AI-ਤਿਆਰ ਫੈਸਲਿਆਂ ਤੱਕ: Power BI, Microsoft Fabric, ਸੇਮੈਂਟਿਕ ਮਾਡਲ ਅਤੇ AI ਏਜੰਟ, Rishi Sapra [MVP] ਨਾਲ

AI ਏਜੰਟ ਜਦੋਂ ਵਿੱਤੀ ਅਤੇ ਕਾਰੋਬਾਰੀ ਡੇਟਾ ਨੂੰ ਸਮਝਣਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਨ — ਸਿਰਫ਼ ਦਿਖਾਉਣਾ ਨਹੀਂ — ਤਾਂ ਕੀ ਹੁੰਦਾ ਹੈ?ਇਸ M365.FM ਐਪੀਸੋਡ ਵਿੱਚ Mirko Peters ਦੀ ਗੱਲਬਾਤ Rishi Sapra (Microsoft MVP) ਨਾਲ ਹੈ, ਜਿਸ ਵਿੱਚ ਰਵਾਇਤੀ ਡੈਸ਼ਬੋਰਡਾਂ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ AI-ਸੰਚਾਲਿਤ, ਸੰਦਰਭ-ਜਾਗਰੂਕ ਵਿਸ਼ਲੇਸ਼ਣ ਵੱਲ ਜਾਣ ਲਈ ਲੋੜੀਂਦੇ ਆਰਕੀਟੈਕਚਰ ਬਾਰੇ ਚਰਚਾ ਹੈ — Microsoft Fabric, Power BI, Copilot Studio, ਸੈਮੈਂਟਿਕ ਮਾਡਲ, ਔਨਟੋਲੋਜੀਆਂ ਅਤੇ ਡੇਟਾ ਏਜੰਟਾਂ ਨਾਲ।ਸੰਸਥਾਵਾਂ ਕੋਲ ਪਹਿਲਾਂ ਹੀ ਬਹੁਤ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਜਾਣਕਾਰੀ ਹੈ, ਜੋ ERP ਸਿਸਟਮਾਂ, Excel ਵਰਕਬੁੱਕਾਂ, Power BI ਰਿਪੋਰਟਾਂ, Microsoft Fabric, SharePoint, ਵਿੱਤੀ ਸਿਸਟਮਾਂ, ਬਜਟਾਂ, ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਅਤੇ ਸੰਚਾਲਨ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਫੈਲੀ ਹੋਈ ਹੈ।ਇਸ ਡੇਟਾ ਉੱਤੇ AI ਜੋੜਨ ਦਾ ਅਰਥ ਆਪਣੇ ਆਪ ਇਹ ਨਹੀਂ ਕਿ AI ਕਾਰੋਬਾਰ ਨੂੰ ਸਮਝਦਾ ਹੈ।“ਮਾਲੀਆ” ਅਸਲ ਵਿੱਚ ਕੀ ਹੈ? ਇੱਕ AI ਏਜੰਟ ਨੂੰ “ਮਾਰਜਨ” ਦੀ ਕਿਹੜੀ ਪਰਿਭਾਸ਼ਾ ਵਰਤਣੀ ਚਾਹੀਦੀ ਹੈ? ਕਿਹੜੇ KPI ਸੱਚ ਦੇ ਅਧਿਕਾਰਤ ਰੂਪ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ? ਅਤੇ ਇੱਕ ਏਜੰਟ ਗਾਹਕਾਂ, ਉਤਪਾਦਾਂ, ਖੇਤਰਾਂ, ਲਾਗਤ ਕੇਂਦਰਾਂ, ਠੇਕਿਆਂ ਅਤੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਨੂੰ ਕਿਵੇਂ ਸਮਝਦਾ ਹੈ?ਇਸਦਾ ਉੱਤਰ ਵੱਧ ਤੋਂ ਵੱਧ ਕੱਚੇ ਡੇਟਾ ਅਤੇ AI ਵਿਚਕਾਰਲੀ ਸੰਦਰਭ ਪਰਤ ਵਿੱਚ ਹੈ।

