Mikä on data-agentti?

Data-agentti tekoälypohjaisena tiedonkäsittelyn teknologiana

Data-agentti on tekoälyteknologioihin perustuva tiedonkäsittelyn - ja jäsentämisen sovellus, tavallaan sitä voi ajatella uutena käyttöliittymänä dataan. Data-agentit tyypillisesti käyttävät suuriin kielimalleihin (LLM, Large Language Model) pohjautuvia tekoälymalleja taustalla. Data-agenttien toimivuutta voi myös parantaa tuomalla niiden käyttöön organisaation omia esimerkkejä, semanttisia malleja datasta ja muuta metatietoa tai kontekstia.

Data-agenttien tuomat hyödyt ja ominaisuudet organisaatiolle

Data-agenttien ominaisuudet ja niiden tuomat hyödyt voidaan luokitella seuraaviin kokonaisuuksiin. 

Käytettävyys ja saavutettavuus

• Helppo ja luonnollinen käyttöliittymä dataan ilman BI-työkalujen tai SQL:n syvällistä osaamista
• Datankäytön demokratisointi koko organisaatiolle
• Koulutustarpeen pieneneminen välineiden määrän vähentyessä
• Yksi yhtenäinen rajapinta useisiin tietolähteisiin

Tehokkuus ja tuottavuus

• Nopeampi tiedonsaanti
• Vähemmän manuaalista raportointia ja rutiinitöitä
• Automaattiset analyysit, selitykset ja suositukset
• Reaaliaikainen valvonta ja hälytykset poikkeamista

Parempi päätöksenteko

• Organisaation kontekstiin ja käyttäjien työrooleihin liittyvät vastaukset
• Datan yhdistäminen useista järjestelmistä
• Selkeämmät tulkinnat ja suositukset päätöksenteon tueksi
• Virheiden väheneminen standardoitujen kyselyjen ja automaation ansiosta

Tietoturva ja tiedonhallinnan kyvykkyydet

• Vastaukset rajautuvat käyttäjän oikeuksien mukaan
• Selkeä audit-trail kyselyistä ja tiedonhausta
• Keskitetty käyttödata ja valvonta parantavat tiedonhallintaa

Data-agentin käyttöönottoon liittyvät vaatimukset

Data-agentin onnistunut käyttöönotto edellyttää usein vahvaa semanttista mallia, joka määrittää organisaation käsitteet, suhteet ja liiketoimintalogiikan tavalla, jonka agentti voi ymmärtää ja hyödyntää luonnollisessa kielessä. Kun tietomallit ja ontologiat ovat selkeitä ja eri tietoryhmien välinen yhteentoimivuus on määritelty järkevästi, näyttäytyvät näiden panostusten hyödyt välittömästi: agentti pystyy vastaamaan täsmällisesti, yhdistämään tietoa eri lähteistä ja tarjoamaan luotettavia, kontekstuaalisia analyyseja. 

Vahva tiedonhallinnan perusta ei siis ainoastaan paranna vastausten laatua, vaan myös vähentää virheitä ja nopeuttaa käyttöönottoa. 

Samalla tietoturva ja käyttövaltuushallinta on integroitava suoraan agentin toimintalogiikkaan, jotta käyttäjä näkee vain ne tiedot, joihin hänellä on oikeus, ja kaikki kyselyt ja toiminnot ovat tarvittaessa auditoitavissa. Näin tiettyyn käyttötarkoitukseen kehitetty data-agentti toimii turvallisesti, laadukkaasti ja liiketoiminnan kannalta johdonmukaisella tavalla.

Data-agentin kehittäminen organisaation datalla ja käyttäjien palautteilla

Vaikka data-agentin taustalla käytetyt tekoälymallit olisivatkin kiinnitettyjä eikä itse mallia voi muokata, organisaatio voi silti kehittää agentin toimivuutta monin tavoin. Ensinnäkin semanttisen mallin rikastaminen on tehokkain tapa ohjata agenttia; kun käsitteitä, mittareita ja suhteita täsmennetään, agentin vastaukset muuttuvat automaattisesti johdonmukaisemmiksi ja tarkemmiksi. Esimerkiksi lisäämällä semanttiseen malliin tiedon siitä, miten ”myynti”, ”liikevaihto” ja ”myyntikate” suhteutuvat toisiinsa, agentti osaa vastata liiketoimintaa koskeviin kysymyksiin ilman epäselvyyksiä tulkinnassa.

