வணிக நிதித் தரவிலிருந்து AI-தயார் முடிவுகள் வரை: Power BI, Microsoft Fabric, Semantic Models & AI Agents — Rishi Sapra [MVP] உடன்

AI ஏஜென்ட்கள் வணிக மற்றும் நிதித் தரவைக் காட்சிப்படுத்துவதற்கு மட்டுமல்லாமல், அதைப் புரிந்துகொள்ளத் தொடங்கினால் என்ன நடக்கும்?இந்த M365.FM எபிசோடில், Mirko Peters, Microsoft MVP Rishi Sapra உடன் உரையாடுகிறார். பாரம்பரிய டாஷ்போர்டுகளைக் கடந்து, Microsoft Fabric, Power BI, Copilot Studio, semantic models, ontologies மற்றும் data agents ஆகியவற்றுடன் AI-இயங்கும், சூழல்-உணர்திறன் கொண்ட பகுப்பாய்வை நோக்கி நகர தேவையான கட்டமைப்பு பற்றி அவர்கள் விவாதிக்கின்றனர்.நிறுவனங்களிடம் ERP அமைப்புகள், Excel பணிப்புத்தகங்கள், Power BI அறிக்கைகள், Microsoft Fabric, SharePoint, நிதி அமைப்புகள், வரவு-செலவு திட்டங்கள், முன்னறிவிப்புகள் மற்றும் செயல்பாட்டுப் பயன்பாடுகள் ஆகியவற்றில் பரவிய பெரும் அளவிலான தகவல்கள் ஏற்கனவே உள்ளன.அந்தத் தரவின் மீது AI-ஐச் சேர்ப்பது, AI வணிகத்தைப் புரிந்துகொள்கிறது என்று தானாக அர்த்தம் தராது.

"வருவாய்" (revenue) உண்மையில் எதைக் குறிக்கிறது? AI ஏஜென்ட் எந்த "margin" வரையறையைப் பயன்படுத்த வேண்டும்? எந்த KPI-கள் அதிகாரப்பூர்வ உண்மையைக் குறிக்கின்றன? வாடிக்கையாளர்கள், தயாரிப்புகள், பகுதிகள், செலவு மையங்கள், ஒப்பந்தங்கள் மற்றும் வணிக செயல்முறைகளுக்கு இடையிலான உறவுகளை ஒரு ஏஜென்ட் எவ்வாறு புரிந்துகொள்கிறது?

இதற்கான பதில், மூலத் தரவுக்கும் AI-க்கும் இடையிலுள்ள சூழல் அடுக்கில் (context layer) அதிகமாக உள்ளது.

சுய-சேவை BI-யிலிருந்து சுய-சேவை AI நோக்கி
Rishi, நிதி மாடலிங் மற்றும் Excel-இலிருந்து, Power Query மற்றும் Power BI-யின் ஆரம்ப நாட்கள் வழியாக, இன்றைய Microsoft Fabric மற்றும் AI சூழல் வரை தனது பயணத்தை விளக்குகிறார்.Power BI வணிக நுண்ணறிவை மையப்படுத்தப்பட்ட IT துறைகளிலிருந்து வணிகப் பயனர்களின் கைகளுக்குக் கொண்டு வர உதவியது.ஆனால் அந்த தளம் இப்போது குறிப்பிடத்தக்க அளவில் மேம்பட்டுள்ளது.Semantic models, DAX, lakehouses, OneLake, Direct Lake, Copilot Studio, data agents, ontologies, MCP-அடிப்படையிலான கருவிகள், நிர்வாகம் (governance) மற்றும் AI ஆகியவை ஒன்றிணைந்து, தனிப்பட்ட வணிகப் பயனர்களுக்குப் புரிந்துகொள்வதற்கு விரைவில் கடினமாகக்கூடிய கட்டமைப்பை உருவாக்குகின்றன.AI ஏஜென்ட்கள் அந்த உறவை மாற்றக்கூடும்.ஒவ்வொரு வணிகப் பயனரும் தரவுப் பொறியாளர், BI டெவலப்பர் மற்றும் AI பொறியாளராக மாற வேண்டிய அவசியமின்றி, ஏஜென்ட்கள் தொழில்நுட்பக் கட்டமைப்பின் பகுதிகளை உருவாக்கி இயக்க முடியும்; மனிதர்கள் வணிகச் சூழலை வழங்குவார்கள்.

