Operationalisierung der Genie-Ontologie in Ihrem Data Stack

Jenseits des semantischen Modells: Gemeinsamen Geschäftskontext für KI-Agenten aufbauen

Große Sprachmodelle können logisch denken, aber sie kennen Ihr Unternehmen nicht. Um einer Unternehmens-KI den benötigten Geschäftskontext zu geben, reicht es nicht aus, sie nur mit Daten zu verbinden. Agenten müssen auch Ihre Definitionen, Beziehungen, Geschäftsregeln, maßgeblichen Quellen und Berechtigungen verstehen. Genie Ontology schließt diese Lücke, indem sie modellierte Geschäftssemantik mit Kontext kombiniert, der aus den verwalteten Tabellen, Abfragen, Dashboards, Notebooks und anderen unterstützten Assets gelernt wird, die Ihre Teams bereits verwenden. Genie bewertet diesen Kontext nach Autorität und Relevanz, wendet Berechtigungen an und liefert Genie zum Zeitpunkt der Beantwortung den nützlichsten Kontext. Externe Agenten können über MCP ebenfalls auf die Intelligenz von Genie zugreifen.

Ein gutes semantisches Modell bietet einen verlässlichen Kern. Semantische Modelle erfassen die Geschäftskonzepte, die Sie bewusst definieren. Eine Ontologie erweitert dieses Fundament um die umfassenderen Beziehungen, das Wissen und den Kontext, den eine KI benötigt, um zu verstehen, wie das Unternehmen tatsächlich funktioniert. In der Databricks-Sprache kombiniert Unity Catalog Semantics Metric Views, Pages und Domains, um Ihre vertrauenswürdigen Geschäftsdefinitionen zu etablieren. Genie Ontology baut dann auf diesem modellierten Kern auf, indem sie abgeleiteten Kontext aus Ihren bestehenden Assets einbezieht. So erhalten Agenten ein weitaus umfassenderes Verständnis des Unternehmens, als es ein semantisches Modell allein bieten könnte.

Der Schlüssel liegt darin, den „Head“ zu modellieren und Genie Ontology den „Tail“ ableiten zu lassen. Genie arbeitet mit dem, was es vom ersten Tag an automatisch lernen kann, während eine gezielte Kuratierung die kritischen Definitionen und Quellen verbessert, die absolut korrekt sein müssen.

Die folgenden sechs Ebenen sind fortschreitende Praktiken zur Steigerung des Vertrauens im Laufe der Zeit, keine Voraussetzungen dafür, dass Genie einen Mehrwert liefert.

Sehen wir uns die einzelnen Ebenen genauer an, um ein besseres Verständnis zu bekommen.

Ebene 0: Schaffen Sie das richtige Datenfundament für Agenten

Bevor Sie etwas beschreiben oder modellieren, müssen die zugrunde liegenden Daten in einer Form vorliegen, über die ein Agent logische Schlüsse ziehen kann. Auf dieser Ebene geht es um das physische Fundament: saubere Datentabellen, solide Schemata und eine konsistente Identität pro realer Entität. Die logische Geschäftsmodellierung folgt erst später in Ebene 2. Diese Ebene wird leicht übersprungen, ist aber später teuer zu korrigieren, da selbst die besten Metadaten oder semantischen Modelle ein fehlerhaftes physisches Fundament nicht ausgleichen können.

Ein solides Datenfundament zu schaffen bedeutet, sich auf zwei Schlüsselbereiche zu konzentrieren:

