Die agentenbasierte Ontologie – von Agenten erstellt, von Menschen verwaltet und für jeden Agenten entwickelt – ist ab sofort mit erweiterten Wissensquellen und neuen Tools zur Pflege und Optimierung allgemein verfügbar.
von Ken Wong, Paul Roome und Richard Tomlinson
KI-Agenten sind nur so nützlich wie ihr Verständnis des Unternehmens, in dem sie arbeiten. In einem bestimmten Bereich können Teams dieses Verständnis manuell aufbereiten. Tausende von Kunden betreiben mittlerweile Genie Agents auf diese Weise in der Produktion, darunter 7-Eleven, Virgin Atlantic und General Motors. Unternehmen setzen jedoch längst nicht mehr nur einen einzelnen Agenten für einen bestimmten Bereich ein. Sie implementieren viele Agenten für jede Funktion, und jeder Einzelne benötigt dasselbe genaue und vollständige Verständnis davon, wie das Geschäft funktioniert.
Der Unternehmenskontext, den Agenten benötigen, ist weit umfangreicher, als ihn ein Team manuell aufschreiben oder modellieren könnte. Er steckt in der Logik hinter Tausenden von Produktions-Dashboards, SQL-Abfragen, Notebooks und BI-semantischen Modellen sowie in den Dokumenten und Anwendungen, in denen Teams Definitionen festhalten und ein fundiertes Wissen darüber pflegen, wer was tut. Er verändert sich zudem jede Woche, wenn Produkte auf den Markt kommen, Kampagnen laufen und Teams sich neu organisieren.
Aus diesem Grund hatten Ontologien im Unternehmen historisch gesehen schwer. Von Spezialisten erstellt und manuell gepflegt, erfassten sie nur einen winzigen Ausschnitt des Unternehmens und veralteten schnell, während sich das Geschäft weiterentwickelte. Agenten verändern beide Seiten dieses Problems. Sie sind inzwischen die Hauptverbraucher des Unternehmenskontexts und können diesen auch selbst erzeugen, indem sie aus der Arbeit lernen, die Teams ohnehin erledigen. Das Resultat ist eine neue Art von agentenbasierter Ontologie, die von Agenten erstellt, von Agenten genutzt und von den Personen gesteuert wird, die das Geschäft kennen.
Wir sind überzeugt, dass jede Organisation eine einzige agentenbasierte Ontologie benötigt, die mit all ihren Daten verknüpft ist, kontinuierlich aus den Geschäftsprozessen lernt und jedem Agenten dasselbe abgesicherte Verständnis vermittelt – ganz gleich, ob er auf Databricks oder anderswo läuft. Wenn Kontext Agent für Agent aufgebaut wird, entstehen getrennte und unvollständige Ansichten des Unternehmens, und diese Ansichten stehen zwangsläufig im Widerspruch zueinander. Eine Unternehmensontologie sollte daher eine gemeinsame Infrastruktur sein, die von IT- und Daten-Führungskräften auf dieselbe Weise betreut wird wie die darunterliegende Datenplattform.
Auf dem Data + AI Summit haben wir Genie Ontology als genau diese Ebene vorgestellt. Heute kündigen wir die allgemeine Verfügbarkeit (GA) an, mit neuen Quellen, aus denen Agenten lernen können, und neuen Tools, mit denen Anwender das Gelernte kuratieren und steuern können. Außerdem teilen wir die Ergebnisse eines mit Turing entwickelten Benchmarks, die zeigen, wie viel präziser Agenten arbeiten, wenn sie darauf zugreifen.
Genie Ontology ist agentenbasiert, weil Agenten kontinuierlich das Wissen für die Nutzung durch andere Agenten aufbauen, während Menschen die Geschäftsdefinitionen steuern, die Präzision erfordern. Sie kombiniert gelerntes und modelliertes Wissen, stuft es nach Autorität ein und stellt Agenten den vertrauenswürdigsten Kontext zur Verfügung, während sie bestehende Benutzerberechtigungen berücksichtigt.
