Від фінансових даних до рішень, готових для ШІ: Power BI, Microsoft Fabric, семантичні моделі та ШІ-агенти з Rishi Sapra [MVP]

Що відбувається, коли AI-агенти починають осмислювати фінансові та бізнес-дані — а не просто їх відображати?У цьому епізоді M365.FM Мірко Пітерс розмовляє з Рішi Сапрою, Microsoft MVP, про архітектуру, необхідну для переходу від традиційних дашбордів до аналітики на базі ШІ з урахуванням контексту, з використанням Microsoft Fabric, Power BI, Copilot Studio, семантичних моделей, онтологій та агентів даних.Організації вже мають величезні обсяги інформації, розкиданої по ERP-системах, Excel-книгах, звітах Power BI, Microsoft Fabric, SharePoint, фінансових системах, бюджетах, прогнозах і операційних застосунках.Додавання ШІ поверх цих даних автоматично не означає, що ШІ розуміє бізнес.Що насправді означає «виручка»? Яке визначення маржі має використовувати агент ШІ? Які KPI представляють офіційну версію істини? І як агент розуміє зв'язки між клієнтами, продуктами, регіонами, центрами витрат, контрактами та бізнес-процесами?Відповідь дедалі більше полягає в шарі контексту між сирими даними та ШІ.

ВІД САМООБСЛУГОВОЇ BI ДО САМООБСЛУГОВОГО ШІ
Рішi розповідає про свій шлях від фінансового моделювання та Excel через Power Query і ранні дні Power BI до сьогоднішньої екосистеми Microsoft Fabric та ШІ.Power BI допоміг вивести бізнес-аналітику з централізованих ІТ-відділів до рук бізнес-користувачів.Але платформа також стала значно складнішою.Семантичні моделі, DAX, лейкхаузи, OneLake, Direct Lake, Copilot Studio, агенти даних, онтології, інструменти на основі MCP, управління та ШІ тепер формують архітектуру, яку окремому бізнес-користувачеві може бути важко зрозуміти.Агенти ШІ могли б змінити цей зв'язок.Замість того, щоб вимагати від кожного бізнес-користувача ставати одночасно інженером даних, BI-розробником і інженером ШІ, агенти могли б все більше будувати й експлуатувати частини технічної архітектури, а люди надавали б бізнес-контекст.

ЧОМУ БІЗНЕС-КОНТЕКСТ ВАЖЛИВИЙ ДЛЯ ШІ
Одне з центральних питань епізоду напрочуд просте:Наскільки добре задокументовані ваші бізнес-процеси та рішення?Значна частина реальних знань організації не зберігається в базі даних. Вона існує всередині формул Excel, мір Power BI, файлів SharePoint, бізнес-процесів, документації — і в головах людей.Щоб агенти ШІ могли створювати змістовні бізнес-висновки, організаціям потрібно фіксувати не лише дані, а й контекст.Хто ставить запитання?Які рішення має ухвалити ця людина?Які KPI важливі?Які бізнес-правила застосовуються?Що означає конкретна метрика в цьому конкретному контексті?Це призводить до концепції персоналізованих інсайтів: проектування аналітики навколо рішень і запитань конкретних бізнес-користувачів, а не просто відкриття доступу до більшої кількості даних.

МОДЕЛІ ДАНИХ, СЕМАНТИЧНІ МОДЕЛІ ТА ОНТОЛОГІЇ
Розмова досліджує три дедалі важливіші концепції в сучасній архітектурі аналітики Microsoft.Модель даних структурує базові дані та їхні зв'язки.Семантична модель Power BI додає бізнес-логіку, міри, обчислення, зв'язки та безпеку — створюючи керований аналітичний шар і надійне джерело KPI.Але ШІ часто потребує більшого.Онтологія може описувати бізнес-сутності та зв'язки так, щоб ШІ міг міркувати про такі поняття, як клієнти, продукти, магазини, співробітники, регіони, контракти, виручка та бізнес-процеси.Семантичні моделі допомагають відповісти на питання: «Яке це число?»Онтології та додатковий контекст можуть допомогти ШІ досліджувати: «Чому змінилося це число?»Разом ці шари забезпечують значно міцнішу основу для агентів ШІ.

