Dando vida a las visualizaciones en sistemas multiagente con Vega‑Lite

El desafío de la visualización en la entrega multiplataforma

Su equipo ha trabajado arduamente para crear un agente supervisor que analiza con precisión los ingresos del cuarto trimestre (Q4) e identifica los impulsores del crecimiento. El siguiente desafío consiste en hacer que estos insights estén disponibles donde las partes interesadas realmente trabajan, como en Microsoft Teams. Debido a que cada plataforma externa utiliza un lenguaje visual único, la integración de respuestas gráficas enriquecidas puede ser difícil, lo que a menudo obliga a los agentes a recurrir a tablas de texto básicas.

Aquí es donde la flexibilidad inherente del agente supervisor se convierte en una clara ventaja. Databricks diseñó el framework de agentes para admitir una amplia personalización a través de herramientas como Unity Catalog Functions y el Model Context Protocol (MCP). Al aprovechar estas integraciones junto con Vega-Lite, los desarrolladores pueden superar las limitaciones específicas de la plataforma y crear visualizaciones portátiles y de alta calidad. Este enfoque garantiza que el agente supervisor ofrezca insights gráficos y claros que mantengan su contexto e impacto, independientemente de la aplicación de destino.

Comprender la arquitectura del Supervisor

Agent Bricks facilita la IA lista para producción a través de un agente supervisor que organiza herramientas especializadas para gestionar consultas multidominio. En las nubes y regiones compatibles de Databricks, esta arquitectura permite que un supervisor delegue tareas de forma inteligente:

• Genie Spaces: maneja consultas SQL en lenguaje natural en datos estructurados.
• Agentes del asistente de conocimiento: realizan la recuperación y el análisis de documentos (RAG).
• Funciones de Unity Catalog: encapsulan la lógica de negocio personalizada.
• Servidores del protocolo de contexto del modelo (MCP): gestionan las integraciones de terceros.

Este sistema sobresale en la descomposición de tareas. Para una solicitud como “Comparar los ingresos del cuarto trimestre entre regiones”, el Supervisor enruta el análisis cuantitativo a Genie y, al mismo tiempo, consulta a un Asistente de Conocimiento en busca de documentos contextuales.

Ampliación de los sistemas multiagente con visualizaciones gobernadas

Los agentes de datos requieren un método confiable para transformar los datos brutos en información visual procesable. Al combinar Unity Catalog Functions con Vega-Lite, los desarrolladores pueden generar visualizaciones gobernadas y portátiles que los agentes devuelven junto con texto y datos.

• Unity Catalog Functions centralizan y rigen la lógica de visualización, lo que permite a los agentes llamar a una función segura y reutilizable que genera gráficos a partir de datos estructurados.
• Vega-Lite utiliza una especificación JSON concisa para describir gráficos de forma declarativa, lo que permite a los agentes generar visualizaciones sin escribir código de trazado imperativo.

En conjunto, este enfoque permite que los agentes devuelvan visualizaciones gobernadas con la misma facilidad con la que devuelven texto. Vega-Lite también puede reducir la sobrecarga de implementación en comparación con el código de gráficos imperativo, con beneficios adicionales:

• Nativo de API y portátil: las especificaciones JSON se renderizan de forma consistente en todas las API, aplicaciones y herramientas de chat.
• Compatible con LLM: las especificaciones compactas suelen ser más fáciles de generar y validar en ventanas de contexto restringidas.
• Autovalidación: la validación basada en esquemas permite una corrección rápida.
• Prácticas recomendadas incorporadas: los valores predeterminados producen gráficos claros y accesibles de forma automática.
• Seguro por diseño: el JSON declarativo evita los riesgos del código de trazado generado.

El flujo de trabajo del supervisor

Un Agente Supervisor organiza este proceso. Delega la recuperación y el análisis a subagentes, invoca las funciones de Unity Catalog para el posprocesamiento controlado y luego compone la respuesta final.

Flujo de información:

1. Consulta del usuario: “Comparar los ingresos del Q4 entre regiones y mostrar los productos con mejor rendimiento”.
2. Supervisor: descompone la solicitud y la delega a Genie y otras herramientas relevantes.
3. Supervisor: invoca una función de Unity Catalog para producir una especificación de Vega-Lite a partir de resultados estructurados.
4. Supervisor: agrega texto, datos y visualizaciones en una respuesta final.
5. Cliente: renderiza las especificaciones de Vega-Lite en línea.

