Od danych finansowych do decyzji gotowych na AI: Power BI, Microsoft Fabric, modele semantyczne i agenci AI z Rishi Sapra [MVP]

Co się dzieje, gdy agenci AI zaczynają interpretować dane finansowe i biznesowe — a nie tylko je wyświetlać?W tym odcinku M365.FM Mirko Peters rozmawia z Rishi Sapra, Microsoft MVP, o architekturze potrzebnej do wyjścia poza tradycyjne pulpity i przejścia w stronę analityki opartej na AI, uwzględniającej kontekst, z wykorzystaniem Microsoft Fabric, Power BI, Copilot Studio, modeli semantycznych, ontologii i agentów danych.Organizacje mają ogromne ilości informacji rozproszone po systemach ERP, skoroszytach Excel, raportach Power BI, Microsoft Fabric, SharePoint, systemach finansowych, budżetach, prognozach i aplikacjach operacyjnych.Dodanie AI do tych danych nie oznacza automatycznie, że AI rozumie biznes.Co właściwie oznacza „przychód”? Której definicji marży powinien używać agent AI? Które wskaźniki KPI reprezentują oficjalną wersję prawdy? I jak agent rozumie relacje między klientami, produktami, regionami, centrami kosztów, kontraktami i procesami biznesowymi?Odpowiedź coraz częściej leży w warstwie kontekstu między surowymi danymi a AI.

OD SAMOOBSŁUGOWEGO BI DO SAMOOBSŁUGOWEGO AI
Rishi opowiada o swojej drodze od modelowania finansowego i Excela, przez Power Query i wczesne lata Power BI, aż po dzisiejszy ekosystem Microsoft Fabric i AI.Power BI pomógł wyprowadzić business intelligence z centralnych działów IT do rąk użytkowników biznesowych.Platforma stała się jednak znacznie bardziej zaawansowana.Modele semantyczne, DAX, lakehouse'y, OneLake, Direct Lake, Copilot Studio, agenci danych, ontologie, narzędzia oparte na MCP, zarządzanie i AI tworzą architekturę, którą pojedynczy użytkownik biznesowy może szybko uznać za trudną do zrozumienia.Agenci AI mogą zmienić tę relację.Zamiast wymagać od każdego użytkownika biznesowego, by był jednocześnie inżynierem danych, deweloperem BI i inżynierem AI, agenci mogą coraz częściej budować i obsługiwać części architektury technicznej, podczas gdy ludzie dostarczają kontekst biznesowy.

DLACZEGO KONTEKST BIZNESOWY MA ZNACZENIE DLA AI
Centralne pytanie odcinka jest zaskakująco proste:Jak dobrze udokumentowane są Twoje procesy biznesowe i decyzje?Duża część prawdziwej wiedzy organizacji nie znajduje się w bazie danych. Istnieje w formułach Excela, miarach Power BI, plikach SharePoint, procesach biznesowych, dokumentacji — oraz w głowach ludzi.Aby agenci AI generowali sensowne wnioski biznesowe, organizacje muszą uchwycić coś więcej niż dane.Muszą uchwycić kontekst.Kto zadaje pytanie?Jakie decyzje musi podjąć ta osoba?Które KPI mają znaczenie?Jakie reguły biznesowe obowiązują?Co dana miara znaczy w konkretnym kontekście?Prowadzi to do koncepcji wglądów zorientowanych na persony: projektowania analityki wokół decyzji i pytań konkretnych użytkowników biznesowych, zamiast po prostu udostępniania większej ilości danych.

MODELE DANYCH, MODELE SEMANTYCZNE I ONTOLOGIE
Rozmowa bada trzy coraz ważniejsze pojęcia w nowoczesnej architekturze analitycznej Microsoft.Model danych strukturyzuje dane źródłowe i relacje między nimi.Model semantyczny Power BI dodaje logikę biznesową, miary, obliczenia, relacje i zabezpieczenia — tworząc zarządzaną warstwę analityczną i wiarygodne źródło wskaźników KPI.Jednak AI często potrzebuje czegoś więcej.Ontologia może opisywać encje biznesowe i relacje w sposób pozwalający AI rozumować o takich pojęciach jak klienci, produkty, sklepy, pracownicy, regiony, kontrakty, przychód i procesy biznesowe.Modele semantyczne pomagają odpowiedzieć na pytanie:„Jaka jest ta liczba?”Ontologie i dodatkowy kontekst mogą pomóc AI zbadać:„Dlaczego ta liczba się zmieniła?”Razem te warstwy zapewniają znacznie mocniejsze ugruntowanie dla agentów AI.

MICROSOFT FABRIC JAKO FUNDAMENT DANYCH DLA AI
Microsoft Fabric odgrywa centralną rolę w tej architekturze.OneLake, lakehouse'y, tabele Delta, modele semantyczne, Direct Lake, agenci danych Fabric i integracja z Copilot Studio mogą stworzyć zunifikowany fundament dla strukturalnych i niestrukturalnych danych organizacji.Odcinek wyjaśnia także, dlaczego Direct Lake ma znaczenie.Zamiast wielokrotnego importowania i odświeżania danych do tradycyjnych modeli semantycznych Power BI, Direct Lake pozwala Power BI pracować bezpośrednio na danych przechowywanych w formacie Delta, zachowując wydajność analityczną.Może to znacząco uprościć drogę od danych przedsiębiorstwa do analityki i AI.