Der Großteil des Wissens von Genie Ontology wirdautomatisch aus den Systemen und Artefakten gelernt, die die Abläufe einer Organisation widerspiegeln. Agenten extrahieren den Geschäftskontext aus den Assets, mit denen Teams bereits arbeiten, einschließlich Databricks-Dashboards, SQL-Abfragen, Notebooks und semantischen Modellen in Tools wie Power BI. Dieses Wissen wird als Ontology Snippets erfasst – wiederverwendbare Stücke des Geschäftskontexts wie Berechnungen, Geschäftsregeln und Datenbeziehungen, die bei Änderungen der zugrunde liegenden Quellen kontinuierlich aktualisiert werden. Indem Genie Ontology direkt aus der täglichen Arbeit lernt, wird sie mit der Zeit immer nützlicher und erfasst den Long Tail des teamspezifischen Wissens, das manuell zu modellieren und zu pflegen unpraktisch wäre.
Gelerntes Wissen wird durch modelliertes Wissen ergänzt, also durch die geschäftlichen Bedeutungen, die Teams explizit definieren und über Unity Catalog semantics steuern. Dazu gehören Metric Views, die zertifizierte KPIs enthalten, Domains, die Wissen nach Geschäftsbereichen organisieren, sowie Pages, in denen maßgebliche Definitionen von Geschäftskonzepten festgehalten werden. Unternehmen modellieren die vergleichsweise kleine Menge an Definitionen, die exakt sein müssen – wie etwa den tatsächlichen Umsatz oder ARR –, und Genie Ontology behandelt diese Definitionen überall dort als Single Source of Truth, wo sie zutreffen.
Wenn ein Agent eine Frage stellt, bewertet OntoRank, der auf Autorität basierende Ranking-Algorithmus von Genie Ontology, gelerntes und modelliertes Wissen, um den vertrauenswürdigsten Kontext zu ermitteln. Dabei werden Signale wie die Autorität der Quelle, Zertifizierungen, die Expertise und Relevanz der Personen hinter dem Wissen, Popularität und Aktualität gewichtet, um widersprüchliche Definitionen zu klären und für jeden Benutzer und jede Frage den besten Kontext auszuwählen. Genie Ontology liefert diesen Kontext dann direkt an den Agenten, der sofort aus den korrekten Definitionen schlussfolgern kann, anstatt Zeit und Tokens für eine ergebnisoffene Erkundung der Daten zu verschwenden.

Über Genie MCP steht derselbe Kontext auch Agenten außerhalb von Databricks wie ChatGPT, Claude und Microsoft Copilot zur Verfügung, sodass die von Teams bereits genutzten Agenten schlauer im Hinblick auf das Geschäft werden, ohne neu aufgebaut werden zu müssen.
Der aussagekräftigste Test für eine agentenbasierte Ontologie ist, ob Agenten, die auf sie zurückgreifen, besser abschneiden als solche, die den Kontext selbst finden müssen. Bestehende Data-Agent-Benchmarks konzentrieren sich meist auf Tabellen, und moderne Spitzenagenten schneiden dabei mittlerweile ähnlich ab, obwohl echte Unternehmensfragen oft von Geschäftskontext abhängen, der über Notebooks, Dashboards und Dokumente hinweg verstreut ist. Um die reale Welt besser abzubilden, haben wir gemeinsam mit Turing einen neuen Benchmark entwickelt, der einen Live-Databricks-Arbeitsbereich für einen fiktiven britischen Energieversorger realistisch simuliert. Dabei wird Genie, angetrieben von Genie Ontology, mit zwei führenden Spitzenagenten verglichen, die als Agent A und Agent B bezeichnet werden. Jeder Agent beantwortete dieselben Fragen fünfmal pro Aufgabe, und jede Antwort wurde anhand eines Bewertungsschemas bewertet, das vor Beginn der Testläufe festgelegt wurde.
