QwenPaw-Data من علي بابا تريد أن تكون الطبقة المفقودة بين محللي الأعمال وبياناتهم

تحليل بيانات المؤسسات يحتل موقعًا وسطًا محبطًا. الوكلاء للأغراض العامة، المصممون للتصفح عبر الويب أو استخدام الأدوات، يفتقرون إلى التأسيس الدلالي لربط مفهوم مثل "المستخدمين الصالحين" بالعمود الصحيح في قاعدة البيانات. الوكلاء البرمجيين، المبنيون لبيئات حتمية مع ردود فعل تشبه المترجم، يتخبطون في الحلقة الغامضة التي تعتمد على الإنسان لتحليلات الأعمال. لا أي من النموذجين، كما تجادل مجموعة علي بابا في تقرير تقني جديد، مجهز للمشكلات مفتوحة النطاق التي تحدد عمل البيانات الواقعي.

لماذا تحليل البيانات ليس هندسة برمجيات

التقرير، الذي يوضح بالتفصيل نظام البيانات الوكيل الجديد للشركة QwenPaw-Data، يرسم تمييزًا حادًا بين البرمجة وتحليل البيانات. في هندسة البرمجيات، يمكن التحقق من كل خطوة من خلال المترجمات، واختبارات الوحدة، وسجلات التنفيذ، وهي حلقة مغلقة توفر تغذية راجعة ثنائية صريحة. "مهام تحليل البيانات التي تعالجها وكلاء البيانات هي بطبيعتها مشكلات مفتوحة النطاق،" يكتب المؤلفون. "كل خطوة تتضمن استكشافًا مفتوحًا بدون آليات حتمية لإثبات الصحة."

هذا الانفتاح يقدم ثلاث صعوبات متراكبة. أولاً، يجب تأسيس مفاهيم الأعمال على كيانات البيانات الصحيحة، وهي مهمة تحجبها المصطلحات الغامضة، والمخططات القديمة، ومساحة بحث واسعة. ثانيًا، حتى مع التأسيس الصحيح، يجب تقنين المنهجية التحليلية إلى إجراءات قابلة للتكرار بدلاً من تركها للاستدلال النموذجي المؤقت. ثالثًا، سير العمل التحليلي طويل الأمد ومرتكز على القطع الأثرية، حيث ينفذ SQL وPython مباشرة على بيانات حقيقية مع الحفاظ على الإسناد والسماح بالتدخل البشري أثناء التنفيذ.

ثلاثة أنظمة فرعية، وكيل واحد

QwenPaw-Data يعالج هذه التحديات من خلال بنية ثلاثية المستويات. يوفر DataBridge طبقة الأدلة الدلالية، حيث ينظم البيانات الوصفية، والمعرفة التجارية، وتتبعات المهام التاريخية في ثلاثة رسوم بيانية مترابطة. عندما يسأل مستخدم "حلل متوسط قيمة GAAP للمستخدمين الصالحين للمنتج X"، يحل DataBridge مصطلح "المستخدمين الصالحين" من خلال الرسم البياني المعرفي الخاص به ويحدد مقياس GAAP من خلال الرسم البياني للبيانات الوصفية الخاص به، رابطًا التعريف المنطقي بالجدول والعمود الفعليين.

يقوم Skill-Hub بتقنين المنهجية التحليلية في حزم مهارات قابلة لإعادة الاستخدام، ومهارات التوجيه، وقوالب التخطيط، وأوصاف سير العمل، والعمليات الذرية مثل اكتشاف الشذوذ أو التنقل الأبعادي. صممت هذه المهارات لتكون غير معتمدة على المجال، حيث تستهلك الأدلة الدلالية من DataBridge بدلاً من ترميز حقائق الأعمال المتغيرة داخلها.

Host هو النظام الفرعي لوقت التشغيل الذي يبلور الخطة كرسم بياني دوري موجه (DAG) من الخطوات القابلة للتنفيذ، ويجدد الفروع المستقلة بالتوازي، وينفذ SQL وPython في بيئات رملية معزولة، ويحافظ على سجل للقطع الأثرية يربط كل نتيجة وسيطة بالإجراء الذي أنتجها.

التطور الذاتي من خلال الاستخدام

يغلق النظام حلقة حرجة: كل مهمة مكتملة تودع تتبع تنفيذها، وملاحظات المستخدم، والطلب التحليلي الجديد مرة أخرى في DataBridge وSkill-Hub. "يتم إيداع الدلالات، والطرق، والخبرة كأصول قابلة للحوكمة والتطور، لذلك يستمر النظام في التحسن كلما تم استخدامه أكثر،" يذكر التقرير. تعريف المقياس المؤكد من قبل المستخدم يصبح عقدة جديدة في الرسم البياني المعرفي؛ المسار التحليلي الناجح يصبح خبرة قابلة لإعادة الاستخدام في الرسم البياني للتتبعات.

تضع علي بابا QwenPaw-Data في مواجهة الأنظمة التجارية الحالية بما في ذلك Microsoft Fabric Data Agent، وAmazon QuickSight، وDatabricks Genie Agent، بحجة أنه النظام الوحيد الذي يوفر دعمًا صريحًا عبر جميع الأبعاد الأربعة للتأسيس الدلالي، والمنهجية التحليلية، وقدرات التنفيذ، والتطور الذاتي. Databricks Genie Agent هو الأقرب ولكن، كما يدعي التقرير، مهاراته التحليلية لا تدعم التطور الذاتي المستمر.

ما وراء الرقم

يمتد تقييم النظام عبر المعايير العامة وأعباء العمل الخاصة بالذكاء التجاري الصناعي. وفقًا للتقرير، QwenPaw-Data "يتفوق بشكل كبير على الوكلاء للأغراض العامة الأقوياء في المهام مفتوحة النهاية والمعايير العامة،" مما يحسن كل من قدرة الوصول إلى البيانات القابلة للتحقق والجودة التحليلية على المستوى الأعلى.

تتصور علي بابا أن QwenPaw-Data يغطي نطاق العمل الذي يقوم به فريق البيانات يوميًا، المراقبة التجارية وتشخيص الشذوذ، وتحليل الاتجاه والنمو، ورؤية المستخدم والتفاعل، وإعداد التقارير التجارية الدورية، والتحليل المتعمق المخصص. النظام متاح من خلال وضعين: واجهة ChatWeb المقدمة كإضافة على منصة الوكيل للأغراض العامة QwenPaw للشركة، وواجهة CLI/SDK للتضمين في أنظمة المؤسسات الحالية.

السؤال الأساسي الذي يحرك البنية هو ما إذا كانت وكلاء البيانات المتخصصة ضرورية حقًا أم أن النماذج الأساسية الأكبر حجمًا والأطر البرمجية الحالية ستغلق الفجوة في النهاية. إجابة التقرير لا لبس فيها: تحليل البيانات ليس هندسة برمجيات، وحتى تتمكن النماذج من التنقل في سير العمل التحليلي مفتوح النهاية بنفس الموثوقية التي توفرها المترجمات للكود، ستكون الأنظمة المخصصة مثل QwenPaw-Data هي المسار العملي المستقبلي.

"الوكلاء التقليديون للأغراض العامة والوكلاء البرمجيون غير قادرين بشكل أساسي على التكيف مع المتطلبات الجوهرية والصارمة لسيناريوهات تحليل البيانات. لذلك، فإن تصميم وتنفيذ وكيل بيانات مخصص ليس مجرد خيار اختياري، بل ضرورة مطلقة."