AI-க்கு வணிகச் சூழல் ஏன் முக்கியம்
இந்த எபிசோடின் மையக் கேள்விகளில் ஒன்று மிக எளிமையானது:உங்கள் வணிக செயல்முறைகளும் முடிவுகளும் எவ்வளவு நன்றாக ஆவணப்படுத்தப்பட்டுள்ளன?ஒரு நிறுவனத்தின் உண்மையான அறிவில் பெரும்பகுதி தரவுத்தளத்தில் இருப்பதில்லை. அது Excel சூத்திரங்கள், Power BI measures, SharePoint கோப்புகள், வணிக செயல்முறைகள், ஆவணங்கள் — மற்றும் மக்களின் மனதில் இருக்கிறது.
AI ஏஜென்ட்கள் அர்த்தமுள்ள வணிக நுண்ணறிவை உருவாக்க, நிறுவனங்கள் தரவை மட்டுமல்லாமல் சூழலையும் பிடித்துக்கொள்ள வேண்டும்.
கேள்வி கேட்பவர் யார்?அவர் எந்த முடிவுகளை எடுக்க வேண்டும்?எந்த KPI-கள் முக்கியம்?எந்த வணிக விதிகள் பொருந்தும்?இந்தச் சூழலில் ஒரு குறிப்பிட்ட அளவீட்டுக்கு என்ன பொருள்?
இது persona-driven insights என்ற கருத்துக்கு இட்டுச்செல்கிறது: வெறுமனே அதிக தரவை வெளிப்படுத்துவதற்குப் பதிலாக, குறிப்பிட்ட வணிகப் பயனர்களின் முடிவுகள் மற்றும் கேள்விகளைச் சுற்றி பகுப்பாய்வை வடிவமைப்பது.

தரவு மாதிரிகள், Semantic மாதிரிகள் மற்றும் Ontologies
நவீன Microsoft பகுப்பாய்வு கட்டமைப்பில் அதிகரித்து வரும் முக்கியத்துவம் கொண்ட மூன்று கருத்துகளை உரையாடல் ஆராய்கிறது.
ஒரு தரவு மாதிரி அடிப்படைத் தரவையும் உறவுகளையும் கட்டமைக்கிறது.
Power BI semantic model வணிக தர்க்கம், measures, கணக்கீடுகள், உறவுகள் மற்றும் பாதுகாப்பைச் சேர்த்து, நிர்வகிக்கப்பட்ட பகுப்பாய்வு அடுக்கையும் KPI-களுக்கான நம்பகமான மூலத்தையும் உருவாக்குகிறது.
ஆனால் AI-க்கு பெரும்பாலும் அதற்கு மேலும் தேவை.
ஒரு ontology வாடிக்கையாளர்கள், தயாரிப்புகள், கடைகள், ஊழியர்கள், பகுதிகள், ஒப்பந்தங்கள், வருவாய் மற்றும் வணிக செயல்முறைகள் போன்ற வணிக நிறுவனங்களையும் அவற்றின் உறவுகளையும் விவரிக்க முடியும்; இதனால் AI அந்தக் கருத்துகளைப் பற்றி காரணம் கூற இயலும்.
Semantic models உதவுவது: "எண் என்ன?"
Ontologies மற்றும் கூடுதல் சூழல் AI-க்கு உதவுவது: "எண் ஏன் மாறியது?"
இவை இணைந்து AI ஏஜென்ட்களுக்கு மிகவும் வலுவான அடிப்படையை வழங்குகின்றன.

AI-க்கான தரவு அடித்தளமாக Microsoft Fabric
இந்தக் கட்டமைப்பில் Microsoft Fabric மையப் பங்கு வகிக்கிறது.
OneLake, Lakehouses, Delta tables, semantic models, Direct Lake, Fabric Data Agents மற்றும் Copilot Studio உடனான ஒருங்கிணைப்பு ஆகியவை கட்டமைக்கப்பட்ட மற்றும் கட்டமைக்கப்படாத நிறுவனத் தரவிற்கு ஒருங்கிணைந்த அடித்தளத்தை உருவாக்க முடியும்.
Direct Lake ஏன் முக்கியம் என்பதையும் எபிசோட் விளக்குகிறது.
பாரம்பரிய Power BI semantic models-இல் தரவை மீண்டும் மீண்டும் இறக்குமதி செய்து புதுப்பிப்பதற்குப் பதிலாக, Direct Lake பகுப்பாய்வு செயல்திறனைப் பராமரித்துக்கொண்டே, Delta வடிவத்தில் சேமிக்கப்பட்ட தரவுடன் Power BI நேரடியாக வேலை செய்ய அனுமதிக்கிறது.
இது நிறுவனத் தரவிலிருந்து பகுப்பாய்வு மற்றும் AI-க்கான பாதையை கணிசமாக எளிதாக்கும்.