Agent | Erfolgsquote | Ø Bearbeitungszeit (pro Durchlauf) | Ø Tokens (pro Durchlauf) |
Genie | 91% | 100 Sekunden | 432K |
Agent A | 45% | 435 Sekunden | 889K |
Agent B | 58% | 307 Sekunden | 1,05M |
Genie hat bei 91 % der Durchläufe korrekt geantwortet – das ist das 1,6-Fache der Rate des stärkeren Spitzenagenten –, während weniger als die Hälfte der Tokens verbraucht und die Aufgabe drei- bis viermal so schnell erledigt wurde. Da alle drei Agenten gut SQL schreiben, liegt der Unterschied im Kontext. Genie griff auf Wissen zurück, das die Ontologie bereits aus dem Workspace gelernt hatte, und steuerte direkt die Geschäftsregeln an, die für die jeweilige Frage erforderlich waren. Die Spitzenagenten mussten dieses Wissen hingegen bei jedem Durchlauf neu ermitteln und lieferten häufig Antworten, die diesen Regeln nicht entsprachen. Die Ergebnisse spiegeln eine etablierte Umgebung wider, in der Teams dieses Wissen angesammelt haben, und der Benchmark-Forschungsblog behandelt die Methodik sowie detaillierte Aufgabenschritte. Ihr Account-Team unterstützt Sie gerne dabei, dieselbe Evaluierung in Ihrem eigenen Workspace durchzuführen.
Eine agentenbasierte Ontologie kann nur aus Daten lernen, die ihre Agenten erreichen können. Eine Kontextebene für das gesamte Unternehmen hängt daher davon ab, eine Vielzahl von Quellen anzubinden. Strukturierte Daten gelangen entweder über Lakeflow Connect in Unity Catalog oder werden vor Ort föderiert, sodass Genie Antworten direkt aus Live-Betriebsdaten berechnen kann. Vieles von dem, was ein Unternehmen weiß, befindet sich jedoch außerhalb des Lakehouse in Dokumenten, Tickets und Wikis, in denen Teams Entscheidungen festhalten und erklären, wie Dinge funktionieren. Mit dieser Version erweitern wir die Systeme, an die sich die Ontologie anbinden lässt, erheblich.
Genie Search, jetzt allgemein verfügbar, ermöglicht es Benutzern und Agenten, Unternehmenswissen in Dokumenten, Tickets und Wikis zusammen mit ihren geschützten Databricks-Assets im Rahmen der bereits vorhandenen Berechtigungen zu finden und zu nutzen. Benutzer können Dokumente im gesamten Unternehmen finden oder Fragen stellen, die sich über viele davon gleichzeitig erstrecken. Genie liefert synthetisierte, zitierte Antworten zusammen mit den Dashboards, Tabellen und Genie-Agenten, die sie bereits verwenden. Da indexierte Inhalte auch OntoRank informieren, wird das Wissen in diesen Dokumenten und Tickets zu einem Teil der Evidenz, die Genie Ontology bei der Entscheidung berücksichtigt, welchen Quellen vertraut werden kann.

Um Genie Search zu konfigurieren, verbindet ein Administrator über die Verwaltungskonsole jede Quelle und aktiviert die Indizierung.

Genie kann dann den vollständigen Index in einem einzigen Durchgang durchsuchen, anstatt jede Quelle separat abzufragen, wodurch Antworten vollständiger werden und Agenten die richtigen Informationen mit weniger Tool-Aufrufen und Tokens finden können. Für Echtzeit-Arbeiten, wie das Überprüfen des Status eines Jira-Tickets oder das Erstellen eines neuen, arbeitet Genie Search Hand in Hand mit MCP-Knebeln. Genie entscheidet für jede Aufgabe, wie stark auf den Index, MCP oder SQL zurückgegriffen werden soll. Genie Search unterstützt heute Google Drive, Jira, Confluence und Workday, während SharePoint in der Beta-Phase ist und viele weitere Konnektoren in Kürze folgen.
Das Neu erstellen und Verwalten von Quellenberechtigungen ist einer der schwierigsten Teile bei der Bereitstellung von Unternehmenssuchdiensten. Genie Search liest die Zugriffskontrollen jeder Quelle zusammen mit ihren Inhalten über Unity Catalog-Verbindungen ein und erzwingt diese vor der Rückgabe von Ergebnissen, sodass Personen und Agenten nur das sehen, was sie in der Originalanwendung bereits öffnen durften. Da Genie Search als verwalteter Dienst auf Databricks läuft, müssen Organisationen kein separates Berechtigungsmodell verwalten oder eine separate Suchinfrastruktur beschaffen. Genie Search ist heute in Genie und für die Asset-Suche auf der Discover-Seite verfügbar.

Erlangtes Wissen ist der größte Teil von Genie Ontology und reicht mit dieser Version über den Workspace hinaus in externe BI-Tools und die organisatorischen Beziehungen, die bestimmen, wessen Wissen für jede Person am relevantesten ist.