Toiseksi agentin toimintaa voidaan parantaa hyvin suunnitelluilla ohjauksilla ja esimerkkikeskusteluilla (prompt engineering). Organisaatio voi rakentaa valmiita mallikysymyksiä ja -vastauksia, kuten ”miten viime kuun asiakaspoistuma kehittyi?” tai ”Näytä keskeiset syyt varastopoikkeamiin”, joiden avulla agentin käyttäytyminen suuntautuu haluttuun suuntaan ilman mallin vaihtamista.

Kolmanneksi integraatioiden laatu ja datan yhteentoimivuus vaikuttavat merkittävästi agentin taitoihin. Esimerkiksi jos järjestelmien välinen asiakasId ei ole yhdenmukainen, agentti ei pysty luomaan kokonaiskuvaa asiakkaasta — mutta kun yhteentoimivuus mahdollistetaan, sama kiinnitetty malli alkaa antaa monilähteisiä vastauksia ilman mallin päivittämistä.

Lisäksi organisaatio voi parantaa agentin käyttöä roolipohjaisilla näkymillä: esimerkiksi talousjohtajalle agentti voi nostaa esiin budjettipoikkeamia, kun taas asiakaspalvelulle korostuvat asiakastuen mittarit. Tämän voi tehdä konfiguroimalla metadataa ja käyttövaltuuksia, ei muuttamalla taustamallia.

Lopuksi, agentin toimivuutta voidaan kehittää palautesilmukan eli loppukäyttäjien palautteen avulla. Kun käyttäjät merkitsevät epäselvät vastaukset tai esittävät lisäkysymyksiä, organisaatio voi tunnistaa, mistä semanttisesta mallista, tiedoista tai ohjauksista puuttuu tarkennuksia. Pelkästään näitä parantamalla kiinnitetty tekoälymalli näyttää ”viisaammalta” ja hyödyllisemmältä, koska se saa paremmat lähtötiedot ja selkeämmän rakenteellisen kontekstin vastatessaan käyttäjien esittämiin kysymyksiin.

Data-agentti käytännössä Microsoftin Fabricissa

Microsoftin Fabric tarjoaa suoraan teknologian, jolla edellä kuvattuja hyötyjä, ominaisuuksia ja vaatimuksia pystytään käytännössä toteuttamaan ilman suurempia investointeja. Fabricin identiteetinhallinta perustuu Entra ID – palveluun ja se pystyy myös tehokkaasti hyödyntämään muitakin Microsoftin teknologioita. OneLake tiedonhallinnan ytimessä tarjoaa myös yhden loogisen tietolähteen data-agentin käytettäväksi. OneLaken päälle voidaan määritellä tietomallinnettuja objekteja suoraan lakehouse – resurssiin, semanttisia malleja sekä ontologioita. 

Data-agentti voidaan kehittää Microsoftin tarjoamilla työkaluilla ja julkaista esimerkiksi Microsoft Teamsiin jolloin organisaation käyttäjillä on käytettävissään yksi heidän jokapäiväisessä tietotyössään käytettävä palvelu. Data-agentin kehittämiseen Fabricissa käytetään tyypillisesti seuraavia teknologioita:

• Microsoft Fabric Capacity
• Microsoft Copilot Studio
• Microsoft Teams

Ready Solutionin projektissa toimitettiin Microsoft Fabric – teknologiaan perustuva ratkaisu logistiikkayritykselle, jossa aiempi pilvitietovarasto korvattiin modernilla lakehouse – alustalla. Alusta tarjoaa skaalautuvuuden sekä kustannustehokkuuden lisäksi mahdollisuuden tekoälypohjaisten agenttien rakentamiseen alustalle vietyyn dataan pohjautuen (Fabric Data Agent). Projektin myötä raportointi tehostui ja arkkitehtuuri vastaa nyt paremmin liiketoiminnan tarpeisiin.