Ejemplo de llamada a la herramienta del supervisor:

Implementación mediante una Unity Catalog Function

Una estrategia de implementación robusta es una función de Unity Catalog que acepta datos y requisitos de gráficos como entrada y devuelve una especificación válida de Vega-Lite.

La función del generador

La función de UC actúa como una capa de traducción entre los resultados del agente y la visualización:

• Valida los datos de entrada (matriz JSON no vacía)
• Infiere el esquema (campos categóricos vs. cuantitativos)
• Selecciona un tipo de gráfico a partir de la solicitud (por ejemplo: barras, líneas, dispersión)
• Construye una especificación JSON de Vega-Lite con codificación, dimensiones y tooltips

Renderización del lado del cliente

El paso final es renderizar la visualización para el usuario, lo que depende de la plataforma del cliente.

Aplicaciones web: usan vegaEmbed() en JavaScript para analizar la especificación JSON y renderizar un gráfico interactivo en el navegador.

Casos de uso y beneficios en el mundo real

Equipos de servicios financieros, atención médica y ventas están explorando sistemas de agentes con Vega-Lite para impulsar una toma de decisiones más rápida e intuitiva.

Caso de uso: panel de análisis financiero en Teams

Escenario: un director financiero pregunta en Microsoft Teams: “¿Cuál fue nuestro rendimiento en el Q4 en comparación con el pronóstico? Desglósalo por región y categoría de producto”.

Flujo de trabajo de múltiples agentes:

• Supervisor: Descompone la solicitud y enruta las tareas a los agentes de Genie y a una Unity Catalog Function.
• Ejecución de Genie:
  • El agente A devuelve datos de ingresos regionales y una especificación de Vega-Lite para un gráfico de barras con barras de colores según la varianza.
  • El agente B devuelve los datos de la categoría del producto y una especificación de gráfico de barras apiladas que muestra la contribución de la categoría a los totales regionales.
• Síntesis: el supervisor combina estas entradas en una respuesta coherente que incluye un insight narrativo y gráficos interactivos.

Resultados:

El CFO recibe una respuesta enriquecida directamente en Teams, sin tener que navegar a paneles externos. El resultado incluye un resumen de texto de los impulsores clave (por ejemplo, “El Q4 superó el pronóstico en un 8 % en general, impulsado por la región Norte con un +15 % y la categoría de Software con un +22 %, mientras que la región Sur tuvo un rendimiento inferior en un 5 %”), seguido inmediatamente por los gráficos de Vega-Lite. Los usuarios pueden pasar el cursor sobre las barras para revelar los valores exactos a través de tooltips, lo que conserva el contexto de la conversación y, a la vez, permite una exploración profunda.

Beneficios

• Claridad inmediata: las tendencias son visibles de un vistazo en lugar de inferirse de las tablas.
• Exploración interactiva: los estados de hover y los tooltips revelan los valores exactos a pedido.
• Continuidad del flujo de trabajo: los insights permanecen dentro de Teams, no en herramientas de BI externas.
• Tiempo de obtención de insights más rápido: ~30 segundos para una respuesta visual frente a ~30 minutos para exportar, graficar e interpretar manualmente.

Beneficios ilustrativos en todos los casos de uso

Los rangos a continuación son representativos de las observaciones piloto iniciales y deben tratarse como ejemplos direccionales, no como puntos de referencia universales:

Conclusión: Habilitar la inteligencia visual en sistemas de múltiples agentes

Los sistemas multiagente pueden analizar consultas complejas, pero sin visualizaciones, suelen devolver solo texto y tablas. La combinación de Vega-Lite con Unity Catalog Functions permite que los agentes generen visualizaciones gobernadas y portátiles que se renderizan en todas las aplicaciones, a la vez que se respetan los permisos de datos.

Las primeras implementaciones indican un tiempo considerablemente más rápido para obtener información valiosa y una mayor adopción cuando los resultados incluyen elementos visuales. A medida que los sistemas multiagente se convierten en el núcleo de los flujos de trabajo empresariales, la capacidad no solo de calcular respuestas, sino también de mostrarlas, será esencial.

Para comenzar a construir, visite la documentación de Agent Bricks y explore cómo Unity Catalog Functions pueden transformar su ecosistema de agentes.

¿Tiene preguntas sobre la implementación de visualizaciones de Vega-Lite en sus sistemas de agentes? Únase a la discusión en los foros de la comunidad de Databricks.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original