Ontology Snippets, jetzt allgemein verfügbar, sind die Einheiten, die das gelernte Wissen von Genie Ontology bilden. Genie erstellt sie automatisch und kontinuierlich aus den Dashboards, SQL-Abfragen und Notebooks, die Benutzer bereits verwenden, und aktualisiert sie, wenn sich diese Arbeit ändert, sodass die Ontologie mit dem Geschäft Schritt hält, ohne dass jemand sie manuell pflegen muss. Jedes Snippet bleibt mit dem Asset verknüpft, aus dem es stammt, und übernimmt die Berechtigungen dieses Assets, was bedeutet, dass Genie nur auf den Kontext zurückgreift, den der Benutzer bereits sehen darf. Wenn Genie ein Snippet zitiert, können Benutzer sehen, woher die Definition stammt, wer sie verfasst hat und warum ihr vertraut wurde.

Ein Großteil der Geschäftslogik eines Unternehmens befindet sich bereits in den semantischen Modellen von BI-Tools wie Power BI, Tableau und Sigma, und das Neuerstellen für jede KI-Initiative dupliziert Arbeit und erzeugt Kontexthafte. Externe Wissensquellen, jetzt in der Beta-Phase, bringen diese Logik in Genie Ontology, indem sie sich mit externen BI-Plattformen verbinden, semantische Modelle, Messwerte, berechnete Spalten und Beziehungen identifizieren und daraus Ontology Snippets generieren. Power BI wird heute unterstützt. Unterstützung für Tableau und Sigma folgt in Kürze, gefolgt von Linienunterstützung. Um loszulegen, lesen Sie die Produktdokumentation.

Geschäftswissen ist nur die halbe Miete. Damit es nützlich ist, müssen Agenten auch die Personen dahinter verstehen und wissen, wie sie zu der anfragenden Person stehen. Organisationsverzeichnisse, jetzt allgemein verfügbar, bringen diesen Kontext in Genie Ontology. Beginnend mit Workday importieren sie Personen, Teams und Berichtsbeziehungen, wodurch diese über einen Personen-Browser in Genie zugänglich werden.
Genie Ontology kombiniert diese formalen organisatorischen Beziehungen mit Aktivitätssignalen, die offenbaren, wer tatsächlich durch die von ihnen erstellen, geteilten und verwendeten Assets zusammenarbeitet. OntoRank nutzt beide, um dem Wissen von Teamkollegen und engen Mitarbeitern ein größeres Gewicht zu verleihen, und hilft Agenten dabei, Antworten zu liefern, die für jeden Benutzer relevanter sind.

Genie Ontology lernt und verbessert sich kontinuierlich durch die Nutzung, aber die Qualität der Antworten eines Agenten hängt dennoch von der Genauigkeit des Wissens ab, auf das er sich stützt. Aus diesem Grund benötigen Organisationen die Möglichkeit, ihre Ontologie zu überprüfen, zu verfeinern und zu steuern. Databricks stellt diese Funktionen innerhalb derselben Plattform bereit, die die zugrundeliegenden Daten steuert, und stellt sicher, dass Agenten auf vertrautem Geschäftskontext arbeiten.
Die Governance baut auf den Kontrollen auf, die Organisationen bereits in Databricks verwenden. Unity Catalog steuert das zugrundeliegende Wissen, verwaltet Berechtigungen, Herkunft und Definitionen, um sicherzustellen, dass Benutzer und Agenten nur auf das zugreifen, was sie sehen dürfen. Unity Gateway steuert, wie Agenten mit diesem Wissen interagieren, und kontrolliert Verbindungen, Nutzungslimits, Leitplanken und Auditing. Zusammen bieten sie eine konsistente Governance, wenn Genie Ontology auf mehr Agenten und Systeme ausgeweitet wird, ohne eine separate Steuerungsebene einzuführen.
Domains und Subdomains, jetzt allgemein verfügbar, verleihen Genie Ontology ihre organisatorische Struktur. Sie gruppieren Daten- und KI-Assets nach ihrem Geschäftszweck, sodass Genie, wenn derselbe Begriff für verschiedene Teams unterschiedliche Bedeutungen hat, basierend auf der zugehörigen Domain die Definition anwenden kann, die am besten zur Frage passt. Domains ermöglichen es Benutzern auch, Daten auf der Discover-Seite basierend darauf zu durchsuchen und zu finden, wie ihr Unternehmen organisiert ist. Die Kuration und Verwaltung kann auf Domain- oder Subdomain-Ebene delegiert werden, sodass Finanzen und Marketing jeweils ihre eigenen Definitionen und Assets pflegen können, ohne auf ein zentrales Team angewiesen zu sein.

