DATENMODELLE UND KI
Sind Ihre semantischen Modelle bereit für KI?
Von Jannik Raun Christensen, Senior Consultant in KOLLAB
Fragen Sie Copilot nach Ihrem Umsatz im letzten Quartal. Die Antwort kommt schnell. Ob es wahr ist, hängt von Ihrem semantischen Modell ab.
Ich war vor kurzem auf der FabCon in Barcelona. Aus über 130 Sitzungen habe ich 13 ausgewählt und dabei ging es noch einmal um einen Punkt: KI wird nie zuverlässiger sein als die Datenbank und der Geschäftskontext, die wir ihr bieten.
Dieser Artikel wurde geschrieben, damit Sie entscheiden können, wie Sie Ihre Daten für KI vorbereiten: Warum das semantische Modell eine größere Rolle spielt, was nötig ist, bevor Sie der Reaktion der KI vertrauen können, und wo Sie jetzt beginnen können.
FabCon ist die europäische Konferenz zu Microsoft Fabric. Es wird von ESPC in enger Zusammenarbeit mit Microsoft organisiert und ein großer Teil der Inhalte stammt aus der Fabric- und SQL-Community. Vieles drehte sich natürlich um KI, Copilot und Agenten.
Bei so vielen Sitzungen hängt mein Gewinn davon ab, was ich selbst gewählt habe. Andere mit einem anderen Fokus haben wahrscheinlich einen etwas anderen Blickwinkel auf sich genommen. Für mich ging es bei der Datenbank um diejenige, die wieder ging.
Schnelle Reaktion, großes Vertrauen
“Wie hoch war der Umsatz im letzten Quartal?”
Es war eines der einfachsten Beispiele in den Sitzungen, an denen ich teilgenommen habe, und genau deshalb trifft es so gut. Um richtig antworten zu können, muss AI Ihre Definition von Umsatz kennen. Es muss verstehen, welchen Kalender Sie verwenden, das richtige Datum auswählen und wissen, ob die Daten überhaupt aktuell sind.
Wenn eines dieser Dinge fehlt, erhalten Sie die falsche Antwort. Schnell und mit großer Zuversicht geliefert.
Wenn KI falsch antwortet, ist es verlockend, die Eingabeaufforderung zu drehen oder das Modell zu ändern. Das Problem kann genauso gut in unklaren Definitionen, im von der KI gewählten Datum oder in nicht aktualisierten Daten liegen. Und eine bessere Eingabeaufforderung korrigiert sie nicht.
Das semantische Modell gewinnt neue Nutzer
Wie viele unterschiedliche Umsatzzahlen gibt es heute in Ihren Berichten?
Das semantische Modell ist die Schicht zwischen Ihren Daten und Ihren Berichten. Hier werden Berechnungen, Beziehungen und Namen so definiert, dass alle Berichte auf die gleiche Weise rechnen.
Bisher haben wir hauptsächlich semantische Modelle für Power BI-Berichte und Excel erstellt. Jetzt müssen dieselben Modelle auch von Copilot, von Fabric Data Agents, also Agenten, denen Sie in einfacher Sprache Fragen zu Ihren eigenen Daten stellen können, sowie von Anwendungen und anderen KI-Lösungen verwendet werden.
Dadurch werden Maßnahmen, also die festen Berechnungen im Modell, noch wichtiger. Gleiches gilt für Beziehungen, Benennung, Beschreibungen und Sicherheit. Wenn Sie bereits entschieden haben, wie Einnahmen und Beitragsmarge berechnet werden sollen, muss AI die Berechnungen verwenden, die Sie haben. Es muss davon absehen, eine Berechnung einiger Spalten zusammenzustellen, die relevant erscheinen.
Wenn dem Modell der Kontext fehlt
Ein semantisches Modell enthält Berechnungen und Beziehungen. Es enthält selten den Kontext des gesamten Unternehmens.
Es kann Aufschluss darüber geben, wie der Umsatz berechnet wird. Was Sie mit einem aktiven Kunden meinen, welches Datum gilt, wenn jemand schreibt “letztes Quartal”, und welche Geschäftsregeln zu berücksichtigen sind, steht nicht unbedingt.
Wer von Ihnen könnte klar beantworten, was ein aktiver Kunde ist?
Hier kommen Fabric IQ und Ontologien ins Spiel. Kurz gesagt ist eine Ontologie eine gängige Beschreibung dessen, was Dinge im Unternehmen sind und wie sie miteinander verbunden sind. Die Idee besteht darin, Ihre Konzepte, Beziehungen, Regeln und Messungen in einer Ebene zusammenzuführen, die in Power BI, Copilot und verschiedenen KI-Agenten wiederverwendet werden kann. Die Ontologie in Fabric befindet sich noch in der Vorschau.
