Los datos empresariales con decenas de millones de filas, seguridad a nivel de fila y columna, y docenas de conjuntos de datos que abarcan múltiples dominios comerciales necesitan respuestas generadas por IA que sean confiables, reproducibles y rápidas, al mismo tiempo que respeten las reglas de gobernanza de manera consistente. Con los modelos básicos (FM), las organizaciones pueden crear sistemas que funcionen bien para pequeños conjuntos de datos en los que un usuario empresarial hace una pregunta sobre sus datos y obtiene una respuesta en segundos. Amazon Quick también puede ayudarle a convertir los datos de su gran empresa en decisiones rápidas y precisas basadas en IA. En esta publicación, conocerá cinco nuevas capacidades de Amazon Quick que aceleran la forma en que los profesionales de datos brindan información confiable basada en inteligencia artificial a escala empresarial.
Preguntas y respuestas sobre el conjunto de datos: hable con sus datos directamente
Cuando un vicepresidente pregunta: "¿Cuál es la tendencia de abandono de este producto?", obtener esa respuesta significa encontrar el panel correcto (si existe uno para ese corte exacto) o esperar a que un analista escriba una consulta y valide el resultado. La brecha entre tener una pregunta y tener una respuesta confiable se mide en horas o días y aumenta con la complejidad organizacional. Esto significa más equipos, más conjuntos de datos y más preguntas para las que nadie creó una vista previamente.
Las preguntas y respuestas sobre el conjunto de datos reducen esa brecha. Adjunta uno o más conjuntos de datos al agente de chat o a un Quick Space con activos mixtos y pregunta en lenguaje natural. El sistema genera SQL y lo ejecuta en todo el conjunto de datos (millones de filas sin muestreo) para devolver resultados en segundos.
Generar SQL a partir de una pregunta es la parte sencilla. La cuestión más compleja es todo lo que informa cómo se escribe ese SQL. Si el analista responde al vicepresidente con un 2,3 por ciento, el contrato implícito es que comprende los cálculos, los filtros, el horizonte temporal y cualquier otro contexto relacionado para responder la consulta. La confianza en la respuesta se debe a que vino del analista. El sistema también resuelve la ambigüedad en la pregunta en sí (¿"crecimiento" significa transacciones, clientes, ingresos o unidades?). Determina los campos, agregaciones y filtros correctos y luego aplica las definiciones comerciales proporcionadas por los analistas a través de los metadatos del conjunto de datos. El resultado es SQL que pretende reflejar la semántica real de su dominio, no una interpretación aproximada de los nombres de las columnas.
Amazon Quick aplica las políticas de acceso a nivel de fila y columna configuradas en conjuntos de datos para paneles a consultas generadas por IA, con alcance en su identidad. Con esto, la postura de seguridad que ya ha creado se aplica a las respuestas conversacionales sin configuración adicional. El resultado es que pasa de la pregunta a la respuesta verificada sin presentar un ticket a los analistas de negocios, sin esperar una actualización del panel y sin gastos generales de configuración previa.
Explicaciones: Verificación del razonamiento.
La velocidad es necesaria pero no suficiente. Cuando la precisión computacional en las respuestas es importante (normalmente lo es en el análisis empresarial), es necesario ver el trabajo. Las explicaciones del chat muestran la cadena de razonamiento completa: las herramientas invocadas, el SQL generado, los filtros aplicados, las suposiciones realizadas y un resumen en lenguaje sencillo para las partes interesadas no técnicas. Para los ingenieros de Business Intelligence y analistas de datos, este es el acelerador del tiempo de desarrollo. Usted hace preguntas de referencia, inspecciona el razonamiento, selecciona contexto adicional y ajusta las barreras de seguridad. Una vez que esté seguro de que el agente maneja su dominio correctamente, lo entrega a las partes interesadas. Lo que solían ser semanas de pruebas iterativas se reducen a sesiones enfocadas.