„Die Daten leichter auffindbar und verständlich zu machen, ist ein wichtiger Teil davon, wie wir unsere Analysefunktionen in der gesamten Fluggesellschaft weiterentwickeln. Databricks Domains bietet uns einen klareren, intuitiveren Weg zur Organisation unserer Daten und hilft unseren Teams, sich in einer zunehmend komplexen Datenlandschaft mit größerer Zuversicht zu bewegen.“- Tom Barber, Head of BI & Advanced Analytics, Virgin Atlantic
„Domains und Subdomains machen es für Geschäftsanwender einfach, die in ihrer Rolle benötigten Datenassets zu finden und darauf zuzugreifen.“- Michael Poremba, Senior Manager, Data Architecture, McAfee
Unity Catalog Pages, jetzt allgemein verfügbar, stellen Ihre maßgeblichen Definitionen für Genie Ontology bereit. Jede Seite ist eine gesteuerte Erklärung eines Geschäftsbegriffs, einer Entität oder eines Akronyms mit einem benannten Besitzer und einem Zuhause in einer Domain oder Subdomain. Wenn eine Frage ein definiertes Konzept betrifft, behandelt Genie die Seite als Quelle der Wahrheit, bevorzugt sie gegenüber gelerntem Kontext und zitiert sie, damit Benutzer die Antwort überprüfen können.
Agents können Seiten erstellen und sie auch nutzen. Teams können den Befehl „Bulk import Pages“ in Genie Code verwenden, um Seiten aus MCP-verbundenen Tools wie Confluence, Slack, Google Docs und GitHub zu entwerfen, oder die öffentliche API nutzen, um sich mit vorhandenen Wissensplattformen zu synchronisieren. Seiten verlinken direkt auf Unity Catalog-Assets, Dashboards und andere Seiten, und jede davon bleibt unter der Kontrolle ihres benannten Eigentümers.

„Was früher in einem früheren Job zwei Wochen dauerte, kann ich jetzt in fünf Minuten erledigen. Mit Unity Catalog Pages versteht Genie, wie Agrifirm aktive und inaktive Kunden definiert und Inaktivitätszeitfenster berechnet, wodurch komplexe historische Analysen schneller und transparenter werden. Indem Genie die Methodik hinter den Zahlen aufzeigt, hilft es uns, von Anfang an Vertrauen in seine Antworten aufzubauen.“ - Henri van Dijk, Data Governance and Quality Assurance Officer, Agrifirm
„Mit Unity Catalog Pages können wir unseren Genie Agents eine vertrauenswürdige Quelle für Unternehmenswissen zur Verfügung stellen, die nach Ontologie priorisiert ist und zu viel besseren Antworten auf sehr spezifische Fragen führt. Und da wir Pages verwenden, um Branchenbegriffe und Akronyme zu definieren, können die Anweisungen jedes Agents viel schlanker gehalten werden, was zu einem besseren Arbeitsspeicher und wiederum zu besseren Antworten führt.“- Ian Smith, Databricks Platform Manager, Waste Connections
Wenn Agents die Ontologie erweitern, müssen die dafür Verantwortlichen sehen können, was sie weiß, wo sie Defizite hat und das wichtigste Wissen kuratieren. Der Ontology Manager, der bald in der Beta-Version erscheint, ist die erste visuelle Benutzeroberfläche für diese Arbeit. Data Stewards und Context Engineers bewerten den Gesamtzustand der Ontologie, identifizieren die größten Lücken, legen die übergeordnete Domänenstruktur fest und konfigurieren externe Wissensquellen. Fachexperten organisieren und kuratieren das Wissen in ihrem Geschäftsbereich, und Business-User können den Kontext, den Genie nutzt, im Rahmen ihrer bestehenden Berechtigungen einsehen.
Der Ontology Manager zeigt auch Chancen mit großer Wirkung auf, wie etwa Domänen mit geringer Abdeckung oder häufig gestellte Konzepte ohne geregelte Definitionen. Stewards können von einer Überprüfungswarteschlange aus das von Agents Gelernte direkt in maßgebliche Pages überführen. Ein interaktives Diagramm ermöglicht Benutzern das Erkunden von Entitäten und Beziehungen innerhalb der Genie Ontology und das Erstellen neuen Wissens, während eine hierarchische Ansicht die tägliche Kuratierung innerhalb einer bestimmten Domäne unterstützt. Weitere Informationen zum Ontology Manager finden Sie im Produkt-Demo-Video.

„Wir schätzen es, dass Genie Ontology den Kontext hinter Antworten transparenter und überprüfbar macht; Zitate ermöglichen es Benutzern, Antworten bis zu den zugrunde liegenden Quellen und Geschäftsdefinitionen zurückzuverfolgen, was dazu beiträgt, Vertrauen aufzubauen und die Erfahrung für unsere Stakeholder zu verbessern.“- Jehan Saga, Manager of Data Engineering, Superhuman
„Genie Ontology ist genau das, was wir brauchen, um KI zu skalieren, ohne den Geschäftskontext zu verlieren, der sie nützlich macht. Sie ist ein echter Multiplikator für unsere Data-Teams.“ - Noah Cepela, SVP, Analytics and Insights, Mode Global
„Databricks Ontology mit Genie Code hat für uns alles verändert. Wir verwenden sie zum Erstellen von Dashboards, Apps, KI-Agents und mehr. Power BI-Berichte, die früher Tage für die Erstellung benötigten, können mit Genie Code jetzt in Stunden erstellt werden, und unsere Analysten sind von der Erfahrung so begeistert, dass sie bereits planen, mehr ihrer Berichte zu Databricks Dashboards zu migrieren. Die Auswirkungen gehen weit über das Berichtswesen hinaus: Analysten, die zuvor hauptsächlich in Excel und SQL gearbeitet haben, nutzen nun Genie Code, um Databricks Apps zu erstellen, die unsere Betriebsteams unterstützen. Indem wir diese Funktion direkt in die Hände der Analysten legen, konnten wir Lösungen viel schneller bereitstellen und unseren Betriebsteams jeden Monat über 1.000 Arbeitsstunden einsparen.“- Kyle Burke, VP, Data Platform, BHG Financial
„Unternehmenssemantiken haben unsere Genie-Erlebnisse über Genie, Agent und Code hinweg genauer und kontextbezogener gemacht. Anstatt Unternehmenswissen durch Fähigkeiten und Anweisungen in einzelne Agents einzubetten, können wir es einmal etablieren und über Lösungen und Domänen hinweg verfügbar machen.“- Kristoffer Absalonsen, Enterprise Architect, Odfjell Technology
„Bei Zepto möchten wir, dass KI versteht, wie unser Geschäft funktioniert, und nicht nur die Daten verarbeitet, die sie erhält. Genie Ontology hilft uns dabei, indem sie Geschäftsdefinitionen und Kontext zusammenführt. Metriken wie Auftragsabwicklungszeit, Liefer-TAT und Erfüllungsrate sind beispielsweise nur dann sinnvoll, wenn sie im richtigen Geschäftskontext verstanden werden. Dies hilft der KI, über das Berichten von Metriken hinauszugehen, sie zu interpretieren und Geschäftsdaten in umsetzbare Erkenntnisse umzuwandeln.“- Deepak Siroya, VP of Analytics, Zepto
Genie Ontology ist ab sofort allgemein verfügbar (Generally Available). Unternehmen können mit dem Kontext beginnen, den sie bereits haben, die wichtigsten Definitionen in Unity Catalog verwalten und Genie Ontology den Rest aus der täglichen Arbeit ihrer Teams lernen lassen. Weitere Informationen:
Dies ist eine von vielen Ankündigungen während unserer Week of Genie. In den kommenden Tagen werden wir Neuerungen zu Genie, Genie Agents und Genie MCP vorstellen, die alle auf der hier eingeführten agentenbasierten Ontologie aufbauen.
Wir können es kaum erwarten zu sehen, wie Genie Ontology Ihnen hilft, zuverlässige KI-Agents in Ihrem gesamten Unternehmen einzusetzen.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Genie Ontology, Business Intelligence, Data Visualization, MCP und Genie Code
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.