1. Modellieren Sie die beständige Gold-Schicht um Geschäftsprozesse herum. Dazu gehört die Identifizierung von Fakten mit einer klaren Granularität und wiederverwendbaren, abgestimmten Dimensionen. Ein Sternschema oder ein Hybridmodell bietet Ihnen ein zuverlässiges Fundament aus Fakten und Dimensionen, ohne dass Sie die Geschäftslogik in jede nachgelagerte Tabelle kopieren müssen. Das bedeutet nicht, dass Agenten über rohe Dimensionstabellen logische Schlüsse ziehen sollten. Die Schnittstelle, die ein Agent sieht, kann und sollte oft schmaler sein: ein Metric View oder eine speziell entwickelte Ansicht, die die gemeinsamen Dimensionen für eine Domäne vorab verknüpft, nur die relevanten Felder anzeigt, die Granularität dokumentiert und ihre Kennzahlen kanonisch definiert. Genau das werden Sie in Ebene 2 aufbauen. Der Punkt ist, die Konsumtionsoberfläche bewusst auf einem soliden Modell aufzubauen, anstatt einen Agenten auf einen ungeordneten Daten-Dump loszulassen. Eine breite Tabelle ist nicht das Problem. Eine breite Tabelle mit gemischten Granularitäten, duplizierten Geschäftskonzepten und ohne kanonische Metrikdefinitionen lädt jedoch zu Spekulationen ein.
2. Führen Sie Entitäten zu Golden Records zusammen. Wenn „Kunde“ im Vertrieb aktive Konten bedeutet und im Support jedes jemals erstellte Konto, weiß ein Agent nicht, welcher Definition er vertrauen soll. Wenn derselbe Kunde systemübergreifend drei verschiedene IDs hat, kann er zudem doppelt gezählt werden. Führen Sie dieselbe reale Entität über verschiedene Quellen hinweg zusammen, sodass ein Kunde auch wirklich ein Kunde ist.

Ebene 1: Bereichern Sie Ihre Metadaten

Metadaten sind das beschreibende Fundament, das sowohl der semantischen Ebene als auch der Kontext-Extraktion hilft, Ihre Daten zu verstehen. Wenn eine Tabelle fct_rev_daily und eine Spalte rev_amt heißt, muss ein Agent raten, was sie bedeuten. Wenn dieselbe Tabelle eine Beschreibung wie „täglich realisierter Umsatz, abzüglich Rückerstattungen, nach Produkt“ enthält und die Spalte einen Kommentar wie „realisierter Umsatz in USD“ aufweist, hat der Agent eine konkrete Grundlage für seine Schlüsse. Gute Beschreibungen gehören zu den rentabelsten und kostengünstigsten Investitionen, die Sie tätigen können, und sie verbessern jedes nachgelagerte Tool, nicht nur Genie.

Hier are drei wesentliche Schritte, die Sie unternehmen sollten.

1. Fügen Sie Tabellenbeschreibungen und Spaltenkommentare in Unity Catalog hinzu. Schreiben Sie so, dass es ein neuer Analyst versteht, der Ihr Schema nicht kennt: Erklären Sie, was die Daten darstellen, welchen geschäftlichen Zweck sie haben, und weisen Sie auf bekannte Einschränkungen hin. Konzentrieren Sie Ihre Bemühungen dort, wo es sich am meisten auszahlt – auf den kuratierten, geschäftsfertigen Tabellen, die von Dashboards und Agenten tatsächlich abgefragt werden.
2. Wenden Sie Tags an, um zu klassifizieren und zu organisieren. Beschreibungen liefern die inhaltliche Bedeutung, während Tags strukturierte Signale für Klassifizierung, Auffindbarkeit und Governance bieten. Verwenden Sie sie, um Vertraulichkeit (PII, PHI, PCI), Eigentümerschaft, Geschäftsfunktion und andere Attribute zu erfassen, die im gesamten Datenbestand einheitlich verstanden werden müssen. Verwaltete Tags ermöglichen es Administratoren, einen genehmigten Satz von Schlüsseln und Werten zu definieren, sodass die Klassifizierung konsistent bleibt und nicht von Team zu Team abweicht. Diese Signale können später auch in Zugriffsrichtlinien und andere Governance-Kontrollen einfließen.
3. Automatisieren Sie den ersten Durchlauf, wenn das Volumen eine manuelle Arbeit unpraktisch macht. Der Databricks Solution Accelerator dbxmetagen verwendet große Sprachmodelle, um Beschreibungen zu generieren, sensible Daten zu erkennen und zu taggen sowie Klassifizierungen vorzuschlagen. Es wird nichts in Unity Catalog geschrieben, bevor ein Mensch es überprüft und freigegeben hat. So wird die Arbeit beschleunigt, anstatt die menschliche Beurteilung zu ersetzen.

Ebene 2: Modellieren Sie das Geschäft mit einer semantischen Ebene

Metadaten erklären einzelne Tabellen. Die semantische Ebene definiert die darüber liegende Geschäftslogik, sodass die wichtigsten Kennzahlen überall dort, wo sie verwendet werden, dasselbe bedeuten. Während Ebene 0 das physische Fundament etabliert hat, erstellt diese Ebene das logische Modell: Kennzahlen, Beziehungen, Domänen und Begriffe.