ਸੈਲਫ-ਸਰਵਿਸ BI ਤੋਂ ਸੈਲਫ-ਸਰਵਿਸ AI ਤੱਕ
Rishi ਆਪਣੀ ਯਾਤਰਾ ਬਾਰੇ ਦੱਸਦੇ ਹਨ — ਵਿੱਤੀ ਮਾਡਲਿੰਗ ਅਤੇ Excel ਤੋਂ ਲੈ ਕੇ Power Query ਅਤੇ Power BI ਦੇ ਸ਼ੁਰੂਆਤੀ ਦਿਨਾਂ ਤੱਕ, ਅਤੇ ਅੱਜ ਦੇ Microsoft Fabric ਅਤੇ AI ਈਕੋਸਿਸਟਮ ਤੱਕ।Power BI ਨੇ ਕਾਰੋਬਾਰੀ ਖੁਫੀਆ ਜਾਣਕਾਰੀ ਨੂੰ ਕੇਂਦਰੀ IT ਵਿਭਾਗਾਂ ਤੋਂ ਬਾਹਰ ਕੱਢ ਕੇ ਕਾਰੋਬਾਰੀ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਹੱਥਾਂ ਵਿੱਚ ਪਹੁੰਚਾਇਆ।ਪਰ ਇਹ ਪਲੇਟਫਾਰਮ ਹੁਣ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਵਧੀਆ ਹੋ ਗਿਆ ਹੈ।ਸੈਮੈਂਟਿਕ ਮਾਡਲ, DAX, ਲੇਕਹਾਊਸ, OneLake, Direct Lake, Copilot Studio, ਡੇਟਾ ਏਜੰਟ, ਔਨਟੋਲੋਜੀਆਂ, MCP-ਅਧਾਰਿਤ ਟੂਲ, ਗਵਰਨੈਂਸ ਅਤੇ AI ਮਿਲ ਕੇ ਇੱਕ ਅਜਿਹਾ ਆਰਕੀਟੈਕਚਰ ਬਣਾਉਂਦੇ ਹਨ ਜੋ ਵਿਅਕਤੀਗਤ ਕਾਰੋਬਾਰੀ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਜਲਦੀ ਹੀ ਸਮਝਣਾ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦਾ ਹੈ।AI ਏਜੰਟ ਇਸ ਰਿਸ਼ਤੇ ਨੂੰ ਬਦਲ ਸਕਦੇ ਹਨ।ਹਰ ਕਾਰੋਬਾਰੀ ਉਪਭੋਗਤਾ ਤੋਂ ਡੇਟਾ ਇੰਜੀਨੀਅਰ, BI ਡਿਵੈਲਪਰ ਅਤੇ AI ਇੰਜੀਨੀਅਰ ਬਣਨ ਦੀ ਮੰਗ ਕਰਨ ਦੀ ਬਜਾਏ, ਏਜੰਟ ਤਕਨੀਕੀ ਆਰਕੀਟੈਕਚਰ ਦੇ ਹਿੱਸੇ ਬਣਾ ਅਤੇ ਚਲਾ ਸਕਦੇ ਹਨ, ਜਦਕਿ ਮਨੁੱਖ ਕਾਰੋਬਾਰੀ ਸੰਦਰਭ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।

AI ਲਈ ਕਾਰੋਬਾਰੀ ਸੰਦਰਭ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ
ਐਪੀਸੋਡ ਦਾ ਕੇਂਦਰੀ ਸਵਾਲ ਹੈਰਾਨੀਜਨਕ ਤੌਰ 'ਤੇ ਸਧਾਰਨ ਹੈ:ਤੁਹਾਡੀਆਂ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਅਤੇ ਫੈਸਲੇ ਕਿੰਨੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਸਤਾਵੇਜ਼ੀ ਹਨ?