Puede obtener más información en la publicación de lanzamiento de preguntas y respuestas de Dataset. También puede obtener más información sobre cómo el programa AWS Technical Field Communities utilizó Dataset Q&A para mejorar la precisión de las consultas en más de un 48 por ciento y reducir el tiempo de resolución de 90 minutos a menos de 5 minutos en más de 15 000 miembros en Beyond BI: Cómo la función Dataset Q&A de Amazon Quick impulsa la próxima generación de publicaciones de blog sobre decisiones de datos.
Enriquecimiento semántico: Enseñando la IA a su lenguaje empresarial
La precisión de las preguntas y respuestas del conjunto de datos depende en gran medida de qué tan bien el sistema comprenda su vocabulario comercial. Una columna llamada ingresos no le dice a la IA nada sobre si son brutos o netos, devoluciones previas o posteriores, devengados o en efectivo. Una columna llamada active_customers no revela si el umbral es 12 meses o 24. Este no es un problema de inteligencia de modelo, es un problema de información. Sin contexto empresarial, incluso el mejor modelo genera consultas basadas en suposiciones.
El enriquecimiento del conjunto de datos ofrece a los autores una manera de cerrar esa brecha sin la necesidad de una configuración de temas u otra configuración compleja. A nivel de conjunto de datos, usted proporciona una descripción en lenguaje sencillo de lo que representan los datos e instrucciones de formato libre que le dicen a la IA cómo razonar al respecto. Por ejemplo, "los ingresos aquí son netos después de las devoluciones; para año tras año, utilice año_fiscal, no año_calendario". Opcionalmente, puede cargar un archivo de metadatos desde un sistema de registro que usted mantenga. Por ejemplo, un catálogo de datos existente o una wiki de equipo. A nivel de columna, puede organizar campos en carpetas lógicas, agregar descripciones y anotar casos extremos.
La inversión son minutos. La recompensa es que cuando alguien hace una pregunta en el futuro, Quick aplica las definiciones que su equipo ya acordó. Para obtener más información, consulte Enriquecimiento de conjuntos de datos en la Guía rápida del usuario de Amazon.
Cómo Quick encuentra la fuente adecuada (y el enfoque adecuado) para cada pregunta
Enriquecer un único conjunto de datos es una pieza del rompecabezas. En una empresa típica, es posible que tenga acceso a docenas de conjuntos de datos y paneles de control de ventas, operaciones, finanzas, recursos humanos e investigación de mercado. Para responder una pregunta presentada en lenguaje natural, el sistema debe elegir los activos de datos correctos y el agente más apropiado para la tarea. Si se equivoca, incluso el modelo más capaz producirá una respuesta irrelevante o incorrecta.
El sistema agente en Quick tiene una capa semántica que busca en sus activos estructurados (paneles de control, conjuntos de datos o temas) para identificar la fuente correcta antes de construir una consulta. Interpreta la intención y el contexto de la consulta para mostrar resultados que van más allá de la simple concordancia de palabras clave. Cuando un usuario pregunta sobre escalaciones, pero el panel correspondiente utiliza el término tickets, el sistema aún puede dirigirse al activo correcto. Lo hace razonando sobre las relaciones entre la consulta y el contenido dentro de su panorama de datos.
Para preguntas de varios pasos como "¿Cuál es la tendencia de la deserción y qué la impulsa en la región Sudeste?", el sistema identifica qué agentes y herramientas especializados invocar en cada paso. El orquestador razona toda la pregunta, planifica la secuencia y reúne una respuesta coherente a partir de múltiples capacidades trabajando en conjunto.
Hemos realizado mejoras en la forma en que esta capa descubre, clasifica y selecciona tanto la fuente adecuada como la herramienta adecuada. Esto es particularmente útil en entornos donde se tiene acceso a una amplia variedad de datos en múltiples dominios comerciales. Una mejor base significa menos errores de origen incorrecto, una selección de herramientas más precisa y una mayor confianza en las respuestas, especialmente para preguntas ambiguas o complejas que abarcan múltiples pasos analíticos. Esta capa de descubrimiento y orquestación es lo que hace que la experiencia agente más amplia sea confiable a escala empresarial.