Hier sind vier wichtige Schritte:

1. Deklarieren Sie Ihre Beziehungen. Agenten verknüpfen Tabellen, um Fragen zu beantworten. Wenn sie raten müssen, wie Tabellen miteinander verbunden sind, liegen sie manchmal falsch. Das Deklarieren von Primär- und Fremdschlüsseln in Unity Catalog zeigt Agenten, wie Tabellen zusammenhängen, sodass sie korrekt verknüpft werden, anstatt Pfade zu erfinden. Diese Einschränkungen dienen nur zur Information und werden nicht erzwungen, sodass Ihr Governance-Prozess für deren Richtigkeit sorgen muss. Das Deklarieren ist jedoch einer der direktesten Wege, um Verknüpfungsfehler zu reduzieren. Beziehungen sind ebenso Teil des Modells wie die Metriken selbst.
2. Erstellen Sie ein semantisches Modell mithilfe von Metric Views. Ein Metric View ist ein Unity Catalog-Objekt, das Ihre Kennzahlen (die aggregierten Zahlen wie der Gesamtumsatz) und Dimensionen (die Art und Weise, wie Sie sie aufteilen, wie Region oder Monat) einmalig als verwalteten Code definiert. Da die Aggregation zum Zeitpunkt der Abfrage aufgelöst und nicht fest integriert wird, nutzen Konsumenten, die den Metric View abfragen, dieselbe verwaltete Definition. Dies ist einer der wichtigsten Schritte für die Genauigkeit, da dadurch Unklarheiten beseitigt werden, die dazu führen könnten, dass Agenten die falsche Definition wählen. Definieren Sie Ihre kritischen KPIs zuerst als Metric Views: Dies sind die Zahlen, die absolut fehlerfrei sein müssen, wie Umsatz, aktive Kunden und zentrale Compliance-Kennzahlen.
3. Fügen Sie Ihren Metriken für Agenten sichtbare Metadaten hinzu. Metric Views können Anzeigenamen und Synonyme enthalten, sodass natürliche Sprache wie „Umsatz“ der richtigen Kennzahl zugeordnet wird, ebenso wie Formatmuster für Währungen und Daten sowie Beispielabfragen. Diese Metadaten fließen in Genie Ontology ein, sodass die Arbeit, die Sie zur Modellierung einer Metrik aufwenden, es auch einem Agenten erleichtert, diese korrekt zu finden und zu verwenden.
4. Organisieren und dokumentieren. Unity Catalog Domains und Subdomänen gruppieren Assets in geschäftlich ausgerichtete Sammlungen, sodass der Kontext eingegrenzt bleibt. Dies verbessert die Geschwindigkeit und Genauigkeit von Genie, da es seine Suche auf Assets in relevanten Geschäftsbereichen konzentrieren kann, anstatt den gesamten Bestand zu durchsuchen. Unity Catalog Pages erfassen die gemeinsamen Geschäftsbegriffe, Konzepte und Definitionen, die geschäftliche Anwender und Agenten für ihre logischen Schlüsse nutzen. Jede Page listet die maßgeblichen Assets auf, die mit diesem Konzept verknüpft sind. Wenn die Ontologie also einen Begriff aus einer Frage auflöst, weiß sie bereits, auf welche Tabellen, Metric Views und Abfragen sie zurückgreifen muss, anstatt den gesamten Bestand zu durchsuchen und zu raten. Die Überprüfung durch die Eigentümer sorgt dafür, dass diese Definitionen vertrauenswürdig bleiben. Da sie von Menschen festgelegt und überprüft wurden, besitzen sie eine höhere Autorität als abgeleiteter Kontext, wenn die Ontologie einen Konflikt lösen muss.

Semantische Modellierung mit Genie Code automatisieren

Natürlich muss die semantische Modellierung kein rein manueller Aufwand sein. Sie können Genie Code nutzen, um Metric Views mithilfe von Anweisungen in natürlicher Sprache zu erstellen und zu pflegen. Beschreiben Sie im Genie Code-Prompt die Quelltabellen, Joins, Felder, Measures und Filter, und das Tool generiert die YAML-Datei, die Sie vor dem Speichern überprüfen können. Sie können auch den Skill /importBI in Genie Code verwenden, um semantische Modelle aus Tableau oder Power BI zu importieren. Daraus wird eine Metric View erstellt, die Sie anschließend in Unity Catalog bereitstellen, um Wiederverwendbarkeit, Governance, Lineage und Auffindbarkeit zu gewährleisten.