ਸੰਸਥਾ ਦਾ ਬਹੁਤਾ ਅਸਲ ਗਿਆਨ ਡੇਟਾਬੇਸ ਵਿੱਚ ਨਹੀਂ ਰਹਿੰਦਾ। ਇਹ Excel ਫਾਰਮੂਲਿਆਂ, Power BI ਮੈਜ਼ਰਾਂ, SharePoint ਫਾਈਲਾਂ, ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ, ਦਸਤਾਵੇਜ਼ਾਂ — ਅਤੇ ਲੋਕਾਂ ਦੇ ਦਿਮਾਗ ਵਿੱਚ ਮੌਜੂਦ ਹੁੰਦਾ ਹੈ।AI ਏਜੰਟਾਂ ਲਈ ਅਰਥਪੂਰਨ ਕਾਰੋਬਾਰੀ ਸੂਝ ਪੈਦਾ ਕਰਨ ਲਈ, ਸੰਸਥਾਵਾਂ ਨੂੰ ਸਿਰਫ਼ ਡੇਟਾ ਨਹੀਂ, ਸੰਦਰਭ ਵੀ ਕੈਪਚਰ ਕਰਨਾ ਪਵੇਗਾ।ਸਵਾਲ ਕੌਣ ਪੁੱਛ ਰਿਹਾ ਹੈ?ਉਸ ਵਿਅਕਤੀ ਨੇ ਕਿਹੜੇ ਫੈਸਲੇ ਲੈਣੇ ਹਨ?ਕਿਹੜੇ KPI ਮਹੱਤਵਪੂਰਨ ਹਨ?ਕਿਹੜੇ ਕਾਰੋਬਾਰੀ ਨਿਯਮ ਲਾਗੂ ਹੁੰਦੇ ਹਨ?ਉਸ ਖਾਸ ਸੰਦਰਭ ਵਿੱਚ ਕਿਸੇ ਖਾਸ ਮੈਟ੍ਰਿਕ ਦਾ ਕੀ ਅਰਥ ਹੈ?ਇਹ ਪਰਸੋਨਾ-ਅਧਾਰਿਤ ਸੂਝ ਦੀ ਧਾਰਨਾ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ: ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਸਿਰਫ਼ ਵੱਧ ਡੇਟਾ ਦਿਖਾਉਣ ਦੀ ਬਜਾਏ ਖਾਸ ਕਾਰੋਬਾਰੀ ਉਪਭੋਗਤਾਵਾਂ ਦੇ ਸਵਾਲਾਂ ਅਤੇ ਫੈਸਲਿਆਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਡਿਜ਼ਾਈਨ ਕਰਨਾ।

ਡੇਟਾ ਮਾਡਲ ਬਨਾਮ ਸੈਮੈਂਟਿਕ ਮਾਡਲ ਬਨਾਮ ਔਨਟੋਲੋਜੀਆਂ
ਗੱਲਬਾਤ ਆਧੁਨਿਕ Microsoft ਵਿਸ਼ਲੇਸ਼ਣ ਆਰਕੀਟੈਕਚਰ ਦੀਆਂ ਤਿੰਨ ਤੇਜ਼ੀ ਨਾਲ ਮਹੱਤਵਪੂਰਨ ਹੋ ਰਹੀਆਂ ਧਾਰਨਾਵਾਂ ਦੀ ਪੜਚੋਲ ਕਰਦੀ ਹੈ।ਇੱਕ ਡੇਟਾ ਮਾਡਲ ਅੰਡਰਲਾਈੰਗ ਡੇਟਾ ਅਤੇ ਸਬੰਧਾਂ ਨੂੰ ਢਾਂਚਾਗਤ ਕਰਦਾ ਹੈ।ਇੱਕ Power BI ਸੈਮੈਂਟਿਕ ਮਾਡਲ ਕਾਰੋਬਾਰੀ ਤਰਕ, ਮੈਜ਼ਰ, ਗਣਨਾਵਾਂ, ਸਬੰਧ ਅਤੇ ਸੁਰੱਖਿਆ ਜੋੜਦਾ ਹੈ — ਇੱਕ ਗਵਰਨਡ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਪਰਤ ਅਤੇ KPIs ਲਈ ਭਰੋਸੇਯੋਗ ਸਰੋਤ ਬਣਾਉਂਦਾ ਹੈ।ਪਰ AI ਨੂੰ ਅਕਸਰ ਹੋਰ ਵੀ ਚਾਹੀਦਾ ਹੈ।ਇੱਕ ਔਨਟੋਲੋਜੀ ਕਾਰੋਬਾਰੀ ਇਕਾਈਆਂ ਅਤੇ ਸਬੰਧਾਂ ਦਾ ਵਰਣਨ ਇਸ ਤਰੀਕੇ ਨਾਲ ਕਰ ਸਕਦੀ ਹੈ ਕਿ AI ਗਾਹਕ, ਉਤਪਾਦ, ਸਟੋਰ, ਕਰਮਚਾਰੀ, ਖੇਤਰ, ਠੇਕੇ, ਮਾਲੀਆ ਅਤੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਰਗੀਆਂ ਧਾਰਨਾਵਾਂ ਬਾਰੇ ਤਰਕ ਕਰ ਸਕੇ।ਸੈਮੈਂਟਿਕ ਮਾਡਲ ਇਹ ਜਵਾਬ ਦਿੰਦੇ ਹਨ: “ਨੰਬਰ ਕੀ ਹੈ?”