Generación de paneles de control impulsados por IA: de días a minutos
Los paneles operativos ocupan un lugar único en la toma de decisiones empresariales que las herramientas conversacionales no reemplazan. Un panel de control bien construido incluye indicadores adelantados y retrasados, métricas organizadas por función y horizonte temporal, y controles de filtro utilizados para dividir el contexto en una única superficie compartida. Esa densidad ofrece a un equipo de tomadores de decisiones con diferentes roles y diferentes preguntas, una superficie analítica compartida y efectiva que impulsa la alineación y la velocidad. Para las empresas complejas, este artefacto compartido es la forma en que la suma de las partes se vuelve mayor que las piezas individuales. Las herramientas de análisis conversacional, como el chat, son una excelente función complementaria que las partes interesadas pueden utilizar para explorar más a fondo con preguntas complejas de seguimiento sin sobrecargar a los analistas o ingenieros con trabajo no planificado. Pero los paneles siguen siendo la columna vertebral del ritmo operativo.
Construir un tablero implica seleccionar las visualizaciones correctas, organizar hojas de manera lógica, crear campos calculados, agregar controles de filtro e iterar en el diseño. Estas tareas requieren días o semanas de esfuerzo manual experto. Gran parte de esto es mecánico una vez que la intención analítica está clara. Cuando el autor sabe lo que quiere, el cuello de botella es la construcción, no el pensamiento. La generación de paneles de control impulsados por IA elimina esa fase de construcción. Selecciona hasta tres conjuntos de datos y describe lo que desea ver, por ejemplo, las preguntas comerciales, las métricas y cómo desea que se organice la información. Revisa un plan editable antes de crear algo. Luego, Amazon Quick produce múltiples hojas organizadas con visualizaciones que coinciden con los datos, controles de filtro para que las partes interesadas los divida por diferentes dimensiones y campos calculados como crecimiento año tras año y comparaciones mes a mes. Todo el proceso lleva sólo unos minutos.
El resultado es un análisis nativo de Amazon Quick y no una imagen estática o una exportación única. Se conecta a flujos de trabajo de publicación existentes, patrones de incorporación y canalizaciones de integración y entrega continuas (CI/CD). También puedes editarlo con controles de apuntar y hacer clic. Puede perfeccionar las imágenes tras generación. Lo publica como un panel, lo comparte, lo incrusta o programa informes similares a lo que haría con uno creado manualmente. La curación semántica invertida en el enriquecimiento del conjunto de datos influye en la calidad del resultado. Con un mejor contexto empresarial, el resultado inicial es más preciso, lo que lleva a un menor refinamiento antes de que esté listo para publicar.
Durante el acceso temprano, los autores informaron haber reducido el tiempo de creación del panel en un 90 por ciento o más. Puede obtener más información sobre la función y ejemplos en Generar paneles a partir de indicaciones en lenguaje natural en la publicación rápida de Amazon.
Acceso a datos en tiempo real: consulta directa en tablas de Amazon Simple Storage Service (Amazon S3)
Las capacidades descritas anteriormente (consultas, explicaciones, enriquecimiento semántico, descubrimiento y generación de paneles) son tan buenas como los datos con los que operan. Las empresas construyen cada vez más sus conjuntos de datos en formatos de tablas de código abierto como Apache Iceberg debido al rendimiento, la economía y la flexibilidad que ofrecen estos formatos. Pero ha habido una desconexión persistente. Debe mover datos a una capa OLAP para analizarlos en una herramienta de Business Intelligence o hacer preguntas sobre los datos a través de un agente de IA. Cada salto agrega latencia, costo y un lugar más donde la frescura puede degradarse.
Hemos eliminado ese salto. Amazon Quick ahora puede conectarse directamente a las tablas Apache Iceberg ubicadas en depósitos de tablas S3 sin la necesidad de un motor intermedio. El lago de datos se convierte en la fuente lista para análisis.
Los autores pueden elegir entre el modo SPICE (para paneles de control de alta concurrencia y de menos de un segundo) o el modo de consulta directa (para escenarios donde la frescura es más importante). En el modo de consulta directa, tanto los paneles tradicionales como los agentes de IA conversacionales leen los mismos datos en vivo. Puede ver una transacción en un gráfico, métrica o una respuesta de chat momentos después de que llegue a un depósito de tabla S3 mediante una canalización de transmisión.