MICROSOFT FABRIC ЯК ФУНДАМЕНТ ДАНИХ ДЛЯ ШІ
Microsoft Fabric відіграє центральну роль в цій архітектурі.OneLake, лейкхаузи, таблиці Delta, семантичні моделі, Direct Lake, агенти даних Fabric та інтеграція з Copilot Studio можуть створити єдину основу для структурованих і неструктурованих даних організації.Епізод також пояснює, чому важливий Direct Lake.Замість багаторазового імпорту та оновлення даних у традиційних семантичних моделях Power BI, Direct Lake дозволяє Power BI працювати безпосередньо з даними, що зберігаються у форматі Delta, зберігаючи продуктивність аналітики.Це може суттєво спростити шлях від корпоративних даних до аналітики та ШІ.

П'ЯТЬ ШАРІВ ОРГАНІЗАЦІЙНОГО МОЗКУ
Рішi описує «організаційний мозок», побудований навколо п'яти взаємопов'язаних шарів:Дані — довірена корпоративна інформація та джерела.Логіка — DAX, SQL, Python, обчислення, KPI та бізнес-правила.Інструменти — семантичні моделі, API, MCP-сервери, застосунки та інші можливості, якими можуть користуватися агенти.Навички — інструкції та бізнес-процеси, що описують, як агенти мають використовувати інструменти й інтерпретувати інформацію.Управління — дозволи, політики, безпека, контролі та правила, що визначають, що агенти можуть робити.Мета полягає не просто в тому, щоб дати LLM доступ до більшої кількості даних.Мета — надати ШІ керований середовище, в якому він розуміє, які дані, логіка, інструменти та процеси слід використовувати для конкретного бізнес-запитання.

АГЕНТАМ ШІ ПОТРІБНІ ДЕТЕРМІНОВАНІ ДАНІ
Генеративний ШІ потужний, бо може гнучко міркувати.Фінансова звітність не може покладатися виключно на гнучкість.Виручка, маржа, прогнози, витрати та інші бізнес-метрики часто потребують детермінованих обчислень і керованого джерела істини.Тому епізод розглядає, що майбутнє корпоративного ШІ може залежати від поєднання двох світів:Детермінованих обчислень для довірених розрахунків і бізнес-логіки.Генеративного ШІ для міркування, інтерпретації, дослідження та взаємодії природною мовою.Семантичні моделі та Microsoft Fabric можуть забезпечити детерміновану основу, а агенти ШІ — гнучкий шар міркувань.

ВІД ДАШБОРДІВ ДО ПЕРСОНАЛІЗОВАНОГО ІНТЕЛЕКТУ
Традиційні дашборди показують, що сталося.Дашборд може показати, що виручка знизилася на сім відсотків. Далі користувачеві потрібно пройти через виміри, фільтри, звіти та набори даних, щоб зрозуміти, чому.Агенти ШІ потенційно можуть автоматично виконати значну частину цього дослідження.Але якісне сторітелінг все одно потребує контексту.Найважливіше число не завжди є найбільшим. Бізнес-метрику може знадобитися інтерпретувати відносно виручки, бюджету, попередніх періодів, організаційної структури чи інших факторів.Саме тут особливо важливою стає персоналізована аналітика.Фінансовий директор, керівник продажів і операційний менеджер можуть запитувати про один і той самий KPI, але потребувати дуже різних пояснень і дій.

COPILOT STUDIO ТА НАСТУПНЕ ПОКОЛІННЯ АГЕНТІВ
Розмова також досліджує еволюцію Microsoft Copilot Studio від традиційних чатботів на основі тем і баз знань до більш спроможних агентних систем.Сучасні агенти потенційно можуть поєднувати інструменти, навички, корпоративні дані, робочі процеси та міркування.Ця додаткова спроможність також створює додатковий ризик.Чим більшу автономію отримує агент, тим важливішими стають обґрунтування, дозволи, управління, оцінювання та чітко визначені інструкції.Агенти ШІ не повинні вигадувати фінансові цифри або довільно обирати джерела даних.Їм потрібні довірені семантичні моделі, керовані дані, явні навички та чіткі обмеження.

ЗРОБИТИ УПРАВЛІННЯ ЗНОВУ ДІЄВИМ
В організації з агентною моделлю управління стає ще важливішим.Замість того, щоб сприймати управління як документ, який працівники мають прочитати, організації дедалі частіше можуть вбудовувати його безпосередньо в середовища, політики, навички та інструкції, якими користуються агенти ШІ.Обговорення досліджує ідею ставлення до агентів як до цифрових співробітників.Їм потрібні визначені обов'язки, затверджені інструменти, дозволи на доступ, бізнес-правила, очікування щодо продуктивності та межі.Таким чином управління стає менш про документацію і більше про автоматизоване забезпечення дотримання правил.

ОПЕРАЦІЙНА МОДЕЛЬ ДЛЯ FABRIC ТА ШІ
Нарешті, епізод розглядає, як організації можуть керувати цим