ஒரு நிறுவன மூளையின் ஐந்து அடுக்குகள்
Rishi, ஒன்றுக்கொன்று இணைக்கப்பட்ட ஐந்து அடுக்குகளைக் கொண்ட "organizational brain"-ஐ விவரிக்கிறார்:
Data — நம்பகமான நிறுவனத் தகவல் மற்றும் மூல அமைப்புகள்.
Logic — DAX, SQL, Python, கணக்கீடுகள், KPI-கள் மற்றும் வணிக விதிகள்.
Tools — semantic models, APIs, MCP servers, பயன்பாடுகள் மற்றும் ஏஜென்ட்கள் பயன்படுத்தக்கூடிய பிற திறன்கள்.
Skills — அந்தக் கருவிகளை எவ்வாறு பயன்படுத்துவது மற்றும் தகவலை எவ்வாறு விளக்குவது என்பதை விவரிக்கும் அறிவுறுத்தல்கள் மற்றும் வணிக செயல்முறைகள்.
Governance — ஏஜென்ட்கள் எதைச் செய்ய அனுமதிக்கப்படுகின்றன என்பதை நிர்வகிக்கும் அனுமதிகள், கொள்கைகள், பாதுகாப்பு மற்றும் கட்டுப்பாடுகள்.
இலக்கு வெறுமனே LLM-க்கு அதிக தரவுக்கான அணுகலை வழங்குவது அல்ல.
ஒரு குறிப்பிட்ட வணிகக் கேள்விக்கு எந்தத் தரவு, தர்க்கம், கருவிகள் மற்றும் செயல்முறைகள் பயன்படுத்தப்பட வேண்டும் என்பதை AI புரிந்துகொள்ளக்கூடிய, நிர்வகிக்கப்பட்ட சூழலை வழங்குவதே இலக்கு.

AI ஏஜென்ட்களுக்கு நிர்ணயக் (deterministic) தரவு தேவை
Generative AI நெகிழ்வாகக் காரணம் கூறுவதால் சக்திவாய்ந்தது.
நிதி அறிக்கையிடல் முழுவதுமாக நெகிழ்வுத்தன்மையை மட்டுமே நம்பியிருக்க முடியாது.
வருவாய், margins, முன்னறிவிப்புகள், செலவுகள் மற்றும் பிற வணிக அளவீடுகளுக்கு பெரும்பாலும் நிர்ணயக் கணக்கீடுகளும் நம்பகமான உண்மையின் மூலமும் தேவை.
எனவே நிறுவன AI-யின் எதிர்காலம் இரண்டு உலகங்களை இணைப்பதில் தங்கியிருக்கலாம்:
நம்பகமான கணக்கீடுகள் மற்றும் வணிக தர்க்கத்திற்கான நிர்ணயக் கணினி.
காரணம் கூறுதல், விளக்குதல், ஆய்வு மற்றும் இயற்கை-மொழி தொடர்புக்கான Generative AI.
Semantic models மற்றும் Microsoft Fabric நிர்ணயக் அடித்தளத்தை வழங்கலாம்; AI ஏஜென்ட்கள் நெகிழ்வான காரண அடுக்கை வழங்கலாம்.