Genie Code kann auch Entwürfe für Pages erstellen. Wählen Sie im Page-Editor eine Domain aus, hängen Sie relevante Dateien, Links, Unity Catalog-Assets oder über MCP verbundene Inhalte an, und Genie Code entwirft die strukturierten Felder und den Rich-Text-Inhalt der Page. Überprüfen Sie den Entwurf, fügen Sie die entsprechenden Quellen (Sources) und zugehörigen Assets (Related Assets) hinzu und speichern oder veröffentlichen Sie ihn anschließend. Für mehrere Konzepte können Sie den Massenimport von Pages nutzen. Genie Code extrahiert und dedupliziert vorgeschlagene Pages aus Ihren Dokumenten und Quellen, markiert Konflikte, Duplikate und Begriffe mit geringer Konfidenz zur Überprüfung und erstellt die genehmigten Pages als Entwürfe für die spätere Bearbeitung und Veröffentlichung.

Ebene 3: Kontextreiche Assets kuratieren

Der abgeleitete Teil der Ontologie lernt aus den Assets, die Ihre Teams bereits erstellen, wie Dashboards, Notebooks, SQL-Abfragen, Genie Agents und Dokumentationen. Je reichhaltiger und vertrauenswürdiger Ihr Datenbestand ist, desto nützlicher wird der abgeleitete Kontext. Bei Ebene 3 geht es darum, diese Assets so zu gestalten, dass es sich lohnt, von ihnen zu lernen.

Hier sind vier wesentliche Schritte:

1. Bauen Sie eine umfassende, aktiv genutzte Asset-Basis auf. Ein Workspace mit vielen gut dokumentierten, häufig genutzten Dashboards, Abfragen und Genie Agents bietet der Ontologie mehr Lernmaterial als ein spärlich ausgestatteter Workspace. Da diese Assets genutzt und verbessert werden, werden die für die Kontext-Extraktion verfügbaren Signale reichhaltiger.
2. Gestalten Sie Ihre Assets kontextreich. Je reichhaltiger ein Asset ist, desto mehr kann die Ontologie daraus lernen. Wenn Sie einen Genie Agent mit Definitionen, Beispielen und Anweisungen anreichern, erhalten Sie nicht nur einen leistungsfähigeren Agenten, sondern liefern der Genie-Ontologie auch einen stärkeren Kontext, den sie im gesamten Bestand extrahieren und bewerten kann. Tun Sie dasselbe für Ihre anderen Assets: Dokumentieren Sie Notebooks mit Markdown-Zellen, gespeicherte SQL-Abfragen mit Kommentaren und AI/BI-Dashboards mit Beschreibungen und Anmerkungen. Zusammen liefern diese das reichhaltige, spezifische Geschäftswissen (Long-Tail), auf das die Genie-Ontologie zurückgreift.
3. Zertifizieren Sie die Assets, denen Sie vertrauen. Zertifizierung kennzeichnet Ihre Daten- und KI-Assets wie Metric Views, Genie Agents oder Notebooks als validiert und genehmigt und dient als starkes Signal dafür, welche Quellen maßgeblich sind. Zertifizierte und weit verbreitete Assets besitzen mehr Autorität als ungeprüfte. Die Zertifizierung Ihrer vertrauenswürdigen Assets beeinflusst also direkt, welcher Kontext im Falle eines Konflikts bevorzugt wird. Das Aussondern (Deprecating) veralteter Assets ist die andere Seite der Medaille: Es lenkt sowohl Menschen als auch Agenten von Inhalten ab, hinter denen Sie nicht mehr stehen.
4. Klassifizieren Sie sensible Daten und überwachen Sie die Qualität. Die Datenklassifizierung identifiziert und kennzeichnet sensible Daten, damit sie einheitlich verwaltet werden können. Die Datenqualitätsüberwachung erkennt Abweichungen (Drift) und Anomalien, bevor sie sich auf die Personen und Agenten auswirken, die auf diese Daten angewiesen sind. Beides trägt dazu bei, dass die Assets, die in die Ontologie einfließen, vertrauenswürdig sind.

