A cégeknél általában rengeteg értékes adat van a meglévő ügyviteli rendszerben, CRM-ben vagy más belső adatbázisban. A probléma gyakran nem az, hogy nincs adat, hanem az, hogy egy egyszerű kérdés megválaszolásához is riportot kell kérni vagy informatikus segítségére van szükség.
Egy kísérleti projektünkben azt vizsgáltuk meg, hogyan lehet ezen AI segítségével változtatni. Így készült el a Vitarex AI DB Bridge: egy működő prototípus, amely a meglévő adatbázis és az AI-kliens között biztosít kontrollált kapcsolatot.
A probléma
A pilotban a PCA JOB rendszer adataival dolgoztunk. Az információk rendelkezésre álltak, de a lekérdezésükhöz SQL-ismeretre vagy külön riportokra volt szükség.
Vagyis a felhasználó nem kérdezhette meg egyszerűen:
„Mutasd meg azokat az adatokat, amelyekre most szükségem van.”
Ehhez előbb technikai segítséget kellett kérnie.
Mit készítettünk?
A .NET-alapú Bridge MCP-kapcsolaton keresztül teszi elérhetővé az adatbázis feltárásához és lekérdezéséhez szükséges eszközöket az AI-kliens számára. A prototípus SQL Server adatbázishoz kapcsolódik, ellenőrzött, csak olvasható SQL-lekérdezésekkel.
A cél az, hogy a felhasználó hétköznapi nyelven tegye fel a kérdését, az AI pedig segítsen megtalálni a választ a vállalat saját adataiban.
Ehhez nem elég egyszerűen „ráengedni” az AI-t az adatbázisra. A megoldás öntanuló módon építi és finomítja az üzleti fogalomtárát: egy új, korábban ismeretlen rendszerben először megpróbálja feltérképezni, mit jelentenek az adatok, hogyan kapcsolódnak egymáshoz, és milyen üzleti fogalmakat írnak le.
Az első értelmezéseket a felhasználók visszajelzései alapján folyamatosan pontosítja. Ha egy fogalom mást jelent a napi működésben, vagy egy válaszhoz további összefüggést kell figyelembe venni, ez a tudás beépül a fogalomtárba. Így a rendszer használat közben egyre jobban megismeri a vállalat saját üzleti nyelvét.
A pilotban például az alkalmassági vizsgálatok fő adatai olyan táblában szerepeltek, amelynek neve önmagában nem utalt egyértelműen erre. Az „elmaradt vizsgálat” fogalmát sem lehetett egyetlen státuszmezőből levezetni. A pontos válaszhoz a működési szabályok feltárására is szükség volt.
Az eredmény
Elkészült a sémafeltárást, üzleti fogalomtárat és csak olvasható lekérdezést biztosító prototípus. A lekérdezések korlátozhatók, a kérések és a végrehajtások naplózhatók; a Bridge nem módosítja a forrásadatokat.
Egy kérdésből gyógyszertörzs-elemzés
A mellékelt demóban a kérés lényege ez volt: „Hogyan néz ki a gyógyszertörzsünk: mennyi az aktív, vényköteles és támogatott tétel, melyek a jellemző terápiás csoportok, és milyen árszintek látszanak?” A kérdezőnek nem kellett táblaneveket vagy SQL-lekérdezést megadnia.
A lekérdezésekből vezetői összefoglaló, rangsorok, diagramok és CSV-adatsorok készültek. Az elemzés 87 735 gyógyszer-kiszerelési rekordot vizsgált; az alkalmazott szűrés szerint 6 382 tétel tartozott az aktív körbe.
Az is eredmény, ha kiderül, mire nem elég az adat
A demó az értelmezési korlátokat is jelezte. A gyártói mező például csak a teljes kör 4,1%-ánál volt kitöltve, így abból nem lehetett teljes rangsort készíteni. Az aktív tételek 54%-ánál nulla ár szerepelt: ez nem ingyenes gyógyszert jelentett, hanem azt, hogy ebből az adatból nem állapítható meg a tényleges árszint.
A fő tanulság: az adatbázis elérése csak a kezdet. A hasznos válaszhoz tisztázni kell a fogalmakat, a számításba vett adatkört és a hiányzó értékek jelentését is.
Hol tart a megoldás? A prototípus és a bemutatóelemzés elkészült. Az orvosi felhasználói bevezetés, a lekérdezési teljesítmény további vizsgálata és az üzleti haszon mérése még hátravan.
Miért lehet ez érdekes más vállalkozások számára is?
Hasonló megoldás lehet hasznos, ha a cégnél:
- Sok adat van a meglévő rendszerekben, de nehéz belőlük információt kinyerni.
- Gyakran kell egyedi riportokat kérni.
- A vezetők vagy munkatársak rendszeresen az informatikától várnak válaszokat egyszerű üzleti kérdésekre.
- Több éves, összetett adatbázis működik a háttérben.
- Szeretnék, ha a munkatársak természetes nyelven kérdezhetnének a saját vállalati adatokból.
A konkrét megoldás természetesen minden vállalatnál más: az AI-t a saját rendszerhez, adatokhoz és üzleti fogalmakhoz kell igazítani.
Felismerted benne a saját problémádat?
Ha a vállalkozásodban sok értékes adat van, de azokból ma még nehéz gyorsan választ kapni egy-egy üzleti kérdésre, érdemes lehet megvizsgálni, hogyan tehető ez egyszerűbbé AI segítségével.
Nem kell előre tudnod, milyen technológia szükséges hozzá. Elég, ha megmutatod, milyen kérdésekre szeretnél gyorsabban választ kapni.