ਔਨਟੋਲੋਜੀਆਂ ਅਤੇ ਵਾਧੂ ਸੰਦਰਭ AI ਨੂੰ ਇਹ ਜਾਂਚ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ: “ਨੰਬਰ ਕਿਉਂ ਬਦਲਿਆ?”ਇਕੱਠੇ ਮਿਲ ਕੇ, ਇਹ ਪਰਤਾਂ AI ਏਜੰਟਾਂ ਲਈ ਕਾਫ਼ੀ ਮਜ਼ਬੂਤ ਆਧਾਰ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ।

ਡੇਟਾ ਬੁਨਿਆਦ ਵਜੋਂ Microsoft Fabric
ਇਸ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ Microsoft Fabric ਕੇਂਦਰੀ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦਾ ਹੈ।OneLake, ਲੇਕਹਾਊਸ, Delta ਟੇਬਲ, ਸੈਮੈਂਟਿਕ ਮਾਡਲ, Direct Lake, Fabric ਡੇਟਾ ਏਜੰਟ ਅਤੇ Copilot Studio ਨਾਲ ਏਕੀਕਰਨ ਢਾਂਚਾਗਤ ਅਤੇ ਅਢਾਂਚਾਗਤ ਸੰਸਥਾਗਤ ਡੇਟਾ ਲਈ ਇੱਕ ਏਕੀਕ੍ਰਿਤ ਬੁਨਿਆਦ ਬਣਾ ਸਕਦੇ ਹਨ।ਐਪੀਸੋਡ ਇਹ ਵੀ ਸਮਝਾਉਂਦਾ ਹੈ ਕਿ Direct Lake ਕਿਉਂ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ।ਰਵਾਇਤੀ Power BI ਸੈਮੈਂਟਿਕ ਮਾਡਲਾਂ ਵਿੱਚ ਵਾਰ-ਵਾਰ ਡੇਟਾ ਇੰਪੋਰਟ ਅਤੇ ਰਿਫਰੈਸ਼ ਕਰਨ ਦੀ ਬਜਾਏ, Direct Lake Delta ਫਾਰਮੈਟ ਵਿੱਚ ਸਟੋਰ ਕੀਤੇ ਡੇਟਾ ਨਾਲ ਸਿੱਧਾ ਕੰਮ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਜਦਕਿ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਕਾਰਗੁਜ਼ਾਰੀ ਬਰਕਰਾਰ ਰਹਿੰਦੀ ਹੈ।ਇਸ ਨਾਲ ਸੰਸਥਾਗਤ ਡੇਟਾ ਤੋਂ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ AI ਤੱਕ ਦਾ ਰਸਤਾ ਕਾਫ਼ੀ ਸਰਲ ਹੋ ਸਕਦਾ ਹੈ।

ਸੰਸਥਾਗਤ ਦਿਮਾਗ ਦੀਆਂ ਪੰਜ ਪਰਤਾਂ
Rishi ਇੱਕ “ਸੰਸਥਾਗਤ ਦਿਮਾਗ” ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ ਜੋ ਪੰਜ ਆਪਸ ਵਿੱਚ ਜੁੜੀਆਂ ਪਰਤਾਂ ਨਾਲ ਬਣਿਆ ਹੈ:ਡੇਟਾ — ਭਰੋਸੇਯੋਗ ਸੰਸਥਾਗਤ ਜਾਣਕਾਰੀ ਅਤੇ ਸਰੋਤ ਸਿਸਟਮ।ਤਰਕ — DAX, SQL, Python, ਗਣਨਾਵਾਂ, KPIs ਅਤੇ ਕਾਰੋਬਾਰੀ ਨਿਯਮ।