DATAMODELLER OG AI

FabCon er den europæiske konference om Microsoft Fabric. Den arrangeres af ESPC i tæt samarbejde med Microsoft, og en stor del af indholdet kommer fra Fabric- og SQL-communityet. Meget handlede naturligvis om AI, Copilot og agenter. 

Med så mange sessioner er mit udbytte farvet af det, jeg selv valgte at gå efter. Andre med et andet fokus har sikkert taget en lidt anden vinkel med hjem. For mig var pointen om datagrundlaget den, der gik igen. 

Hurtigt svar, stor selvtillid 

“Hvad var omsætningen sidste kvartal?” 

Det var et af de enkleste eksempler i de sessioner, jeg var med til, og netop derfor rammer det så godt. For at svare rigtigt skal AI kende jeres definition af omsætning. Den skal forstå, hvilken kalender I bruger, vælge den rigtige dato og vide, om data overhovedet er opdateret. 

Mangler én af de ting, får I et forkert svar. Leveret hurtigt og med meget stor selvtillid. 

Når AI svarer forkert, er det fristende at skrue på prompten eller skifte model. Problemet kan lige så godt ligge i uklare definitioner, i den dato AI vælger, eller i data, der ikke er opdateret. Og dem retter en bedre prompt ikke. 

Den semantiske model får nye brugere 

Hvor mange forskellige tal for omsætning findes der i jeres rapporter i dag? 

Den semantiske model er laget mellem jeres data og jeres rapporter. Det er her, beregninger, relationer og navne bliver defineret, så alle rapporter regner på samme måde. 

Indtil nu har vi primært bygget semantiske modeller til Power BI-rapporter og Excel. Nu skal de samme modeller også bruges af Copilot, af Fabric Data Agents, som er agenter, I kan stille spørgsmål til om jeres egne data i almindeligt sprog, og af applikationer og andre AI-løsninger. 

Det gør measures, altså de faste beregninger i modellen, endnu vigtigere. Det samme gælder relationer, navngivning, beskrivelser og sikkerhed. Har I allerede besluttet, hvordan omsætning og dækningsbidrag skal beregnes, skal AI bruge de beregninger, I har. Den skal holde sig fra selv at stykke en beregning sammen af nogle kolonner, der ser relevante ud. 

Når modellen mangler konteksten 

En semantisk model rummer beregninger og relationer. Hele virksomhedens kontekst rummer den sjældent. 

Den kan fortælle, hvordan omsætning beregnes. Hvad I mener med en aktiv kunde, hvilken dato der gælder, når nogen skriver “sidste kvartal”, og hvilke forretningsregler der skal tages højde for, står der ikke nødvendigvis. 

Hvem hos jer ville kunne svare entydigt på, hvad en aktiv kunde er? 

Her kommer Fabric IQ og ontologier ind i billedet. En ontologi er kort fortalt en fælles beskrivelse af, hvad tingene i virksomheden er, og hvordan de hænger sammen. Tanken er at samle jeres begreber, relationer, regler og målinger i ét lag, som kan genbruges på tværs af Power BI, Copilot og forskellige AI-agenter. Ontologien i Fabric er stadig i preview. 

AI skal med andre ord kunne mere end at finde data. Den skal også forstå, hvad data betyder i netop jeres virksomhed. 

Læs også: AI ér ledelse, om hvorfor AI kræver, at ledelsen tager stilling til, hvordan organisationen arbejder. 

Rapporten får selskab 

Power BI bliver ved med at være en vigtig kanal til rapportering og analyse. Men retningen er, at den semantiske model også bliver fundamentet for dialog, applikationer og handlinger. 

Brugerne skal ikke nødvendigvis åbne en rapport og selv lede efter svaret. De kan spørge i almindeligt sprog, arbejde med data i en applikation eller få en agent til at reagere, når en bestemt situation opstår. 

Rapporten består som én af flere måder at bruge jeres data og jeres forretningslogik på. Og alle måderne trækker på den samme model. 

Stjerneskemaet holder stadig 

Jeg var også til en session om praktisk datamodellering ud over det klassiske stjerneskema. Stjerneskemaet er den klassiske opbygning med én central tabel med tal, fx salg, og en række opslagstabeller omkring den med kunder, varer og datoer. 

Det er stadig et godt udgangspunkt. Virkeligheden passer ikke altid pænt ind i det. Det gælder fx, når data findes på forskellige niveauer, ved historiske ændringer, ved snapshots og ved budgetter, der ikke ligger på samme niveau som de faktiske salgstal. 

Pointen var at holde fast i de gode modelleringsprincipper og forstå problemerne godt nok til at vælge den rigtige løsning. Det er mindst lige så relevant, når AI senere skal bruge modellen. 

Hvem husker den seneste ændring? 

Hvem hos jer ved præcis, hvad der sidst blev ændret i jeres vigtigste datamodel? 

I flere af mine sessioner var der også fokus på Git, altså et system, der holder styr på hver ændring, og på at vælge den rigtige måde at integrere løsningerne på i Fabric. 

Når Power BI og Fabric bliver fundament for både rapportering, AI og operationelle løsninger, er det ikke længere tilstrækkeligt, at én udvikler har den nyeste version liggende lokalt og nogenlunde kan huske, hvad der blev ændret. Løsningerne skal kunne vedligeholdes, testes og sættes sikkert i produktion. 

Hvor kan I begynde? 

Mit vigtigste budskab er, at I ikke behøver tage alle de nye muligheder i brug med det samme. En del er stadig nyt eller i preview. 

Men I kan begynde at gøre fundamentet klar, uanset om jeres data i dag bor i Power BI alene eller på en dataplatform i Fabric: 

• Gennemgå de semantiske modeller og de measures, I har 

• Sørg for fælles og tydelige forretningsdefinitioner 

• Giv tabeller, kolonner og measures gode navne og beskrivelser 

• Kontrollér datakvalitet og sikkerhed 

• Få mere struktur på udvikling, dokumentation og versionsstyring 

• Udvælg konkrete områder, hvor AI eller automatisering faktisk kan løse et problem 

Man kan altså ikke springe alt det svære over og gå direkte til den intelligente del. 

Så måske kommer jeres første rigtige AI-projekt til at ligne en grundig oprydning i jeres semantiske model. 

Jannik Raun Christensen er Senior Consultant i KOLLAB og arbejder med Power BI, Microsoft Fabric og datamodellering.