От финансовых данных к решениям, готовым для ИИ: Power BI, Microsoft Fabric, семантические модели и ИИ-агенты с Риши Сапрой [MVP]

Что происходит, когда ИИ-агенты начинают осмысливать финансовые и бизнес-данные, а не просто отображать их?В этом выпуске M365.FM Мирко Петерс беседует с Риши Сапрой, Microsoft MVP, об архитектуре, необходимой для перехода от традиционных дашбордов к аналитике на основе ИИ, учитывающей контекст, с использованием Microsoft Fabric, Power BI, Copilot Studio, семантических моделей, онтологий и агентов данных.У организаций уже есть огромные объёмы информации, разбросанной по ERP-системам, книгам Excel, отчётам Power BI, Microsoft Fabric, SharePoint, финансовым системам, бюджетам, прогнозам и операционным приложениям.Добавление ИИ поверх этих данных автоматически не означает, что ИИ понимает бизнес.Что на самом деле означает «выручка»? Какое определение маржи должен использовать ИИ-агент? Какие KPI представляют официальную версию истины? И как агент понимает взаимосвязи между клиентами, продуктами, регионами, центрами затрат, контрактами и бизнес-процессами?Ответ всё чаще лежит в контекстном слое между необработанными данными и ИИ.

ОТ САМООБСЛУЖИВАЕМОЙ BI К САМООБСЛУЖИВАЕМОМУ ИИ
Риши рассказывает о своём пути от финансового моделирования и Excel через Power Query и ранние годы Power BI к современной экосистеме Microsoft Fabric и ИИ.Power BI помог вывести бизнес-аналитику из централизованных ИТ-отделов и передать её в руки бизнес-пользователей.Но платформа также стала значительно сложнее.Семантические модели, DAX, lakehouse, OneLake, Direct Lake, Copilot Studio, агенты данных, онтологии, инструменты на основе MCP, управление и ИИ теперь образуют архитектуру, которую отдельному бизнес-пользователю может быть трудно понять.ИИ-агенты могут изменить эту ситуацию.Вместо того чтобы требовать от каждого бизнес-пользователя становиться инженером данных, BI-разработчиком и ИИ-инженером, агенты всё чаще смогут создавать и вести части технической архитектуры, а люди будут предоставлять бизнес-контекст.

ПОЧЕМУ БИЗНЕС-КОНТЕКСТ ВАЖЕН ДЛЯ ИИ
Один из центральных вопросов выпуска звучит удивительно просто:насколько хорошо документированы ваши бизнес-процессы и решения?Значительная часть реальных знаний организации существует не в базе данных. Она живёт в формулах Excel, мерах Power BI, файлах SharePoint, бизнес-процессах, документации — и в головах людей.Чтобы ИИ-агенты выдавали содержательные бизнес-выводы, организациям нужно фиксировать не только данные, но и контекст.Кто задаёт вопрос?Какие решения должен принять этот человек?Какие KPI важны?Какие бизнес-правила применяются?Что конкретная метрика означает в данном контексте?Это приводит к концепции персонализированной аналитики: проектирования аналитики вокруг решений и вопросов конкретных бизнес-пользователей, а не простого предоставления большего объёма данных.

МОДЕЛИ ДАННЫХ, СЕМАНТИЧЕСКИЕ МОДЕЛИ И ОНТОЛОГИИ
Беседа рассматривает три всё более важных понятия современной архитектуры аналитики Microsoft.Модель данных структурирует базовые данные и связи между ними.Семантическая модель Power BI добавляет бизнес-логику, меры, вычисления, связи и безопасность — создавая управляемый аналитический слой и надёжный источник KPI.Но ИИ часто требуется большее.Онтология может описывать бизнес-сущности и взаимосвязи так, чтобы ИИ мог рассуждать о таких понятиях, как клиенты, продукты, магазины, сотрудники, регионы, контракты, выручка и бизнес-процессы.Семантические модели помогают ответить на вопрос:«Каково это число?»Онтологии и дополнительный контекст помогают ИИ исследовать:«Почему это число изменилось?»Вместе эти слои обеспечивают гораздо более прочную основу для ИИ-агентов.

MICROSOFT FABRIC КАК ОСНОВА ДАННЫХ ДЛЯ ИИ
Microsoft Fabric играет центральную роль в этой архитектуре.OneLake, lakehouse, таблицы Delta, семантические модели, Direct Lake, агенты данных Fabric и интеграция с Copilot Studio могут создать единую основу для структурированных и неструктурированных данных организации.В выпуске также объясняется, почему важен Direct Lake.Вместо многократного импорта и обновления данных в традиционных семантических моделях Power BI Direct Lake позволяет Power BI работать непосредственно с данными, хранящимися в формате Delta, сохраняя при этом производительность аналитики.Это может значительно упростить путь от корпоративных данных к аналитике и ИИ.

