Tengo la oportunidad de probar nuevas herramientas analíticas impulsadas por IA, incluido el agente de datos de Microsoft Fabric. Por eso quiero compartir lo que he aprendido, explicar qué es un agente de datos y resaltar la diferencia entre este y un agente de IA “estándar”.
Entonces, sin más preámbulos, aquí está mi definición de agente de datos:
Un agente de datos es un informe con el que puede hablar.
Para aquellos de nosotros que trabajamos en análisis, esto significa que dos deseos largamente mantenidos finalmente podrían convertirse en realidad:
#1: Los analistas dedican mucho menos tiempo a crear visualizaciones.
N.º 2: Los conocimientos de autoservicio se acercan a los usuarios empresariales.
Permítanme desarrollar un poco más cada uno de estos puntos.
Menos visualizaciones, no menos insights
Realmente disfruto de un buen informe que puede decirme “qué pasa” con las métricas que me interesan actualmente. Pero al estar capacitado en análisis, sé cómo los informes a veces pueden arrojar métricas bajo una luz equivocada, lo que lleva a los usuarios comerciales a pedir con frecuencia a los analistas la interpretación de los KPI, generalmente 10 minutos antes de las reuniones importantes.
Y esa es una de las razones por las que a menudo terminamos en un círculo vicioso en el que tenemos paneles de control que nadie utiliza y las partes interesadas constantemente quieren que “el número” se proporcione ad hoc o mediante hojas de cálculo.
Lo bueno es que las visualizaciones y las hojas de cálculo no van a ninguna parte, pero ofrecer información valiosa tiene una nueva forma con un agente de datos de Fabric.
En lugar de envolver las consultas en gráficos, puede envolverlas en mensajes e instrucciones emparejados con el conjunto de datos gobernados listos para el consumo en Fabric, es decir, en una casa de lago, un almacén, modelos semánticos de Power BI, una base de datos KQL o incluso una ontología. Esto implica que los datos subyacentes aún deben prepararse y modelarse para responder preguntas comerciales como “¿Cuáles fueron los ingresos de esta semana en comparación con la semana pasada?”
Sin embargo, desde una perspectiva de diseño, en lugar de crear un informe visual con alcance para responder a esta pregunta comercial, ahora puede crear un agente de datos con alcance para proporcionar este y otros subconjuntos de respuestas derivadas de los modelos de datos subyacentes.
Más precisamente, el flujo entrada-salida es el siguiente:
(1) una parte interesada hace una pregunta, (2) el agente, con tecnología de Azure OpenAI Assistant API, interpreta la pregunta y “decide” cuál de las fuentes de datos tiene más probabilidades de tener la respuesta según los esquemas de origen y las instrucciones del agente, (3) genera la consulta adecuada (SQL, DAX o KQL según el tipo de fuente), (4) la valida, (5) la ejecuta con las credenciales de la parte interesada y (6) devuelve el resultado como texto o tabla, no (todavía) como visual.
En resumen, una interacción de las partes interesadas con información a través del agente de datos es una sesión de preguntas y respuestas además del conjunto de datos seleccionado, y los elementos visuales desglosados se pueden reemplazar con preguntas de seguimiento, como “¿Puede también desglosar los ingresos por segmento?”
Con esto, queda claro que el trabajo de los analistas ya no necesita ser reexpresado únicamente a través de paneles de control, también conocido como la prueba tangible desde hace mucho tiempo de que se realizó el trabajo de capturar la lógica de negocios dentro de los modelos de datos.
Ahora, hablemos de…
Información de autoservicio, más cerca de donde “viven” los usuarios empresariales
Mencioné antes que los informes a veces pueden tergiversar las métricas, pero esa no es la única razón por la que “Si lo construyes, vendrán” rara vez funciona para ellos o para los análisis en general. La verdad es que la barrera del conocimiento suele ser demasiado alta para comprender los modelos semánticos subyacentes y cómo utilizar las herramientas de BI para crear imágenes adicionales.
Aunque esto apunta a la alfabetización en datos, que es un problema de gestión del cambio, es un hecho que la audiencia empresarial objetivo, que debería ser consumidores de informes, a menudo tiene demasiado que hacer como para molestarse en aprender herramientas de BI para análisis de autoservicio.
Por eso es importante acercar la información al lugar donde “viven” los usuarios finales, lo que hoy en día apunta hacia herramientas impulsadas por IA como M365 Copilot.
Con la posibilidad de exponer conocimientos a través de agentes de datos fuera de Fabric, los analistas ahora pueden centrarse en la lógica analítica detrás de los agentes de datos de autoservicio, y los usuarios finales pueden acceder a conocimientos en las mismas herramientas impulsadas por IA que respaldan sus otras tareas diarias, sin la complejidad de cambiar a otra plataforma.
Debo señalar que esta no es la única forma de integrar agentes de datos de Fabric en los flujos de trabajo y, independientemente de si eres desarrollador o consumidor, es bueno saberlo…
La diferencia entre datos y un agente de IA
Hasta ahora hemos aprendido que el agente de datos de Fabric es un agente analítico centrado en el acceso a datos gobernados de solo lectura, capaz de traducir indicaciones del lenguaje natural en consultas complejas de bases de datos que desbloquean conocimientos, incluso fuera del inquilino de Fabric.
Por otro lado, un agente de IA se define como un sistema que permite a los modelos de lenguajes grandes (LLM) hacer cosas, no solo responder a indicaciones, en nombre de los usuarios u otros sistemas mediante el acceso a herramientas y conocimientos.
Es decir, toda la magia está en la configuración del agente de IA, donde puede utilizar un agente de datos de Fabric como herramienta especializada o fuente de conocimiento.
Ilustraré esto con un ejemplo simple.
Imagine que un usuario autorizado solicita al agente de IA que “redacte un correo electrónico para el equipo resumiendo los ingresos de la semana pasada por segmento”. Para realizar este trabajo, el agente de IA necesitaría, entre otras cosas, preparar información sobre los ingresos a partir de la base de datos empresarial. Entonces, con el objetivo de reducir los errores en el cálculo de ingresos, el desarrollador diseñaría un flujo de trabajo agente para enrutar el mensaje de entrada a la herramienta del agente de datos Fabric, que se encargaría del trabajo pesado de determinar el esquema, escribir la consulta, ejecutarla y devolver las cifras precisas. Finalmente, el agente de IA usaría esas cifras para finalizar su flujo de trabajo más amplio y escribir el correo electrónico.
Entonces, ¿cuál es la diferencia entre esos dos? Es que un agente de IA actúa, mientras que el agente de datos se queda en tierra.
Gracias por leer.
Si esta publicación le resultó valiosa, no dude en compartirla con su red. 👏
Conéctese para ver más historias en Medium✍️ y LinkedIn 🖇️.
¿Quiere obtener más información sobre los agentes de datos?
Si ese es el caso, consulte los siguientes recursos:
Creación de agente de datos de Fabric: Microsoft Fabric
Aprenda a crear un agente de datos de Fabric que pueda responder preguntas sobre data.learn.microsoft.com
Implementar agentes de datos de Microsoft Fabric: capacitación
Implemente Microsoft Fabric Data Agents (chatee con sus datos)learn.microsoft.com