டாஷ்போர்டுகளிலிருந்து தனிப்பயனாக்கப்பட்ட நுண்ணறிவு நோக்கி
பாரம்பரிய டாஷ்போர்டுகள் என்ன நடந்தது என்பதைப் பயனர்களுக்குச் சொல்கின்றன.
ஒரு டாஷ்போர்டு வருவாய் ஏழு சதவீதம் குறைந்ததைக் காட்டலாம். பயனர் பின்னர் அது ஏன் என்பதைப் புரிந்துகொள்ள பரிமாணங்கள், வடிகட்டிகள், அறிக்கைகள் மற்றும் தரவுத்தொகுப்புகள் வழியாகத் துளைத்துச் செல்ல வேண்டும்.
AI ஏஜென்ட்கள் இந்த ஆய்வில் பெரும்பகுதியை தானாகவே செய்ய முடியும்.
ஆனால் நல்ல கதை சொல்லுதலுக்கு இன்னும் சூழல் தேவை.
மிகப்பெரிய எண் எப்போதும் மிக முக்கியமான எண் அல்ல. ஒரு வணிக அளவீட்டை வருவாய், வரவு-செலவு திட்டம், முந்தைய காலங்கள், நிறுவன அமைப்பு அல்லது பிற காரணிகளுடன் ஒப்பிட்டு விளக்க வேண்டியிருக்கலாம்.
இங்குதான் persona-driven பகுப்பாய்வு மிக முக்கியமாகிறது.
CFO, விற்பனைத் தலைவர் மற்றும் செயல்பாட்டு மேலாளர் ஆகியோர் அதே KPI பற்றிக் கேட்டாலும், அவர்களுக்கு மிக வேறுபட்ட விளக்கங்களும் நடவடிக்கைகளும் தேவைப்படலாம்.

Copilot Studio மற்றும் அடுத்த தலைமுறை ஏஜென்ட்கள்
உரையாடல் Microsoft Copilot Studio, பாரம்பரிய topic- மற்றும் knowledge-அடிப்படையிலான chatbot அனுபவங்களிலிருந்து மேலும் திறன் வாய்ந்த agentic அமைப்புகளை நோக்கி எவ்வாறு வளர்ந்துள்ளது என்பதையும் ஆராய்கிறது.
நவீன ஏஜென்ட்கள் கருவிகள், திறன்கள், நிறுவனத் தரவு, பணிப்பாய்வுகள் மற்றும் காரணம் கூறுதலை இணைக்கக்கூடும்.
அந்தக் கூடுதல் திறன் கூடுதல் ஆபத்தையும் கொண்டு வருகிறது.
ஒரு ஏஜென்ட்டிற்கு அதிக தன்னாட்சி கிடைக்கும்போது, grounding, அனுமதிகள், நிர்வாகம், மதிப்பீடு மற்றும் தெளிவாக வரையறுக்கப்பட்ட அறிவுறுத்தல்கள் மிக முக்கியமாகின்றன.
AI ஏஜென்ட்கள் நிதி எண்களைக் கண்டுபிடிக்கவோ, தன்னிச்சையாக தரவு மூலங்களைத் தேர்ந்தெடுக்கவோ கூடாது.
அவர்களுக்கு நம்பகமான semantic models, நிர்வகிக்கப்பட்ட தரவு, தெளிவான திறன்கள் மற்றும் தெளிவான பாதுகாப்பு வரம்புகள் தேவை.

நிர்வாகத்தை மீண்டும் சிறப்பாக்குதல்
ஏஜென்டிக் நிறுவனத்தில் நிர்வாகம் (governance) இன்னும் முக்கியமாகிறது.
ஊழியர்கள் படிக்க வேண்டிய ஆவணமாக நிர்வாகத்தைக் கருதுவதற்குப் பதிலாக, நிறுவனங்கள் AI ஏஜென்ட்கள் பயன்படுத்தும் சூழல்கள், கொள்கைகள், திறன்கள் மற்றும் அறிவுறுத்தல்களிலேயே நேரடியாக நிர்வாக விதிகளை உட்பொதிக்க முடியும்.
எபிசோட், ஏஜென்ட்களை டிஜிட்டல் ஊழியர்களைப் போல நடத்தும் கருத்தை ஆராய்கிறது.
அவர்களுக்கு தெளிவான பொறுப்புகள், அங்கீகரிக்கப்பட்ட கருவிகள், அணுகல் அனுமதிகள், வணிக விதிகள், செயல்திறன் எதிர்பார்ப்புகள் மற்றும் எல்லைகள் தேவை.
எனவே நிர்வாகம் ஆவணங்களைப் பற்றியதாக மட்டுமல்லாமல், தானியங்கி அமலாக்கத்தைப் பற்றியதாக மாறுகிறது.

Fabric மற்றும் AI-க்கான இயக்க மாதிரி
இறுதியாக, இந்த...