ਟੂਲ — ਸੈਮੈਂਟਿਕ ਮਾਡਲ, APIs, MCP ਸਰਵਰ, ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਹੋਰ ਸਮਰੱਥਾਵਾਂ ਜੋ ਏਜੰਟ ਵਰਤ ਸਕਦੇ ਹਨ।ਹੁਨਰ — ਹਦਾਇਤਾਂ ਅਤੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਜੋ ਦੱਸਦੀਆਂ ਹਨ ਕਿ ਏਜੰਟਾਂ ਨੂੰ ਟੂਲਾਂ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਅਤੇ ਜਾਣਕਾਰੀ ਦੀ ਵਿਆਖਿਆ ਕਿਵੇਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।ਗਵਰਨੈਂਸ — ਇਜਾਜ਼ਤਾਂ, ਨੀਤੀਆਂ, ਸੁਰੱਖਿਆ, ਨਿਯੰਤਰਣ ਅਤੇ ਨਿਯਮ ਜੋ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ ਕਿ ਏਜੰਟ ਕੀ ਕਰਨ ਦੇ ਅਧਿਕਾਰਤ ਹਨ।ਟੀਚਾ ਸਿਰਫ਼ LLM ਨੂੰ ਹੋਰ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਦੇਣਾ ਨਹੀਂ ਹੈ।ਟੀਚਾ AI ਨੂੰ ਇੱਕ ਗਵਰਨਡ ਵਾਤਾਵਰਣ ਦੇਣਾ ਹੈ ਜਿਸ ਵਿੱਚ ਉਹ ਸਮਝ ਸਕੇ ਕਿ ਕਿਸੇ ਖਾਸ ਕਾਰੋਬਾਰੀ ਸਵਾਲ ਲਈ ਕਿਹੜਾ ਡੇਟਾ, ਤਰਕ, ਟੂਲ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਰਤਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ।

AI ਏਜੰਟਾਂ ਨੂੰ ਨਿਰਧਾਰਤ (deterministic) ਡੇਟਾ ਦੀ ਲੋੜ ਹੈ
ਜਨਰੇਟਿਵ AI ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਲਚਕੀਲੇ ਢੰਗ ਨਾਲ ਤਰਕ ਕਰ ਸਕਦਾ ਹੈ।ਵਿੱਤੀ ਰਿਪੋਰਟਿੰਗ ਪੂਰੀ ਤਰ੍ਹਾਂ ਲਚਕਤਾ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰ ਸਕਦੀ।ਮਾਲੀਆ, ਮਾਰਜਨ, ਪੂਰਵ-ਅਨੁਮਾਨ, ਲਾਗਤਾਂ ਅਤੇ ਹੋਰ ਕਾਰੋਬਾਰੀ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਅਕਸਰ ਨਿਰਧਾਰਤ ਗਣਨਾਵਾਂ ਅਤੇ ਗਵਰਨਡ ਸੱਚ ਦੇ ਸਰੋਤ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।ਐਪੀਸੋਡ ਪੜਚੋਲ ਕਰਦਾ ਹੈ ਕਿ ਉੱਦਮ AI ਦਾ ਭਵਿੱਖ ਇਸ ਲਈ ਦੋ ਸੰਸਾਰਾਂ ਨੂੰ ਜੋੜਨ 'ਤੇ ਨਿਰਭਰ ਕਰ ਸਕਦਾ ਹੈ:ਭਰੋਸੇਯੋਗ ਗਣਨਾਵਾਂ ਅਤੇ ਕਾਰੋਬਾਰੀ ਤਰਕ ਲਈ ਨਿਰਧਾਰਤ ਕੰਪਿਊਟਿੰਗ।