ПЯТЬ СЛОЁВ «ОРГАНИЗАЦИОННОГО МОЗГА»
Риши описывает «организационный мозг», построенный из пяти взаимосвязанных слоёв:Данные — надёжная корпоративная информация и исходные системы.Логика — DAX, SQL, Python, вычисления, KPI и бизнес-правила.Инструменты — семантические модели, API, серверы MCP, приложения и другие возможности, которые могут использовать агенты.Навыки — инструкции и бизнес-процессы, описывающие, как агенты должны использовать инструменты и интерпретировать информацию.Управление — разрешения, политики, безопасность, механизмы контроля и правила, определяющие, что агентам разрешено делать.Цель состоит не просто в том, чтобы дать LLM доступ к большему объёму данных.Цель — создать для ИИ управляемую среду, в которой он понимает, какие данные, логика, инструменты и процессы должны использоваться для конкретного бизнес-вопроса.

ИИ-АГЕНТАМ НУЖНЫ ДЕТЕРМИНИРОВАННЫЕ ДАННЫЕ
Генеративный ИИ силён, потому что умеет гибко рассуждать.Финансовая отчётность не может опираться исключительно на гибкость.Выручка, маржа, прогнозы, затраты и другие бизнес-метрики часто требуют детерминированных расчётов и управляемого источника истины.В выпуске исследуется, почему будущее корпоративного ИИ может зависеть от сочетания двух миров:Детерминированные вычисления для надёжных расчётов и бизнес-логики.Генеративный ИИ для рассуждений, интерпретации, исследования и взаимодействия на естественном языке.Семантические модели и Microsoft Fabric могут обеспечить детерминированную основу, а ИИ-агенты — гибкий слой рассуждений.

ОТ ДАШБОРДОВ К ПЕРСОНАЛИЗИРОВАННОМУ ИНТЕЛЛЕКТУ
Традиционные дашборды показывают, что произошло.Дашборд может показать, что выручка снизилась на семь процентов. Затем пользователю нужно детализировать данные по измерениям, фильтрам, отчётам и наборам данных, чтобы понять причину.ИИ-агенты потенциально могут выполнить большую часть этого исследования автоматически.Но хорошее повествование по-прежнему требует контекста.Самое важное число не всегда самое большое. Бизнес-метрику может потребоваться интерпретировать относительно выручки, бюджета, предыдущих периодов, организационной структуры или других факторов.Здесь персонализированная аналитика становится особенно важной.Финансовый директор, руководитель продаж и руководитель операционного отдела могут задавать вопрос об одном и том же KPI, но требовать совершенно разных объяснений и действий.

COPILOT STUDIO И НОВОЕ ПОКОЛЕНИЕ АГЕНТОВ
Беседа также рассматривает эволюцию Microsoft Copilot Studio от традиционных чат-ботов на основе тем и баз знаний к более мощным агентным системам.Современные агенты потенциально могут сочетать инструменты, навыки, корпоративные данные, рабочие процессы и рассуждения.Эта дополнительная возможность также несёт дополнительный риск.Чем больше автономии получает агент, тем важнее становятся обоснованность, разрешения, управление, оценка и чётко определённые инструкции.ИИ-агенты не должны выдумывать финансовые показатели или произвольно выбирать источники данных.Им нужны надёжные семантические модели, управляемые данные, явные навыки и чёткие ограничения.

СДЕЛАТЬ УПРАВЛЕНИЕ СНОВА ЭФФЕКТИВНЫМ
В агентной организации управление становится ещё важнее.Вместо того чтобы рассматривать управление как документ, который сотрудники должны прочитать, организации всё чаще могут закладывать управление непосредственно в среды, политики, навыки и инструкции, которые используют ИИ-агенты.В обсуждении исследуется идея рассматривать агентов скорее как цифровых сотрудников.Им нужны определённые обязанности, утверждённые инструменты, права доступа, бизнес-правила, ожидания по производительности и границы.Управление, таким образом, становится меньше вопросом документации и больше — автоматизированного обеспечения соблюдения правил.

ОПЕРАЦИОННАЯ МОДЕЛЬ ДЛЯ FABRIC И ИИ
Наконец, выпуск рассматривает, как организации могут управлять этим