Cómo la ontología de Genie potencia el desarrollo de productos en Databricks

Los agentes de IA de propósito general son buenos para buscar en la web, razonar y escribir código. Pero si les hace una pregunta sobre su negocio, es probable que obtenga una respuesta incorrecta. El problema no es la inteligencia del modelo, sino la falta del contexto empresarial necesario para interpretar sus datos correctamente: qué tablas son autoritativas, qué reglas de negocio se aplican a sus datos y quiénes son los expertos de confianza. Ese conocimiento institucional está de forma dispersa en paneles, consultas, documentos, aplicaciones e incluso personas, y cambia constantemente a medida que los datos, las definiciones y los equipos evolucionan.

Genie Ontology le da a Genie una comprensión continuamente actualizada de ese conocimiento institucional, incluidas las definiciones de negocio, reglas, relaciones y fuentes de confianza que hacen que su organización sea única. Comienza con los conceptos clave que sus equipos gobiernan y certifican en Unity Catalog. Luego, lo escala a toda la organización complementando este contexto seleccionado con el conocimiento adquirido de los paneles, documentos, consultas, notebooks y aplicaciones conectadas de su organización. Después, OntoRank clasifica ese contexto por autoridad, utilizando señales como la certificación, el uso y la autoría, para que Genie pueda basar sus respuestas en las fuentes más confiables y relevantes para cada pregunta.

Este artículo muestra Genie Ontology en acción para un caso de uso real: la revisión semanal de la adopción de usuarios de Genie One por parte de nuestro equipo de producto. Siga leyendo para saber cómo los PM de Genie utilizan Genie en su trabajo diario.

Ejecutar mi revisión de adopción semanal con un simple prompt

Comienzo mi semana abriendo Genie One ya sea en mi teléfono, en la aplicación de escritorio o en la web. Para ayudarme a priorizar mi semana, le pediré a Genie que cree mi revisión de adopción semanal utilizando la plantilla estandarizada de nuestro equipo, que se encuentra en un Google Doc. El objetivo es encontrar cualquier punto crítico que pueda necesitar atención.

Esta tarea parece sencilla, pero no lo es. Nuestros usuarios trabajan en la web, el escritorio, el móvil, Slack y Teams. Algunos paneles son autoritativos, mientras que otros están desactualizados y deben ignorarse. Y el contexto de negocio relevante se extiende más allá del Lakehouse: los planes viven en Google Docs, los informes de errores en Jira y los comentarios de campo en Slack. Genie necesita comprender las definiciones de negocio correctas, identificar las fuentes más confiables, consultar los datos adecuados y recuperar el contexto relevante en todos estos sistemas. Y lo hace a través de Genie Ontology.

Genie encuentra los datos correctos

Puedo ver a Genie Ontology en acción mientras Genie piensa.

Comienza con los activos de datos relevantes (paneles, agentes, tablas), luego analiza las páginas seleccionadas y, finalmente, explora algunos fragmentos de ontología potencialmente relevantes que ha extraído de nuestros paneles, notebooks, consultas SQL, etc. Por ejemplo, puedo ver que encontramos nuestra vista de métrica certificada de usuarios activos semanales, un KPI gobernado que toda la empresa define de manera consistente. 

Luego, utiliza MCP para buscar en nuestros documentos activos de Google Drive y tickets de Jira. Finalmente, ejecuta SQL en nuestras tablas de uso, combinando el contexto de esas fuentes con un análisis reciente de nuestros datos. Esa combinación es lo que hace que Genie sea potente: Genie reúne la búsqueda y el análisis en tiempo real para responder preguntas que ninguno de los dos podría resolver por sí solo.

Con eso, tengo un documento listo para revisar:

Y crea ese documento muy rápidamente. Después de todo, un agente de IA de propósito general tiene que compensar el hecho de no entender su negocio. Para encontrar el contexto que necesita, puede rastrear esquemas, probar tablas de muestra, leer documentos y ejecutar consultas repetidas para determinar qué definiciones, datos y fuentes son relevantes. Esa exploración de agentes consume tiempo y tokens, y aun así puede llevar a la fuente o interpretación incorrecta. Genie Ontology cambia eso al darle a Genie contexto de negocio antes y durante el razonamiento. Genie puede identificar qué fuentes son autoritativas, comprender cómo usa su empresa sus datos y recuperar el contexto más relevante para la pregunta, en lugar de empezar de cero. Y dado que ese contexto tiene en cuenta los permisos, Genie solo utiliza los datos y el conocimiento a los que el usuario está autorizado a acceder a través de Unity Catalog y las fuentes conectadas.

Revisar las citas de Genie

Quiero asegurarme de que entiendo los datos de origen, así que hago clic en las citas para ver todo lo que Genie utilizó. Veo que usó varias de las vistas de métricas (KPI certificados con una definición gobernada que comparte toda la empresa) y páginas (wikis gobernadas en Unity Catalog) que analizó en el proceso de razonamiento. Esto no es sorprendente; Genie prioriza los activos certificados por humanos antes de explorar por su cuenta.

Pero es imposible seleccionar cada concepto a mano. Por eso también tenemos fragmentos de ontología: datos sobre nuestro negocio que Genie ha aprendido y evaluado automáticamente. Puedo hacer clic en cualquier fragmento para ver su definición completa, de dónde proviene, quién lo creó y su puntuación de autoridad (impulsada por OntoRank). Incluso puedo consultar el perfil del autor para ver en qué dominios trabaja y qué otros fragmentos ha aprendido Genie de ellos.

Hacer una pregunta de seguimiento y pronosticar la tendencia

Mientras leo el documento, me surge una pregunta de seguimiento: ¿por qué aumentaron tanto los nuevos usuarios en los últimos meses? Normalmente, consultaría las tablas de uso para desglosar el aumento por superficie y cuenta, luego buscaría en documentos de hoja de ruta, tickets de Jira e hilos de Slack para investigar las posibles causas. En su lugar, simplemente le pregunto a Genie sobre el aumento.

También quiero saber hacia dónde se dirige esta tendencia. Normalmente, esto implicaría enviar una solicitud a nuestro equipo de ciencia de datos, ponerse de acuerdo sobre las suposiciones y esperar días por un modelo. Sin embargo, el pronóstico está integrado directamente en Genie One, así que simplemente le pedí a Genie que pronosticara y señalara las cuentas a las que hay que prestar atención.

Programar el flujo de trabajo

No quiero tener que acordarme de ejecutar esto cada semana. Por eso, programé esta revisión de adopción. 

Convertir la conversación en un agente compartible

Estas revisiones no son la única ocasión en la que necesito responder preguntas sobre el rendimiento de Genie; mis compañeros de trabajo me piden datos constantemente.

Por suerte, esta conversación sirve como un excelente punto de partida para un agente de Genie. En cuestión de segundos, tengo un compañero de trabajo experto que mi equipo y nuestros líderes pueden usar para hacer preguntas de seguimiento y tomar medidas sobre el rendimiento de Genie, basándose en las fuentes de datos que usamos en esta conversación, así como en conversaciones anteriores sobre este tema.

Comience hoy mismo 

En solo unos pasos, pude preparar una revisión lista para ejecutivos, investigar y pronosticar tendencias emergentes, iniciar un ticket de seguimiento y crear un agente que mi equipo y yo podemos seguir usando. Esto solo fue posible porque Genie entiende nuestro negocio a través de Genie Ontology, calcula resultados en lugar de simplemente recitar documentos y aplica la gobernanza de nuestra organización en todo momento. Te animamos a probar esto con tus propios datos y a compartir tus comentarios mientras seguimos dando forma a esta hoja de ruta juntos. 

Mira la sesión completa bajo demanda: Cerrando la brecha de contexto de AI.

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