QwenPaw-Data d'Alibaba veut être la couche manquante entre les analystes métier et leurs données

L'analyse des données d'entreprise occupe un terrain frustrant. Les agents généralistes, conçus pour la navigation Web ou l'utilisation d'outils, manquent de l'ancrage sémantique nécessaire pour associer un concept comme « utilisateurs valides » à la bonne colonne de base de données. Les agents de codage, construits pour des environnements déterministes avec un retour de type compilateur, échouent dans la boucle floue et humaine de l'analyse métier. Aucun de ces paradigmes, soutient Alibaba Group dans un nouveau rapport technique, n'est équipé pour les problèmes ouverts qui définissent le travail sur les données réelles.

Pourquoi l'analyse de données n'est pas le génie logiciel

Le rapport, qui détaille le nouveau système de données agentique de la société, QwenPaw-Data, établit une distinction nette entre le codage et l'analyse de données. En génie logiciel, chaque étape peut être validée via des compilateurs, des tests unitaires et des journaux d'exécution, une boucle fermée fournissant un retour binaire explicite. « Les tâches d'analyse de données traitées par les agents de données sont intrinsèquement des problèmes ouverts », écrivent les auteurs. « Chaque étape implique une exploration ouverte sans mécanismes déterministes pour prouver l'exactitude. »

Cette ouverture introduit trois difficultés cumulatives. Premièrement, les concepts métier doivent être ancrés aux bonnes entités de données, une tâche obscurcie par une terminologie ambiguë, des schémas obsolètes et un vaste espace de recherche. Deuxièmement, même avec un ancrage correct, la méthodologie analytique doit être codifiée en procédures reproductibles plutôt que laissée au raisonnement ad hoc du modèle. Troisièmement, les flux de travail analytiques sont de longue durée et centrés sur les artefacts, exécutant directement SQL et Python sur des données réelles tout en préservant la provenance et en permettant l'intervention humaine en cours d'exécution.

Trois sous-systèmes, un agent

QwenPaw-Data répond à ces défis via une architecture à trois niveaux. DataBridge fournit la couche de preuve sémantique, organisant les métadonnées, les connaissances métier et les traces de tâches historiques en trois graphes interconnectés. Lorsqu'un utilisateur demande « analyser la valeur GAAP moyenne des utilisateurs valides pour le produit X », DataBridge résout « utilisateurs valides » via son graphe de connaissances et localise la métrique GAAP via son graphe de métadonnées, liant la définition logique à la table et à la colonne physiques.

Skill-Hub codifie la méthodologie analytique en packages de compétences réutilisables, compétences de routage, modèles de planification, descriptions de flux de travail et opérations atomiques comme la détection d'anomalies ou l'analyse dimensionnelle descendante. Ces compétences sont conçues pour être indépendantes du domaine, consommant des preuves sémantiques de DataBridge plutôt que d'encoder des faits métier changeants en leur sein.

Host est le sous-système d'exécution qui matérialise le plan sous la forme d'un graphe orienté acyclique (DAG) d'étapes exécutables, planifiant les branches indépendantes en parallèle, exécutant SQL et Python dans des environnements isolés, et maintenant un registre d'artefacts qui relie chaque résultat intermédiaire à son action productrice.

Auto-évolution par l'utilisation

Le système ferme une boucle critique : chaque tâche terminée dépose sa trace d'exécution, les retours utilisateur et la nouvelle demande analytique de retour dans DataBridge et Skill-Hub. « La sémantique, les méthodes et l'expérience sont déposées comme des actifs gouvernables et évolutifs, de sorte que le système s'améliore d'autant plus qu'il est utilisé », indique le rapport. Une définition de métrique confirmée par l'utilisateur devient un nouveau nœud dans le graphe de connaissances ; un chemin analytique réussi devient une expérience réutilisable dans le graphe de traces.

Alibaba positionne QwenPaw-Data par rapport aux systèmes commerciaux existants, notamment Microsoft Fabric Data Agent, Amazon QuickSight et Databricks Genie Agent, arguant qu'il est le seul système offrant un support explicite sur les quatre dimensions de l'ancrage sémantique, de la méthodologie analytique, des capacités d'exécution et de l'auto-évolution. Databricks Genie Agent est le plus proche mais, selon le rapport, ses compétences analytiques ne prennent pas en charge une auto-évolution persistante.

Au-delà du nombre

L'évaluation du système couvre les benchmarks publics et les charges de travail BI industrielles réelles. Selon le rapport, QwenPaw-Data « surpasse substantiellement les agents généralistes puissants sur les tâches ouvertes et les benchmarks publics », améliorant à la fois la capacité d'accès aux données vérifiable et la qualité analytique de niveau supérieur.

Alibaba envisage que QwenPaw-Data couvre la gamme de travail qu'une équipe de données traite quotidiennement : surveillance métier et diagnostic d'anomalies, analyse des tendances et de la croissance, analyse des utilisateurs et des interactions, reporting métier périodique et analyse d'approfondissement ad hoc. Le système est disponible via deux modes : une interface ChatWeb fournie en tant que plugin sur la plateforme d'agents généralistes QwenPaw de la société, et une CLI/SDK pour intégration dans les systèmes d'entreprise existants.

La question sous-jacente qui motive l'architecture est de savoir si des agents de données spécialisés sont vraiment nécessaires ou si des modèles de base toujours plus grands et des cadres de codage existants finiront par combler le fossé. La réponse du rapport est sans équivoque : l'analyse de données n'est pas du génie logiciel, et jusqu'à ce que les modèles puissent naviguer dans des flux de travail analytiques ouverts avec la même fiabilité que les compilateurs fournissent pour le code, des systèmes dédiés comme QwenPaw-Data seront la voie pratique à suivre.

« Les agents généralistes et de codage traditionnels sont fondamentalement incapables de s'adapter aux exigences intrinsèques et strictes des scénarios d'analyse de données. Par conséquent, la conception et la mise en œuvre d'un agent de données dédié ne sont pas une simple option, mais une obligation absolue. »