Para las organizaciones que adoptan arquitecturas modernas centradas en el lago, esta es una simplificación significativa: una capa de datos gobernada que sirve tanto a los consumidores humanos como a los de IA, sin replicación ni orquestación intermedia. Obtenga más información y vea un ejemplo de implementación detallado en nuestra publicación, Del lago de datos al análisis listo para IA: Presentación de una nueva fuente de datos con S3 Tables en Amazon Quick.
Creado para los humanos que crean análisis
Estas capacidades eliminan el trabajo duro del flujo de trabajo analítico sin eliminar a los humanos que brindan juicio, gobernanza y experiencia en el dominio. El analista de negocios todavía decide cómo se debe calcular la deserción. El ingeniero de datos todavía controla quién puede acceder a qué. El analista de negocios aún selecciona la experiencia para sus partes interesadas. Las arquitecturas de datos empresariales son complejas y variadas. Entendemos que ningún flujo de trabajo prescriptivo es universal. Lo que estamos construyendo es un rico conjunto de herramientas y capacidades, cada una valiosa por sí sola, basadas en principios comunes de gobernanza en un servicio administrado de bajo mantenimiento, que colectivamente aceleran la forma en que las empresas ponen la IA a trabajar dentro de su panorama de datos. Lo que cambia es el esfuerzo necesario para traducir la experiencia en análisis confiables y funcionales a escala. Si antes se necesitaban días para crear un panel, ahora se necesitan minutos. Cuando verificar una respuesta de IA requería volver a ejecutar las consultas manualmente, ahora se requiere una selección. Mientras que importar contexto empresarial significaba una configuración deliberada del tema, ahora es necesario cargar un archivo.
Estas capacidades están disponibles hoy en todas las regiones de AWS donde Amazon Quick está disponible.
Sobre los autores
Rushabh Vora
Rushabh Vora es director principal de productos de Amazon Quick en Amazon Web Services, donde dirige las capacidades de IA generativa para el análisis y la visualización de datos. Rushabh se centra en permitir a las organizaciones transformar conjuntos de datos sin procesar en información procesable a través del lenguaje natural, reduciendo el tiempo desde los datos hasta la decisión de horas a minutos. Le apasiona hacer que la exploración de datos y la creación de paneles sean accesibles para todos los usuarios empresariales, independientemente de su experiencia técnica.
Sindhu Chandra
Sindhu Chandra es gerente senior de marketing de productos tecnológicos en AWS y lidera la estrategia de comercialización de Amazon Quick. Con más de 15 años en Amazon, Uber y Google, le apasiona hacer que el marketing tecnológico sea identificable, inclusivo y basado en el valor real para el cliente. Fuera del trabajo, le gusta jugar con su perro y preparar café de diferentes orígenes.
Emily Zhu
Emily es gerente senior de productos en Amazon Quick, responsable de toda la pila de datos estructurados, que abarca la arquitectura de datos gobernados y de escala empresarial, motores de consulta analíticos y conversacionales de alto rendimiento, y la capa semántica y ontológica que brinda a los datos un significado real a escala. Le apasiona cómo una estrategia de datos sólida desbloquea la estrategia de IA y tiene la misión de hacer que la pila de datos estructurados sea la base para experiencias conversacionales y analíticas en Quick.
Vignessh Baskaran
Vignessh Baskaran es gerente técnico de productos sénior en Amazon Quick, donde posee productos de datos basados en inteligencia artificial para conectividad, catálogos y semántica, y preparación de datos. Tiene más de una década de experiencia en el desarrollo de soluciones de análisis y datos a gran escala. Fuera del trabajo, le gusta ver Cricket, jugar Racquetball y explorar diferentes cocinas en Seattle.
amy marvin
Amy Marvin es gerente técnica de productos sénior de Amazon Quick y se centra en las capacidades de análisis de chat impulsadas por IA. Le apasiona eliminar las barreras entre las personas y sus datos, haciendo posible que cualquiera pueda hacer una pregunta y obtener una respuesta confiable en segundos. Fuera del trabajo, le gusta explorar la escena de restaurantes de DC y andar en bicicleta por senderos naturales.