ИИ-агент: как новый цифровой коллега помогает с большими данными

Не только дает советы в чате, но и сам закрывает сложные рутинные задачи.

Объем информации в корпоративных хранилищах данных (КХД) растет на 30% в год, а в отраслях-лидерах динамика составляет сотни процентов. Системы становятся больше и сложнее, накапливается легаси (устаревший код, который используется, хоть больше не соответствует современным стандартам и запросам), в то же время появляются дополнительные требования к КХД, как минимум, с точки зрения безопасности.

Но самая главная сложность в индустрии связана с кадрами. На рынке хронический дефицит системных аналитиков, администраторов и архитекторов БД. Даже при высоких зарплатах и готовности обучать новые кадры закрыть спрос сложно. При этом объём данных продолжает увеличиваться, и развивать хранилища всё равно нужно.

Решение проблемы — в подключении ИИ-агентов на базе генеративных нейросетей. Они повышают производительность текущих сотрудников, позволяя справляться с ростом и усложнением КХД без необходимости сопоставимого увеличения команды.

В отличие от чат-бота ИИ-агент не ограничивается только ответами на вопросы. Он самостоятельно выполняет действия в хранилище данных и связанных с ним системах: от анализа кода витрин до генерации SQL и проверки качества данных.

В результате экономия времени реальных сотрудников составляет от 15% их рабочего дня. Для отдела из 20 человек это означает до 10 млн рублей фонда оплаты труда в год. Всё это без сокращения штата. Просто за счёт того, что при росте объёмов данных не приходится нанимать новых сотрудников.

Функционал ИИ-агента охватывает весь жизненный цикл работы с КХД: от миграции до контроля качества. Но чаще всего компании начинают с точечных задач, которые позволяют быстро навести порядок и получить измеримый эффект.

Простой пример: перед переходом на новое хранилище выясняется, что за годы работы объекты назывались кто как мог: товар — Art, клиент — Client, а иногда и вовсе комбинацией символов, понятной только автору. Новые стандарты наименования могут занимать сотни страниц: с ограничениями длины слов, обязательными префиксами и суффиксами. Раньше это означало, что команде пришлось бы вручную переименовать тысячи объектов, рискуя упустить нюансы и нарушить единообразие. ИИ-агент за короткое время анализирует все правила, применяет их к данным и без ошибок приводит КХД в соответствие стандарту.

Второй популярный сценарий — построение атрибутного data lineage в хранилищах, где документация устарела или вовсе отсутствует.

В крупных КХД с тысячами витрин и сложными связями между объектами разобраться в логике бывает сложно. Человеку потребовались бы недели кропотливого анализа кода и логов, чтобы распутать этот клубок. ИИ-агент, имея доступ к хранилищу и базе знаний, восстанавливает связи между таблицами и полями, отображая полную цепочку происхождения каждого показателя.

С легаси-объектами работа по той же логике: ИИ-агент анализирует использование устаревших витрин, созданных без соблюдения актуальных стандартов, определяет степень их востребованности и помогает принять решение, что с ними делать: обновлять, объединять или выводить из эксплуатации.

Третье направление, где особенно часто используется продукт, — реинжиниринг SQL. ИИ-агент от Т1 знает 17 наиболее распространенных диалектов SQL. Он может взять скрипт объёмом в тысячу строк, «разобрать» его на части, понять, что именно он делает, и оформить в виде бизнес-требований по корпоративным шаблонам. Это экономит часы работы специалистов и снижает риск ошибок.

Обратная задача также решается: из текстового описания бизнес-требований на естественном языке агент формирует корректный SQL-код на нужном диалекте, соблюдая внутренние архитектурные правила. Следующий этап — автоматическое построение витрин и дашбордов на основе сгенерированного SQL, чтобы специалисту оставалось только проверить готовый результат, а не тратить время на ручную сборку и визуализацию данных.

Благодаря такому растущему набору функций ИИ-агент становится универсальным инструментом, который можно встроить практически в любую архитектуру КХД. Он одинаково полезен как при разовых проектах миграции, так и при постоянном развитии баз, когда требуется поддерживать порядок в быстро растущем массиве данных.

Когда хранилище уже полностью «разобрано» и «приведено в порядок» посредством нашего агента, открывается перспектива формирование точных text2SQL запросов. То есть из запроса на естественном языке формируется SQL-код.

Пользователь может задавать вопрос на естественном языке и получать ответы от хранилища данных.

Также агент автоматически строит BI-отчеты на выбранном стеке, находит в данных инсайты и делает самостоятельно выводы.

Железо и интеграции. Внедрение ИИ-агента не требует сложных интеграционных проектов. Достаточно обеспечить доступ к хранилищу данных через техническую учётную запись и, при необходимости, к корпоративной базе знаний или дата-каталогу. Агент использует стандартные механизмы подключения к БД, поэтому легко встраивается в существующий стек в контуре компании, соблюдая правила авторизации и разграничения прав.

Масштаб требуемой для ИИ-агента инфраструктуры зависит от объёма КХД, темпов его развития и числа пользователей. В случае с крупными хранилищами для интенсивной работы и ускорения работы больших языковых моделей может потребоваться использование GPU.

Регламенты. Перед тем как перейти к развёртыванию, полезно оценить не только техническую готовность, но и организационные аспекты. Важно заранее согласовать работу агента с внутренними регламентами, архитектурными требованиями и политиками безопасности. Отсутствие раннего подключения службы ИБ на практике часто приводит к ограничениям или задержкам при доступе к данным.

Ещё один шаг, который экономит время, — подготовка корпоративных шаблонов и правил, по которым агент будет формировать документацию, SQL-код и наименования объектов.

Люди. Новые решения часто встречают сопротивление команды из-за недоверия к результатам и боязни, что люди останутся без работы. Чтобы минимизировать риски, важно сразу объяснить сотрудникам, что агент — инструмент для снятия рутинной нагрузки, а не сокращения штата. Эффективно работает демонстрация конкретных сценариев, где агент экономит часы и помогает быстрее достигать результата, но финальные решения всё равно принимает человек.

Не менее важно научить команду формулировать запросы и верифицировать результаты работы агента. Интуитивный интерфейс и взаимодействие на естественном языке делают обучение быстрым, но без системного подхода пользователи будут ограничиваться только базовыми функциями, недооценивая потенциал инструмента.

Когда инфраструктура готова, регламенты согласованы, а команда понимает ценность нового инструмента, можно переходить к внедрению. Чтобы минимизировать риски и быстрее получить первые результаты, можно двигаться по следующему плану:

ИИ-агент в КХД — не эксперимент на будущее, а практический инструмент, который сегодня помогает командам работать быстрее и точнее. Решение не заменяет людей, а усиливает их: снимает рутину и позволяет сосредоточиться на стратегических задачах. Для компаний с растущими объёмами данных это способ поддерживать и развивать инфраструктуру без экспоненциального роста штата, сохраняя при этом качество, управляемость и безопасность данных.