PIĘĆ WARSTW ORGANIZACYJNEGO MÓZGU
Rishi opisuje „organizacyjny mózg” zbudowany z pięciu wzajemnie powiązanych warstw:Dane — zaufane informacje przedsiębiorstwa i systemy źródłowe.Logika — DAX, SQL, Python, obliczenia, wskaźniki KPI i reguły biznesowe.Narzędzia — modele semantyczne, API, serwery MCP, aplikacje i inne możliwości, z których mogą korzystać agenci.Umiejętności — instrukcje i procesy biznesowe opisujące, jak agenci powinni używać narzędzi i interpretować informacje.Zarządzanie — uprawnienia, polityki, bezpieczeństwo, kontrole i zasady określające, co agenci mogą robić.Celem nie jest po prostu dawanie LLM dostępu do większej ilości danych.Celem jest stworzenie zarządzanego środowiska, w którym AI rozumie, które dane, logika, narzędzia i procesy powinny zostać użyte w konkretnym pytaniu biznesowym.

AGENCI AI POTRZEBUJĄ DANYCH DETERMINISTYCZNYCH
Generatywne AI jest potężne, ponieważ potrafi elastycznie rozumować.Raportowanie finansowe nie może opierać się wyłącznie na elastyczności.Przychód, marże, prognozy, koszty i inne metryki biznesowe często wymagają deterministycznych obliczeń i zarządzanego źródła prawdy.Odcinek bada, dlaczego przyszłość AI w przedsiębiorstwach może zależeć od połączenia dwóch światów:Obliczeń deterministycznych dla zaufanych wyliczeń i logiki biznesowej.Generatywnego AI do rozumowania, interpretacji, eksploracji i interakcji w języku naturalnym.Modele semantyczne i Microsoft Fabric mogą zapewnić deterministyczny fundament, podczas gdy agenci AI dostarczają elastyczną warstwę rozumowania.

OD PULPITÓW DO SPERSONALIZOWANEJ INTELIGENCJI
Tradycyjne pulpity mówią użytkownikom, co się stało.Pulpit może pokazać, że przychód spadł o siedem procent. Użytkownik musi następnie przeklikać się przez wymiary, filtry, raporty i zbiory danych, aby zrozumieć dlaczego.Agenci AI mogą potencjalnie wykonać automatycznie większość tej eksploracji.Dobre opowiadanie historii nadal jednak wymaga kontekstu.Najważniejsza liczba nie zawsze jest największa. Wskaźnik biznesowy może wymagać interpretacji w odniesieniu do przychodu, budżetu, poprzednich okresów, struktury organizacyjnej lub innych czynników.Właśnie tutaj szczególnie ważna staje się analityka zorientowana na persony.Dyrektor finansowy, lider sprzedaży i kierownik operacyjny mogą pytać o ten sam KPI, a jednak wymagają bardzo różnych wyjaśnień i działań.

COPILOT STUDIO I NASTĘPNA GENERACJA AGENTÓW
Rozmowa bada także ewolucję Microsoft Copilot Studio od tradycyjnych chatbotów opartych na tematach i bazach wiedzy w kierunku bardziej zdolnych systemów agentowych.Nowoczesni agenci mogą łączyć narzędzia, umiejętności, dane przedsiębiorstwa, procesy robocze i rozumowanie.Ta dodatkowa zdolność wiąże się jednak z dodatkowym ryzykiem.Im większą autonomię otrzymuje agent, tym ważniejsze stają się ugruntowanie, uprawnienia, zarządzanie, ewaluacja i jasno zdefiniowane instrukcje.Agenci AI nie powinni wymyślać liczb finansowych ani dowolnie wybierać źródeł danych.Potrzebują zaufanych modeli semantycznych, zarządzanych danych, jawnych umiejętności i wyraźnych barier ochronnych.

ZARZĄDZANIE W EPOCE AGENTÓW
Zarządzanie staje się jeszcze ważniejsze w organizacji opartej na agentach.Zamiast traktować zarządzanie jako dokument, który pracownicy mają przeczytać, organizacje mogą coraz częściej zakodować je bezpośrednio w środowiskach, politykach, umiejętnościach i instrukcjach używanych przez agentów AI.Dyskusja bada ideę traktowania agentów bardziej jak cyfrowych pracowników.Potrzebują oni zdefiniowanych obowiązków, zatwierdzonych narzędzi, uprawnień dostępu, reguł biznesowych, oczekiwań dotyczących wydajności i granic.Zarządzanie staje się zatem mniej kwestią dokumentacji, a bardziej automatycznego egzekwowania.

MODEL OPERACYJNY DLA FABRIC I AI
Na koniec odcinek analizuje, jak organizacje mogą zarządzać tym