ਤਰਕ, ਵਿਆਖਿਆ, ਖੋਜ ਅਤੇ ਕੁਦਰਤੀ-ਭਾਸ਼ਾ ਪਰਸਪਰ ਕ੍ਰਿਆ ਲਈ ਜਨਰੇਟਿਵ AI।Fabric ਅਤੇ ਸੈਮੈਂਟਿਕ ਮਾਡਲ ਨਿਰਧਾਰਤ ਆਧਾਰ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ ਜਦਕਿ AI ਏਜੰਟ ਲਚਕੀਲੀ ਤਰਕ ਪਰਤ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।

ਡੈਸ਼ਬੋਰਡਾਂ ਤੋਂ ਨਿੱਜੀਕ੍ਰਿਤ ਬੁੱਧੀ ਤੱਕ
ਰਵਾਇਤੀ ਡੈਸ਼ਬੋਰਡ ਦੱਸਦੇ ਹਨ ਕਿ ਕੀ ਹੋਇਆ।ਇੱਕ ਡੈਸ਼ਬੋਰਡ ਦਿਖਾ ਸਕਦਾ ਹੈ ਕਿ ਮਾਲੀਆ ਸੱਤ ਪ੍ਰਤੀਸ਼ਤ ਘਟਿਆ। ਫਿਰ ਉਪਭੋਗਤਾ ਨੂੰ ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਕਿਉਂ, ਆਯਾਮਾਂ, ਫਿਲਟਰਾਂ, ਰਿਪੋਰਟਾਂ ਅਤੇ ਡੇਟਾਸੈੱਟਾਂ ਵਿੱਚੋਂ ਡ੍ਰਿੱਲ ਕਰਨਾ ਪੈਂਦਾ ਹੈ।AI ਏਜੰਟ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਇਹ ਖੋਜ ਆਪਣੇ ਆਪ ਕਰ ਸਕਦੇ ਹਨ।ਪਰ ਚੰਗੀ ਕਹਾਣੀ ਸੁਣਾਉਣ ਲਈ ਫਿਰ ਵੀ ਸੰਦਰਭ ਦੀ ਲੋੜ ਹੈ।ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਨੰਬਰ ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਵੱਡਾ ਨੰਬਰ ਨਹੀਂ ਹੁੰਦਾ। ਕਿਸੇ ਕਾਰੋਬਾਰੀ ਮੈਟ੍ਰਿਕ ਦੀ ਵਿਆਖਿਆ ਮਾਲੀਏ, ਬਜਟ, ਪਿਛਲੇ ਸਮੇਂ, ਸੰਗਠਨਾਤਮਕ ਢਾਂਚੇ ਜਾਂ ਹੋਰ ਕਾਰਕਾਂ ਦੇ ਮੁਕਾਬਲੇ ਕਰਨੀ ਪੈ ਸਕਦੀ ਹੈ।ਇਥੇ ਪਰਸੋਨਾ-ਅਧਾਰਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਖਾਸ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਬਣ ਜਾਂਦਾ ਹੈ।CFO, ਸੇਲਜ਼ ਲੀਡਰ ਅਤੇ ਸੰਚਾਲਨ ਮੈਨੇਜਰ ਸਾਰੇ ਇੱਕੋ KPI ਬਾਰੇ ਪੁੱਛ ਸਕਦੇ ਹਨ ਪਰ ਬਿਲਕੁਲ ਵੱਖਰੀ ਵਿਆਖਿਆ ਅਤੇ ਕਾਰਵਾਈ ਦੀ ਲੋੜ ਰੱਖ ਸਕਦੇ ਹਨ।

Copilot Studio ਅਤੇ ਅਗਲੀ ਪੀੜ੍ਹੀ ਦੇ ਏਜੰਟ
