Qu’est-ce qu’un agent de données ? | Vers la science des données

j’ai l’opportunité d’essayer de nouveaux outils d’analyse basés sur l’IA, notamment l’agent de données de Microsoft Fabric. C’est pourquoi je souhaite partager ce que j’ai appris, expliquer ce qu’est un agent de données et souligner la différence entre celui-ci et un agent IA « standard ».

Alors, sans plus tarder, voici ma définition d’un agent de données :

Un agent de données est un rapport auquel vous pouvez parler.

Pour ceux d’entre nous qui travaillent dans l’analyse, cela signifie que deux souhaits de longue date pourraient enfin devenir réalité :

#1 : Les analystes passent beaucoup moins de temps à créer des visualisations.
#2 : Les informations en libre-service se rapprochent des utilisateurs professionnels.

Permettez-moi de développer un peu plus chacun de ces points.

Moins de visualisations, pas moins d’informations

J’apprécie vraiment un bon rapport qui peut me dire « quoi de neuf » avec les mesures qui m’intéressent actuellement. Mais étant formé en analytique, je sais comment les rapports peuvent parfois présenter les mesures sous un mauvais jour, ce qui amène les utilisateurs professionnels à demander fréquemment aux analystes l’interprétation des KPI, généralement 10 minutes avant les réunions importantes.

Et c’est l’une des raisons pour lesquelles nous nous retrouvons souvent dans un cercle vicieux où personne n’utilise des tableaux de bord et où les parties prenantes veulent constamment que « le nombre » soit servi ponctuellement ou via des feuilles de calcul.

Le bon côté des choses, les visualisations et les feuilles de calcul ne vont nulle part, mais la diffusion des informations a une nouvelle manière avec un agent de données Fabric.

Au lieu d’encapsuler les requêtes dans des graphiques, vous pouvez les envelopper dans des invites et des instructions associées à l’ensemble de données gouvernées prêtes à être consommées dans Fabric, c’est-à-dire dans un Lakehouse, un entrepôt, des modèles sémantiques Power BI, une base de données KQL ou même une ontologie. Cela implique que les données sous-jacentes doivent encore être préparées et modélisées pour répondre à des questions commerciales telles que «Quels ont été les revenus cette semaine par rapport à la semaine dernière ?»

Cependant, du point de vue de la conception, plutôt que de créer un rapport visuel limité pour répondre à cette question commerciale, vous créez maintenant un agent de données limité pour fournir cela, ainsi que d’autres sous-ensembles de réponses dérivés du ou des modèles de données sous-jacents.

Plus précisément, le flux entrée-sortie se déroule comme suit :
(1) une partie prenante pose une question, (2) l’agent, alimenté par l’API Azure OpenAI Assistant, interprète la question et « décide » laquelle des sources de données est la plus susceptible d’avoir la réponse en fonction des schémas sources et des instructions de l’agent, (3) génère la requête appropriée (SQL, DAX ou KQL selon le type de source), (4) la valide, (5) l’exécute sous les informations d’identification de la partie prenante et (6) renvoie le résultat sous forme de texte ou de tableau, non (encore) comme visuel.

En résumé, une interaction des parties prenantes avec des informations via l’agent de données est une session de questions-réponses au-dessus de l’ensemble de données organisé, et les visuels approfondis peuvent être remplacés par des questions de suivi, telles que «Pouvez-vous également répartir les revenus par segment ?»

Cela montre clairement que le travail des analystes n’a plus besoin d’être réexprimé uniquement via des tableaux de bord, c’est-à-dire la preuve tangible bien connue que le travail de capture de la logique métier dans les modèles de données a été accompli.

Maintenant, parlons de…

Des informations en libre-service, plus proches de l’endroit où « vivent » les utilisateurs professionnels

J’ai déjà mentionné que les rapports peuvent parfois déformer les mesures, mais ce n’est pas la seule raison pour laquelle « Si tu le construis, ils viendront » fonctionne rarement pour eux ou pour l’analyse en général. La vérité est que la barrière des connaissances est souvent trop élevée pour comprendre les modèles sémantiques sous-jacents et comment utiliser les outils de BI pour créer des visuels au-dessus.

Bien que cela souligne la maîtrise des données, qui constitue un problème de gestion du changement, il est un fait que le public professionnel ciblé, qui devrait être des consommateurs, a souvent trop de pain sur la planche pour se donner la peine d’apprendre les outils de BI pour l’analyse en libre-service.

C’est pourquoi il est important de rapprocher les informations de l’endroit où les utilisateurs finaux « vivent », ce qui pointe aujourd’hui vers des outils basés sur l’IA comme M365 Copilot.

Avec la possibilité d’exposer des informations via des agents de données en dehors de Fabric, les analystes peuvent désormais se concentrer sur la logique analytique derrière les agents de données en libre-service, et les utilisateurs finaux peuvent accéder aux informations dans les mêmes outils basés sur l’IA qui prennent en charge leurs autres tâches quotidiennes, sans la complexité de passer à une autre plateforme.

Je dois noter que ce n’est pas la seule façon d’intégrer les agents de données Fabric dans les workflows, et que vous soyez développeur ou consommateur, c’est bon à savoir…

La différence entre les données et un agent IA

Nous avons appris jusqu’à présent que l’agent de données Fabric est un agent analytique axé sur l’accès aux données gouverné en lecture seule, capable de traduire des invites en langage naturel en requêtes de base de données complexes qui débloquent des informations, même en dehors du locataire Fabric.

De l’autre côté, un agent IA est défini comme un système qui permet aux grands modèles linguistiques (LLM) de faire des choses, ne vous contentez pas de répondre aux invites, au nom des utilisateurs ou d’autres systèmes en accédant à des outils et des connaissances.

Cela signifie que toute la magie réside dans la configuration de l’agent IA, où vous pouvez utiliser un agent de données Fabric comme outil spécialisé ou source de connaissances.

Je vais illustrer cela avec un exemple simple.

Imaginez qu’un utilisateur autorisé demande à l’agent IA de « Rédigez un e-mail à l’équipe résumant les revenus de la semaine dernière par segment. » Pour effectuer ce travail, l’agent IA devra, entre autres, préparer des informations sur les revenus à partir de la base de données de l’entreprise. Ainsi, dans le but de réduire les erreurs de calcul des revenus, le développeur concevrait un flux de travail agent pour acheminer l’invite de saisie vers l’agent de données Fabric. outilqui se chargerait de la lourde tâche consistant à déterminer le schéma, à écrire la requête, à l’exécuter et à renvoyer les chiffres précis. Enfin, l’agent IA utiliserait ensuite ces chiffres pour terminer son flux de travail plus large et rédiger l’e-mail.

Quelle est donc la différence entre ces deux-là ? C’est un agent IA actestandis que l’agent de données terrains.

---

Merci d’avoir lu.

Si vous avez trouvé cet article utile, n’hésitez pas à le partager avec votre réseau. 👏

Connectez-vous pour plus d’histoires sur Moyen✍️ et LinkedIn 🖇️.

---

Vous souhaitez en savoir plus sur les agents de données ?

Si tel est le cas, consultez les ressources suivantes :

Création d’agent de données Fabric – Microsoft Fabric
Découvrez comment créer un agent de données Fabric capable de répondre aux questions sur les données.apprendre.microsoft.com

Implémenter les agents de données Microsoft Fabric – Formation
Implémenter Microsoft Fabric Data Agents (discuter avec vos données)apprendre.microsoft.com