Ebene 4: Die Governance-Ebene aufbauen

Governance sorgt dafür, dass die Antworten von Genie sicher und vertrauenswürdig sind. Da Berechtigungen bestimmen, welchen Kontext die Genie-Ontologie abrufen kann, können zwei Personen dieselbe Frage stellen und unterschiedliche Antworten erhalten – je nachdem, wozu sie jeweils berechtigt sind.

Sehen wir uns die Governance in drei spezifischen Bereichen an:

1. Beginnen Sie mit den Zugriffskontrollen von Unity Catalog. Das Berechtigungsmodell von Unity Catalog bildet das Fundament. Es steuert den Zugriff auf Kataloge, Schemata, Tabellen und andere Workspace-Assets, und die Genie-Ontologie respektiert diese Berechtigungen. Genie verwendet nur Inhalte, für die der Fragesteller autorisiert ist. Daher können identische Fragen je nach Benutzer zu unterschiedlichen Antworten führen. Die Verwaltung des Zugriffs über Gruppen statt über Einzelpersonen erleichtert die Pflege der Berechtigungen bei zunehmender Skalierung.
2. Fügen Sie feingranulare Kontrollen hinzu, wo die Daten es erfordern. Bei sensiblen Daten schränkt die Sicherheit auf Zeilenebene (Row-Level Security) ein, welche Zeilen ein Benutzer sehen kann, und die Spaltenmaskierung (Column Masking) blendet sensible Werte aus. Beide werden zum Zeitpunkt der Abfrage erzwungen. Die attributbasierte Zugriffskontrolle (Attribute-Based Access Control) ermöglicht es Ihnen, diese Schutzmaßnahmen über verwaltete Tags zu steuern. So gilt eine Richtlinie, die an ein Vertraulichkeits-Tag gebunden ist, überall dort, wo dieses Tag vorkommt, anstatt Tabelle für Tabelle definiert werden zu müssen. Dies bietet eine skalierbare Möglichkeit, den Schutz auf Zeilen- und Spaltenebene konsistent über einen großen Bestand hinweg durchzusetzen.
3. Verwalten Sie die KI-Ebene (AI Layer). Unity AI Gateway bietet Administratoren eine zentrale Stelle zur Verwaltung von Modellzugriffen, Ratenbegrenzungen (Rate Limits), Payload-Protokollierung und Kostenkontrollen für KI-Workloads sowie Sicherheits- und Datenschutz-Kontrollen für Daten, die an Modelle gesendet werden. Es ist der Kontrollpunkt zur Steuerung des Agentenverhaltens und der Ausgaben bei steigender Nutzung.

Zusammenfassend bestimmen diese Kontrollen, welchen Kontext die Ontologie abrufen kann und welche Benutzer diesen erhalten dürfen. Nicht autorisierte Inhalte werden beim Abruf nicht berücksichtigt und können eine Antwort daher auch nicht indirekt beeinflussen.

Ebene 5: Evaluieren und verbessern

Die ersten fünf Ebenen bauen den geschäftlichen Kontext auf, den Genie zur Beantwortung von Fragen nutzt. Die Ebene „Evaluieren und verbessern“ sorgt dafür, dass dieser Kontext bei geschäftlichen Veränderungen präzise bleibt. Metriken werden neu definiert, Tabellen veralten und neue Produkte werden eingeführt. Die regelmäßige Messung der Antwortqualität hilft zu erkennen, wann sich die Ontologie anpassen muss, noch bevor veraltete oder fehlerhafte Antworten das Vertrauen der Benutzer untergraben.

Es gibt vier Schlüsselbereiche zu berücksichtigen:

1. Validieren Sie die Benutzererfahrung vor dem Rollout. Beginnen Sie mit einer repräsentativen Auswahl an geschäftlichen Fragen für jede prioritäre Domain. Definieren Sie die erwartete Antwort, die maßgebliche Quelle und die Akzeptanzkriterien für jede Frage. Testen Sie diese Fragen dann in Genie One und stellen Sie sicher, dass sie die Metric Views, Pages, Genie Agents, Dashboards, Abfragen und andere Quellen beanspruchen, auf die sich die Benutzer verlassen werden. Genie Agent Benchmarks bieten eine integrierte Möglichkeit, einen einzelnen Genie Agent im Laufe der Zeit zu evaluieren. Im Chat-Modus können Benchmarks die Ergebnisse mit validierten SQL-Antworten vergleichen. Im Agent-Modus werden die Antworten mithilfe eines LLM-Judges und optionaler Evaluierungskriterien bewertet. Für Genie One und im weiteren Sinne für die Genie-Ontologie sollte Ihr Team den Fragensatz, die Ground Truth (Grundwahrheit), die Quellenvalidierung, den manuellen Überprüfungsprozess und die Akzeptanzschwellen definieren und verantworten. Wenn eine Antwort fehlschlägt, führen Sie sie auf die zugrunde liegende Quelle oder den Kontext zurück und beheben Sie die Ursache. Das kann bedeuten, dass Sie eine verwaltete Metriklogik in einer Metric View definieren, eine geschäftliche Definition in einer Page klären, die Metadaten in Unity Catalog verbessern, ein Asset zertifizieren oder aussondern oder die Kuratierung eines domänenspezifischen Genie Agents verfeinern.
2. Antworten, Nutzung und Quellqualität überwachen. Nutzen Sie die Monitoring-Funktionen der Assets, die von Genie Ontology verwendet werden. Genie Agent Monitor bietet Einblick in einzelne Fragen, Antworten, Feedback, markierte Antworten und Nutzungstrends von Agents. In Genie One helfen Quellenangaben Benutzern und Administratoren zu prüfen, welche Ontology-Quellen zu einer Antwort beigetragen haben. Der Abfrageverlauf (Query History), Audit-Protokolle und Tabellen des Abrechnungssystems können zusätzlichen Einblick in SQL-Ausführungen, Ereignisse und die Nutzung bieten.
3. Schließen Sie den Feedback-Kanal auf der richtigen Ebene. Erfassen Sie Benutzer-Feedback und Überprüfungsanfragen und leiten Sie das Problem an das für die Antwort verantwortliche Asset weiter. Die Korrektur sollte dort vorgenommen werden, wo die geschäftliche Bedeutung hingehört:
   • Eine Page, wenn das Problem eine geschäftliche Definition oder ein Synonym ist.
   • Eine Metric View, wenn das Problem eine verwaltete Kennzahl, Dimension, Beziehung oder Berechnung ist.
   • Metadaten, Berechtigungen, Zertifizierungen oder Veralterungsmeldungen (Deprecation) in Unity Catalog, wenn das Problem bei einem Quell-Asset liegt.
   • Die Anweisungen eines Genie Agents, Beispiel-SQL, SQL-Ausdrücke, vertrauenswürdige Antworten oder der Knowledge Store, wenn das Problem spezifisch für die Domäne dieses Agents ist. Genie Agents verfügen über mehrere integrierte Funktionen, um Benutzer-Feedback zu erfassen und darauf zu reagieren, darunter Daumen hoch/runter, Überprüfung anfordern, Prüfung des generierten SQLs, als Anweisung hinzufügen und als Benchmark hinzufügen.
4. Achten Sie auf Drift bei Ihren Assets. Drift kann an vielen Stellen auftreten: bei geschäftlichen Definitionen, der KPI-Logik, Tabellenmetadaten, Joins, Dashboards, Notebooks, Pipelines, Anweisungen für Genie Agents und Nutzungsmustern von Quellen. Legen Sie Verantwortliche und einen Überprüfungszyklus für die Assets jeder kritischen Domäne fest. Nutzen Sie bei der Behebung von Drift das bereits erstellte Modell: Pages für maßgebliche Konzepte, Metric Views für verwaltete Kennzahlen und Dimensionen, Domains für Organisation und Stewardship sowie Zertifizierung oder Veralterung (Deprecation), um zu markieren, was empfohlen oder veraltet ist. Halten Sie Quelltabellen, Views, Dashboards, Notebooks und Abfragen auf dem neuesten Stand, da sie alle in den abgeleiteten Kontext einfließen, und nutzen Sie Berechtigungen, um experimentelle oder veraltete Inhalte von Personen und Agents fernzuhalten, die sie nicht sehen sollten. Führen Sie für Genie Agents deren Benchmark-Suites nach wesentlichen Änderungen an ihren Daten, Anweisungen, Beispielen oder vertrauenswürdigen Assets erneut aus.

