Dlaczego AI w firmie zaczyna się od danych

Model rozumie pytanie, ale nie zna zasad obowiązujących w firmie

Model językowy potrafi wyjaśnić, czym jest marża. Nie zna jednak definicji marży stosowanej przez konkretną organizację: czy uwzględnia rabaty potransakcyjne, koszty transportu, korekty faktur i w jakim momencie przypisuje przychód do okresu. Takich ustaleń nie można bezpiecznie pozostawić domysłom modelu.

Podobny problem dotyczy dokumentów. Dwa pliki mogą opisywać tę samą procedurę, ale tylko jeden jest aktualny. Jeżeli aplikacja AI otrzyma oba bez informacji o wersji i obowiązywaniu dokumentu, może udzielić przekonującej, lecz błędnej odpowiedzi.

Wdrożenie AI oparte na danych firmowych wymaga więc nie tylko wyboru modelu, lecz także ustalenia, z jakich informacji może on korzystać, które z nich są wiarygodne i jak należy je interpretować.

Co oznaczają dane gotowe do wykorzystania przez AI?

Nie muszą być idealne. Muszą natomiast spełniać wymagania konkretnego zastosowania. Przy wyszukiwaniu procedur większe znaczenie mają aktualność dokumentów i dostęp do właściwych wersji. Przy pytaniach o wyniki sprzedaży kluczowe będą uzgodnione definicje wskaźników, poprawne relacje między danymi i właściwy moment aktualizacji.

Jakość i spójność. Te same produkty, klienci i jednostki organizacyjne powinny być rozpoznawane w różnych systemach. Duplikaty i rozbieżne identyfikatory łatwo przenoszą się do odpowiedzi AI.
Aktualność. Trzeba wiedzieć, kiedy dane zostały odświeżone i jak szybko zmiany w ERP, CRM lub dokumentacji trafiają do rozwiązania AI.
Kontekst biznesowy. Sama tabela z kolumną Revenue nie mówi, czy chodzi o przychód brutto, netto czy wartość po korektach. Potrzebne są definicje, właściciele i opis sposobu obliczeń.
Uprawnienia i pochodzenie. Źródło odpowiedzi powinno dać się ustalić, a użytkownik nie powinien otrzymywać informacji, do których nie ma dostępu.

Najpierw należy wybrać konkretny przypadek użycia i sprawdzić, czy dostępne dane pozwalają go obsłużyć. Porządkowanie całej organizacji przed pierwszym projektem AI bywa równie niepraktyczne jak wdrożenie bez żadnej kontroli jakości.

Warstwa semantyczna i dokumenty pełnią różne role

W analizach liczbowych dobrym punktem wyjścia jest model semantyczny Power BI. Definiuje relacje, miary i pojęcia biznesowe, dzięki czemu raportowanie nie wymaga za każdym razem odtwarzania tych samych obliczeń. Jeżeli rozwiązanie AI korzysta z takiego modelu przez odpowiedni mechanizm zapytań, może odwoływać się do uzgodnionej logiki zamiast samodzielnie interpretować surowe tabele.

Inaczej wygląda praca z instrukcjami, umowami czy dokumentacją techniczną. W tym przypadku często stosuje się RAG (Retrieval-Augmented Generation) - podejście, w którym przed przygotowaniem odpowiedzi system wyszukuje fragmenty odpowiednich dokumentów i przekazuje je modelowi jako kontekst. W ekosystemie Microsoft do wyszukiwania takich treści można wykorzystać m.in. Azure AI Search.

Model semantyczny i RAG nie są zamiennikami. Pierwszy pomaga zachować znaczenie liczb i wskaźników, drugi dostarcza treści źródłowe do odpowiedzi na pytania o wiedzę zapisaną w dokumentach. W bardziej złożonym scenariuszu oba mechanizmy mogą współpracować.

Ważne rozróżnienie: podłączenie modelu AI do firmowych danych nie daje jeszcze jednej wersji prawdy. Jeśli działy liczą ten sam wskaźnik inaczej albo w repozytorium pozostają nieaktualne procedury, AI może jedynie szybciej rozpowszechniać istniejące rozbieżności.

Czy przed wdrożeniem AI trzeba budować nową platformę danych?

Nie zawsze. Jeśli celem jest asystent odpowiadający na pytania z ograniczonego zbioru dobrze utrzymanych dokumentów, można rozpocząć od kontrolowanego dostępu do tych materiałów i mechanizmu wyszukiwania. Budowa osobnej hurtowni nie rozwiąże automatycznie problemów z treścią dokumentów.

Gdy zastosowanie obejmuje wiele systemów transakcyjnych, historię zmian oraz pytania łączące dane operacyjne z finansowymi, potrzebna może być wspólna warstwa integracji. Microsoft Fabric pozwala zorganizować pobieranie, przetwarzanie i udostępnianie danych, ale nie jest warunkiem każdego wdrożenia AI. Czasem wystarczą istniejąca baza danych, dobrze zaprojektowany model semantyczny i odpowiednio zabezpieczona aplikacja.

Wybór architektury zależy przede wszystkim od rodzaju pytań, źródeł danych, opóźnienia dopuszczalnego dla odpowiedzi i odpowiedzialności za wyniki. Przeniesienie wszystkich danych do nowego narzędzia bez rozstrzygnięcia tych kwestii nie daje istotnej przewagi.

Kto może zapytać AI o dane firmowe?

To pytanie powinno paść przed udostępnieniem rozwiązania użytkownikom. Uprawnienia do raportu Power BI, pliku w SharePoint czy danych źródłowych nie muszą automatycznie oznaczać takich samych ograniczeń w nowej aplikacji AI. Mechanizm pobierania kontekstu musi egzekwować dostęp właściwy dla osoby zadającej pytanie.

Trzeba również ustalić, czy aplikacja zapisuje historię rozmów, jakie dane przekazuje do modelu, kto może przeglądać logi i jak długo informacje są przechowywane. Przy dokumentach wewnętrznych i danych osobowych ma to takie samo znaczenie jak trafność samej odpowiedzi.

Odpowiedź AI to początek procesu, nie jego zakończenie

Przykładowo asystent może wskazać zamówienia, których termin realizacji jest zagrożony. Taka lista ma wartość dopiero wtedy, gdy można sprawdzić źródła danych, zweryfikować powód opóźnienia i przekazać sprawę właściwej osobie. Jeżeli aplikacja ma dodatkowo uruchamiać automatyzację, trzeba określić, które czynności wymagają zatwierdzenia.

Jakość rozwiązania AI warto oceniać na przykładach rzeczywistych pytań użytkowników. W testach liczy się nie tylko poprawność językowa, lecz także zgodność odpowiedzi ze źródłami, kompletność, aktualność i zachowanie uprawnień. Błędna odpowiedź sformułowana płynnie nadal pozostaje błędem.

W praktyce dobry projekt AI zaczyna się od jednego mierzalnego problemu, a potem obejmuje kolejne procesy, gdy dane i odpowiedzialności są już uporządkowane.

Najczęstsze pytania o dane i AI w przedsiębiorstwie

Czy każdy projekt AI wymaga hurtowni danych?

Nie. Asystent korzystający z niewielkiego, aktualnego zbioru dokumentów może działać bez hurtowni. Wspólna platforma staje się bardziej uzasadniona, gdy rozwiązanie łączy wiele systemów, wymaga historii danych i spójnych analiz biznesowych.

Czy RAG usuwa ryzyko błędnych odpowiedzi AI?

Nie. RAG dostarcza modelowi kontekst ze wskazanych źródeł, ale odpowiedź nadal może być niepełna lub błędna. Dlatego trzeba oceniać jakość wyszukiwania, aktualność dokumentów i zgodność odpowiedzi z materiałami źródłowymi.

Czym różni się model semantyczny Power BI od RAG?

Model semantyczny porządkuje dane analityczne, relacje i definicje miar. RAG służy do wyszukiwania treści, które model językowy wykorzystuje podczas generowania odpowiedzi. Oba podejścia rozwiązują różne problemy i mogą się uzupełniać.

Od czego zacząć przygotowanie danych do AI?

Od wybranego przypadku użycia: określ pytania, na które AI ma odpowiadać, sprawdź źródła i właścicieli danych, uzgodnij definicje oraz uprawnienia. Dopiero wtedy dobierz narzędzia i sposób integracji.

Dokumentacja techniczna Microsoft

Poniższe materiały Microsoft Learn rozwijają zagadnienia dotyczące kontekstu danych, wyszukiwania, zarządzania informacją i oceny odpowiedzi AI:

Powiązane materiały

Planujesz wykorzystać AI na danych firmowych?

Przed wyborem narzędzia dobrze ustalić, na jakich danych będzie pracować rozwiązanie, kto odpowiada za ich jakość i w jaki sposób zweryfikujemy odpowiedzi. Te kwestie można omówić z zespołem Antdata.

Kontakt z zespołem Antdata