Mit anderen Worten: KI muss mehr können, als nur Daten zu finden. Es muss auch verstehen, was Daten in Ihrem jeweiligen Unternehmen bedeuten.
Lesen Sie auch: KI ist Management, darüber, warum KI vom Management verlangt, zu entscheiden, wie die Organisation funktioniert.
Der Bericht wird beigefügt
Power BI ist weiterhin ein wichtiger Kanal für Berichterstattung und Analyse. Die Richtung geht jedoch dahin, dass das semantische Modell auch zur Grundlage für Dialog, Anwendungen und Aktionen wird.
Benutzer müssen nicht unbedingt einen Bericht öffnen und selbst nach der Antwort suchen. Sie können in einfacher Sprache fragen, mit Daten in einer Anwendung arbeiten oder einen Agenten antworten lassen, wenn eine bestimmte Situation eintritt.
Als eine von mehreren Möglichkeiten, Ihre Daten und Ihre Geschäftslogik zu nutzen, besteht der Bericht aus. Und alle Wege basieren auf demselben Modell.
Die Sternenkarte gilt immer noch
Ich war auch bei einer Sitzung zur praktischen Datenmodellierung jenseits des klassischen Sternschemas. Das Sterndiagramm ist die klassische Struktur mit einer zentralen Tabelle mit Zahlen, z. B. Verkäufen, und einer Reihe von Nachschlagetabellen drumherum mit Kunden, Waren und Daten.
Es ist immer noch ein guter Ausgangspunkt. Die Realität passt nicht immer gut hinein. Dies gilt beispielsweise, wenn Daten auf unterschiedlichen Ebenen vorliegen, bei historischen Veränderungen, bei Momentaufnahmen und bei Budgets, die nicht auf dem gleichen Niveau wie die tatsächlichen Verkaufszahlen liegen.
Es ging darum, sich an die guten Modellierungsprinzipien zu halten und die Probleme gut genug zu verstehen, um die richtige Lösung zu wählen. Mindestens ebenso relevant ist es, wenn KI das Modell später nutzen muss.
Wer erinnert sich an die letzte Änderung?
Wer von euch weiß genau, was zuletzt in seinem wichtigsten Datenmodell geändert wurde?
In mehreren meiner Sitzungen lag der Schwerpunkt auch auf Git, also einem System, das jede Änderung verfolgt, und auf der Auswahl der richtigen Art und Weise, die Lösungen in Fabric zu integrieren.
Wenn Power BI und Fabric zur Grundlage sowohl für Reporting, KI als auch für operative Lösungen werden, reicht es nicht mehr aus, dass ein Entwickler die neueste Version lokal herumliegen hat und sich grob daran erinnern kann, was geändert wurde. Die Lösungen müssen gewartet, getestet und sicher in Produktion gebracht werden können.
MACHEN SIE DIE GRUNDLAGE BEREIT
Wenn Sie möchten, dass KI Fragen zu Ihren eigenen Zahlen beantwortet, sind es Ihre Definitionen und Ihr semantisches Modell, die darüber entscheiden, ob die Antwort zutrifft. Genau hier kommen wir ins Spiel: Wir arbeiten mit Power BI, Fabric und Datenplattformen dänischer Unternehmen zusammen und helfen Ihnen gerne bei der Überprüfung Ihres Modells, damit es bereit ist, wenn KI es benötigt.
Geben Sie Ihre Daten ein und wir werden Sie für ein unverbindliches Gespräch darüber kontaktieren, wo Sie stehen und was es sinnvoll ist, zuerst anzusprechen.
Wo kann man anfangen?
Meine wichtigste Botschaft ist, dass Sie nicht alle neuen Optionen sofort nutzen müssen. Einige sind noch neu oder in der Vorschau.
Aber Sie können beginnen, die Grundlage vorzubereiten, unabhängig davon, ob Ihre Daten heute allein in Power BI oder auf einem leben Datenplattform in Fabric:
- Überprüfen Sie die semantischen Modelle und die Maßnahmen, die Sie haben
- Sorgen Sie für gemeinsame und klare Geschäftsdefinitionen
- Geben Sie Tabellen, Spalten und Maßen gute Namen und Beschreibungen
- Überprüfen Sie die Datenqualität und -sicherheit
- Erhalten Sie mehr Struktur für Entwicklung, Dokumentation und Versionskontrolle
- Wählen Sie bestimmte Bereiche aus, in denen KI oder Automatisierung tatsächlich ein Problem lösen können
Man kann also nicht die ganze harte Arbeit überspringen und direkt zum intelligenten Teil übergehen.
Vielleicht sieht Ihr erstes echtes KI-Projekt also wie eine gründliche Bereinigung Ihres semantischen Modells aus.
Jannik Raun Christensen ist Senior Consultant in KOLLAB und arbeitet mit Power BI, Microsoft Fabric und Datenmodellierung.