Die Evaluierung ist keine einmalige Hürde vor dem Start, sondern eine fortlaufende Gewohnheit für jedes Asset, das zu einer Antwort beiträgt. Databricks bietet Ihnen die verwalteten semantischen Assets, Ontology-Retrieval und -Zitate, Evaluierung und Monitoring auf Agent-Ebene sowie die Telemetrie von Systemtabellen. Sie steuern die Ground Truth (Grundwahrheit), die Eigenverantwortung, den Überprüfungsprozess und die regelmäßige Wartung bei, die Genie vertrauenswürdig halten.

Mit einer Domäne beginnen, dann expandieren

Eine wichtige Erkenntnis ist, dass Sie nicht alle sechs Ebenen auf einmal aufbauen müssen. Sie sollten nicht versuchen, das gesamte Unternehmen abzudecken, bevor Sie live gehen. Der praktische Weg besteht darin, einfach mit der Nutzung von Genie zu beginnen, dann eine besonders wertvolle Domäne auszuwählen und gezielt die Definitionen, Quellen, Governance und Evaluierungen zu stärken, auf die es am meisten ankommt. Dies ist ein „Lernen und Erweitern“-Ansatz, anstatt zu versuchen, das Unmögliche auf einmal zu erzwingen.

Wählen Sie diese erste Domäne ganz gezielt aus. Beginnen Sie mit einem wiederkehrenden, aufwendigen Workflow, bei dem Teams bereits viel Zeit damit verbringen, Zahlen manuell abzugleichen, wie z. B. bei einem Forecast-Call oder einem Planungszyklus. An diesen Stellen ist eine vertrauenswürdige Antwort am wertvollsten und Sie wissen bereits, wie „richtig“ aussieht. Fangen Sie in der Praxis klein an: Wählen Sie eine Domäne wie Sales und eine Kennzahl wie ARR und festigen Sie die Basis. Zertifizieren Sie die kritische Kennzahl, definieren Sie die wichtigen Begriffe, identifizieren Sie maßgebliche Assets, regeln Sie den Zugriff und evaluieren Sie die Fragen, auf die es ankommt. Nutzen Sie die Ergebnisse als Orientierung für die nächste Domäne.

Dieser letzte Punkt ist wichtiger, als es klingt. Das Ziel dieser Praktiken ist nicht die technische Vollständigkeit um ihrer selbst willen, sondern Vertrauen: ob ein geschäftlicher Anwender einer Antwort so weit vertraut, dass er danach handelt. Jede Ebene baut ein Stück dieses Vertrauens auf, und die Evaluierungsschleife macht dieses Vertrauen sichtbar und nachvollziehbar, anstatt es zur Meinungssache zu machen.

Zwei Dinge verstärken sich im Laufe der Zeit gegenseitig. Jede aufgelöste Entität, jedes dokumentierte Asset, jede zertifizierte Kennzahl, jede Definition auf einer Glossarseite und jeder verwaltete Datensatz stärkt den maßgeblichen Kern. Und jede Interaktion kann Feedback liefern, das die Teams zur Verbesserung nutzen. Das Ergebnis ist ein gemeinsames geschäftliches Verständnis, das durch die Nutzung besser wird, anstatt zu veralten.

Die Operationalisierung von Genie Ontology ist kein Riesenprojekt für die Datenmodellierung. Es ist eine kontinuierliche, schrittweise Investition in Ihr Datenmodell, Ihre Metadaten, Ihre geschäftliche Semantik, Ihren Unternehmenskontext, Ihre Governance und Ihre Evaluierung – bereitgestellt Domäne für Domäne –, die der AI ein echtes Verständnis Ihres Unternehmens vermittelt.

Mehr erfahren

Wenn Sie mehr erfahren möchten, lesen Sie den Blogbeitrag zur Ankündigung von Genie Ontology und besuchen Sie die Webseiten zu Genie One und Genie Agents. Werfen Sie außerdem einen Blick auf die Webseite zu Unity Catalog Semantics, um mehr über Metric Views zu erfahren. Wir stehen erst am Anfang dessen, was möglich wird, wenn AI auf ein gemeinsames, vertrauenswürdiges Verständnis des Unternehmens zurückgreifen kann. Wir können es kaum erwarten zu sehen, wie Kunden Genie Ontology nutzen, um schnellere Entscheidungen zu treffen, selbstbewusster zu handeln und neue Arbeitsweisen zu etablieren.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag