Agentic Analytics: Aufbau einer Datengrundlage für KI-Agenten

Jahrzehntelang war die Enterprise-Analytics darauf angewiesen, dass Menschen jeden Schritt steuern. Dann begannen Dashboards zu zeigen, was passiert war, und generative KI erleichterte das Zusammenfassen und Erklären. Jetzt ist Agentic Analytics der nächste Wandel: Ein KI-Agent untersucht eine geschäftliche Frage, indem er entscheidet, welche Daten geprüft werden sollen, aus jedem Ergebnis lernt und auswählt, was als Nächstes zu tun ist, bis er eine Antwort geben oder eine genehmigte Aktion ausführen kann.

Stellen Sie sich ein Team vor, das einen Anstieg der Kundenabwanderung untersucht. Ein Agent könnte Kundensegmente vergleichen, Änderungen bei der Produktnutzung untersuchen und Supportprobleme innerhalb der betroffenen Konten prüfen. Wenn eine Erklärung nicht stichhaltig ist, kann er eine andere verfolgen. Anschließend kann er die Ergebnisse und eine empfohlene Reaktion in einen Workflow zur Kundenbindung einbringen. Das Team delegiert die Untersuchung, anstatt jede Abfrage zu steuern.

Das ändert die Anforderungen an das, was die Datenplattform bereitstellen muss. Der Agent muss wissen, welchen Quellen und Geschäftsdefinitionen er vertrauen kann. Jedes Ergebnis kann zu einer anderen Abfrage führen, sodass die analytische Ausführung eine Untersuchung unterstützen muss, deren Verlauf im Voraus nicht bekannt ist. Zugriffs- und Aktionsgrenzen müssen durchgehend eingehalten werden.

Snowflake führt diese Anforderungen dort zusammen, wo sich die Unternehmensdaten befinden, und bietet Geschäftskontext zur Steuerung der Untersuchung, Abfrageoptimierung und Rechenressourcen zur Unterstützung des sich ändernden Workloads sowie gesteuerte Schnittstellen, um Ergebnisse in Geschäfts-Workflows zu übertragen. Diese Grundlage unterstützt Agenten, die auf Snowflake basieren oder von anderen Plattformen aus verbunden sind.

Die meisten Unternehmen werden sich nicht auf eine einzige Agentenplattform standardisieren.

Vertriebs-, Finanz-, Entwicklungs- und Supportteams können jeweils unterschiedliche Assistenten und Automatisierungs-Frameworks einsetzen.

Zu verlangen, dass jeder Agent innerhalb eines einzigen Applikations-Stacks lebt, würde die Auswahl einschränken und oft zu unnötigen Datenverschiebungen führen. Ein nachhaltigerer Ansatz besteht darin, Geschäftskontext, analytische Ausführung und Governance nah an den Daten zu halten und sie gleichzeitig über interoperable Schnittstellen verfügbar zu machen.

Standards und gesteuerte Schnittstellen, einschließlich des Model Context Protocol (MCP), semantischer Ansichten und SQL-Objekte, können es autorisierten Agenten ermöglichen, vertrauenswürdigen Kontext zu entdecken und Unternehmensdaten zu analysieren, ohne sie in jede KI-Plattform zu duplizieren.

Die Plattform-Säulen von Snowflake, eingebettet in Governance

Der Ansatz von Snowflake für Agentic Analytics basiert auf drei Plattform-Säulen: Ground, Analyze und Act. Agenten müssen in der Lage sein, ihre Arbeit in einem vertrauenswürdigen Geschäftskontext zu fundieren, Daten in Maschinengeschwindigkeit zu analysieren und auf der Grundlage einer genehmigten Entscheidung zu handeln. Alle drei sind von Governance umgeben, die wir Assure nennen. Hier verwalten Snowflake-Kontrollen den Zugriff auf Daten, legen Limits für die Ausgaben von Agenten fest und zeichnen agentengesteuerte Abfragen und Datenzugriffe auf. Wenn Agenten von der Beantwortung von Fragen zur Initiierung von Aktionen übergehen, kann ein Fehler einen Geschäftsprozess und die Kunden, die er bedient, erreichen. Datenzugriffskontrollen müssen daher mit den Berechtigungen und Genehmigungsregeln zusammenarbeiten, die im Geschäfts-Workflow konfiguriert sind. Snowflake wendet seine Datenkontrollen an, die an die Daten gebunden sind, unabhängig davon, ob der Zugriff von einem auf Snowflake basierenden Agenten oder von einer anderen Plattform aus erfolgt. Jede Säule trägt dazu bei, dies zu ermöglichen, wie unten beschrieben.

1. Ground: Bereitstellung von maschinenlesbarem Geschäftskontext

Agenten können auf eine Tabelle zugreifen, ohne zu wissen, was ihre Zahlen bedeuten, wie das Unternehmen den Umsatz definiert oder ob die Daten aktuell und zuverlässig sind.

Eine Plattform für Agentic Analytics muss über maßgebliche Definitionen von Geschäftsentitäten, Beziehungen und Metriken sowie über Informationen zur Datenaktualität und -qualität verfügen. Snowflake führt vertrauenswürdige Datenermittlung, gemeinsame Geschäftsdefinitionen und relevantes Geschäftswissen durch Snowflake Horizon Context, semantische Ansichten und Snowflake Cortex Search zusammen. Verifizierte Abfragen geben Agenten getestete Beispiele dafür, wie Metriken beantwortet werden sollten, und Zertifizierungs-Tags weisen sie auf die Tabellen hin, denen das Team vertraut. Data Metric Functions überwachen Qualitätsdimensionen wie Vollständigkeit und Eindeutigkeit, während Dynamic Tables abgeleitete Daten auf ein konfiguriertes Aktualitätsziel aktualisieren. Diese Funktionen helfen Teams bei der Beurteilung, ob die Daten für die Analyse eines Agenten geeignet sind.

In Ground funktioniert Assure, indem Zugriffsrichtlinien an die Daten selbst gebunden bleiben, sodass jeder Agent oder jedes BI-Tool, das eine semantische Ansicht verwendet, nur das sieht, was es sehen darf.

2. Analyze: Beweise im Maschinenmaßstab sammeln

Die Untersuchung eines Agenten ändert sich, während er lernt. Sie kann mit einem breiten Vergleich beginnen, sich auf ein Kundensegment eingrenzen, eine andere Quelle einbeziehen und ein früheres Ergebnis erneut überprüfen. Die Unterstützung dieser Arbeit bedeutet mehr als die Verarbeitung zusätzlicher Abfragen. Sie erfordert eine effiziente Ausführung bei sich ändernden Abfragemustern mit Kapazität für gleichzeitige Untersuchungen.

Der Compiler und Optimierer von Snowflake planen, wie jede Abfrage ausgeführt wird. Auf Gen 2 und Adaptive Warehouses nutzt Snowflake Optima beobachtete Workloads, um die Abfrageplanung und den Datenzugriff automatisch zu verbessern und den Bedarf an manueller Anpassung zu reduzieren. Geeignete wiederholte Abfragen können persistierte Ergebnisse wiederverwenden, anstatt die Berechnung zu wiederholen.

Unterschiedliche analytische Schritte haben auch unterschiedliche Performance-Anforderungen. Snowflake Interactive Analytics unterstützt eine Ausführung mit geringer Latenz und hoher Parallelität für hochselektive Abfragen, während Standard-Warehouses komplexe, rechenintensive Analysen verarbeiten. Wenn die Parallelität zunimmt, fügen Multi-Cluster-Warehouses Kapazität innerhalb konfigurierter Limits hinzu. Zusammen helfen diese Funktionen, die iterativen Workloads von Agenten zu unterstützen, ohne dass Teams jede Abfrage im Voraus antizipieren müssen.

In Analyze ermöglicht Assure konfigurierten Richtlinien, agentenaktive Sitzungen zu erkennen und die für einen Agenten verfügbaren Daten einzuschränken, selbst wenn die Rolle des Benutzers einen breiteren Zugriff zulässt. Ressourcenmonitore und Budgets verfolgen die Rechenressourcen-Ausgaben von Agenten und können bei von Ihnen festgelegten Schwellenwerten Aktionen auslösen, und Anweisungs-Timeouts stoppen außer Kontrolle geratene Abfragen.

3. Act: Die Entscheidung in den Geschäftsprozess übertragen

Die Arbeit eines Agenten hat nur begrenzten Wert, wenn ein genehmigtes Ergebnis die Applikation oder das Team, das für die Ausführung verantwortlich ist, nicht erreichen kann.

Eine Plattform für Agentic Analytics muss in der Lage sein, dieses Ergebnis zu persistieren oder über gesteuerte Schnittstellen weiterzugeben, während die bestehende Geschäftsapplikation die Kontrolle über den Prozess behält. Workflows können genehmigte Ergebnisse und ihre unterstützenden Beweise in Snowflake speichern und sie den Systemen zur Verfügung stellen, denen der Geschäftsprozess gehört. In der Praxis empfiehlt der Agent einen möglichen nächsten Schritt und zeigt seine Beweise. Eine Person überprüft dies und entscheidet, ob es weitergeht und ob der Agent es weitergibt oder ob sie selbst danach handeln. Genehmigte Ergebnisse können die besitzende Applikation über einen MCP-Konnektor oder eine Snowflake-Tabelle erreichen, und diese Applikation behält die Kontrolle. Folgenreiche Aktionen gehen zur Genehmigung an eine Person, während routinemäßige Aktionen nach Regeln ablaufen können, die von Personen im Voraus genehmigt wurden.

In Act stellt Assure Aufzeichnungen über agentengesteuerte Abfragen und Datenzugriffe bereit, die Teams mit Workflow-Aufzeichnungen kombinieren können, um die resultierende Aktion zu überprüfen.

Was Snowflake bei Agentic Analytics auszeichnet

Der Wert von Agentic Analytics liegt darin, eine geschäftliche Frage durch Untersuchung zu einer nützlichen Antwort zu führen, mit weniger manueller Koordination zwischen den Schritten.

Der Vorteil von Snowflake besteht darin, die Funktionen zu verbinden, die für die Arbeit erforderlich sind. Gemeinsame Geschäftsdefinitionen leiten die Untersuchung. Automatische Abfrageoptimierung, Wiederverwendung von Ergebnissen und Workload-gerechte Rechenressourcen unterstützen die analytische Ausführung. Workflows können Ergebnisse und unterstützende Beweise für die Applikationen persistieren, die für die Umsetzung verantwortlich sind. Assure wendet Zugriffskontrollen an, unterstützt Ausgabenkontrollen und zeichnet agentengesteuerte Datenaktivitäten während dieser Arbeit auf. Agenten, die auf Snowflake basieren oder von anderswo verbunden sind, können diese gemeinsame Grundlage nutzen, anstatt für jede Plattform separate analytische Grundlagen zusammenzustellen.

Menschen legen die Ziele, die Definitionen und die Aktionen fest, die Agenten selbstständig ausführen können. Agenten wenden dieses Wissen wiederholt an und eskalieren folgenreiche Entscheidungen durch Überprüfungs-Workflows. Das Ziel ist mehr Autonomie der Agenten innerhalb der von Menschen definierten Grenzen.

Nehmen Sie an der Expedition teil, um das Neueste im Bereich Agentic Analytics zu sehen.

Zukunftsgerichtete Aussagen

Dieser Artikel enthält zukunftsgerichtete Aussagen, unter anderem über künftige Produktangebote. Diese Aussagen stellen keine Garantie dar, dass diese Angebote wirklich bereitgestellt werden. Die tatsächlichen Ergebnisse und Angebote können abweichen und unterliegen bekannten und unbekannten Risiken und Unsicherheiten. Weitere Informationen finden Sie in unserem aktuellen Formular 10-Q.