ਗੱਲਬਾਤ ਇਹ ਵੀ ਦੱਸਦੀ ਹੈ ਕਿ Microsoft Copilot Studio ਰਵਾਇਤੀ ਟਾਪਿਕ- ਅਤੇ ਗਿਆਨ-ਅਧਾਰਿਤ ਚੈਟਬੋਟ ਅਨੁਭਵਾਂ ਤੋਂ ਵਧੇਰੇ ਸਮਰੱਥ ਏਜੰਟਿਕ ਪ੍ਰਣਾਲੀਆਂ ਵੱਲ ਕਿਵੇਂ ਵਿਕਸਤ ਹੋ ਰਿਹਾ ਹੈ।ਆਧੁਨਿਕ ਏਜੰਟ ਟੂਲਾਂ, ਹੁਨਰਾਂ, ਉੱਦਮ ਡੇਟਾ, ਵਰਕਫਲੋ ਅਤੇ ਤਰਕ ਨੂੰ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਜੋੜ ਸਕਦੇ ਹਨ।ਇਹ ਵਾਧੂ ਸਮਰੱਥਾ ਵਾਧੂ ਜੋਖਮ ਵੀ ਲਿਆਉਂਦੀ ਹੈ।ਏਜੰਟ ਨੂੰ ਜਿੰਨੀ ਵੱਧ ਖੁਦਮੁਖਤਿਆਰੀ ਮਿਲਦੀ ਹੈ, ਓਨਾ ਹੀ ਜ਼ਰੂਰੀ ਹੋ ਜਾਂਦਾ ਹੈ ਕਿ ਗਰਾਉਂਡਿੰਗ, ਇਜਾਜ਼ਤਾਂ, ਗਵਰਨੈਂਸ, ਮੁਲਾਂਕਣ ਅਤੇ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਹਦਾਇਤਾਂ ਹੋਣ।AI ਏਜੰਟ ਵਿੱਤੀ ਨੰਬਰ ਨਾ ਬਣਾਉਣ ਜਾਂ ਮਨਮਰਜ਼ੀ ਨਾਲ ਡੇਟਾ ਸਰੋਤ ਨਾ ਚੁਣਨ। ਉਹਨਾਂ ਨੂੰ ਭਰੋਸੇਯੋਗ ਸੈਮੈਂਟਿਕ ਮਾਡਲਾਂ, ਗਵਰਨਡ ਡੇਟਾ, ਸਪੱਸ਼ਟ ਹੁਨਰਾਂ ਅਤੇ ਸਪੱਸ਼ਟ ਗਾਰਡਰੇਲਾਂ ਦੀ ਲੋੜ ਹੈ।

ਗਵਰਨੈਂਸ ਨੂੰ ਮੁੜ ਮਹੱਤਵਪੂਰਨ ਬਣਾਉਣਾ
ਏਜੰਟਿਕ ਸੰਸਥਾ ਵਿੱਚ ਗਵਰਨੈਂਸ ਹੋਰ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੋ ਜਾਂਦੀ ਹੈ।ਗਵਰਨੈਂਸ ਨੂੰ ਸਿਰਫ਼ ਇੱਕ ਦਸਤਾਵੇਜ਼ ਵਜੋਂ ਦੇਖਣ ਦੀ ਬਜਾਏ, ਸੰਸਥਾਵਾਂ ਇਸਨੂੰ ਵਾਤਾਵਰਣਾਂ, ਨੀਤੀਆਂ, ਹੁਨਰਾਂ ਅਤੇ ਹਦਾਇਤਾਂ ਵਿੱਚ ਸਿੱਧਾ ਸ਼ਾਮਲ ਕਰ ਸਕਦੀਆਂ ਹਨ ਜੋ AI ਏਜੰਟ ਵਰਤਦੇ ਹਨ।ਚਰਚਾ ਏਜੰਟਾਂ ਨੂੰ ਡਿਜੀਟਲ ਕਰਮਚਾਰੀਆਂ ਵਾਂਗ ਸਮਝਣ ਦੇ ਵਿਚਾਰ ਦੀ ਪੜਚੋਲ ਕਰਦੀ ਹੈ।ਉਹਨਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਜ਼ਿੰਮੇਵਾਰੀਆਂ, ਪ੍ਰਵਾਨਿਤ ਟੂਲਾਂ, ਪਹੁੰਚ ਇਜਾਜ਼ਤਾਂ, ਕਾਰੋਬਾਰੀ ਨਿਯਮਾਂ, ਕਾਰਗੁਜ਼ਾਰੀ ਉਮੀਦਾਂ ਅਤੇ ਹੱਦਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।ਇਸ ਲਈ ਗਵਰਨੈਂਸ ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਦੀ ਬਜਾਏ ਸਵੈਚਾਲਿਤ ਲਾਗੂਕਰਨ ਬਾਰੇ ਵੱਧ ਬਣ ਜਾਂਦੀ ਹੈ।

Fabric ਅਤੇ AI ਲਈ ਓਪਰੇਟਿੰਗ ਮਾਡਲ
ਅੰਤ ਵਿੱਚ, ਐਪੀਸੋਡ ਇਸ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਸੰਸਥਾਵਾਂ ਇਸ ਸਭ ਦਾ ਪ੍ਰਬੰਧਨ ਕਿਵੇਂ ਕਰ ਸਕਦੀਆਂ ਹਨ।