Андрей Прохоров, Data Sapience:
ИИ-агенты станут главными пользователями платформ данных

Какие ИИ-помощники экономят больше всего времени уже сегодня, и чем помощник платформы отличается от чат-бота, обученного на документации?

Трудно переоценить значение ИИ-ассистента на начальном этапе работы с платформой: ещё не сложилась картина взаимосвязей компонентов, не накопился опыт диагностики, не запомнились интерфейсы администрирования и мониторинга. Возможность задать вопрос обычным текстом снимает один из самых трудных барьеров начального погружения.

Отдельно стоит сказать про помощников разработчика и администратора, где всё упирается в цену проверки. Подсказку в редакторе запросов проверяют сразу: запрос либо выполнился, либо нет. Диагностическую подсказку администратору тоже. Где проверка дешёвая, помощник полезен даже при неидеальном качестве, потому что ошибка почти ничего не стоит.

Чтобы пользователи не только получали ответы, но и знакомились с архитектурой и интерфейсами, есть ИИ-помощник по документации. Он не выдаёт готовый ответ, а подсказывает, в каком пункте меню или разделе документации искать нужное или как выполнить действие.

Обучать ли модель документации по продукту, операционной системе, Kubernetes и всему, что придёт в голову? Первое желание именно такое. Мы пошли другим путём: даём модели проиндексированную документацию и доступ к диагностическим утилитам. В платформе Data Ocean Nova реализованы MCP-серверы (MCP — стандартный протокол, по которому ИИ подключается к инструментам и данным), которые собирают информацию из нескольких десятков диагностических утилит и журналов. Одним текстовым запросом можно получить диагностику по всем компонентам распределённого кластера.

ИИ-агент появился и в инструментах отчётности, и в платформах данных. Чем они принципиально отличаются?

Система отчётности обычно формирует собственный семантический слой и собственную модель контроля прав доступа поверх него. Результатом работы агента является визуализация средствами этого инструмента.

ИИ-агент внутри платформы данных обращается к таблицам напрямую SQL-запросами и формирует выборку. Её можно дополнить базовой визуализацией.

Отсюда и различия. Инструмент отчётности рассчитан на самого массового потребителя внутри компании, который воспринимает информацию визуально. ИИ-агент внутри платформы рассчитан на исследователя, который в диалоге с агентом ожидает в первую очередь цифры, с которыми готов работать.

В новой версии Data Ocean Nova от Data Sapience ИИ-агенты получили доступ к данным платформы. Как убедиться, что агент видит только то, что положено спросившему?

Проверять надо отказом, а не чтением политик. Личность пользователя должна доходить до движка, а не подменяться общей служебной учётной записью. Нормальная приёмка выглядит так: один и тот же запрос выполняют два сотрудника с разным членством в группах. Один получает данные, второй отказ, а в журнале аудита стоит настоящее имя. Пока такой проверки не было, фраза «ассистент работает в правах пользователя» ничем не подтверждена.

В релизе Data Ocean Nova 2026.3.0 появился MCP-сервер. Через него ИИ-агенты подключаются к данным и метаданным платформы, видят базы, таблицы и столбцы. Агент только читает и ограничен привилегиями конкретного пользователя. Поверх сервера в интерфейсе Platform UI работает ИИ-ассистент: человек задаёт вопрос обычным языком, ассистент пишет SQL, задаёт уточняющие вопросы и считает, например, сумму продаж по нескольким таблицам за период.

Две вещи обычно забывают проверить. Маскирование и фильтрацию строк смотрят по результату запроса, а не по списку политик: у разных движков набор типов маскирования разный, и одинаково заведённая политика может скрыть данные по-разному. И права на объектное хранилище живут отдельно от прав на SQL: если колонка закрыта в запросе, тот же файл не должен читаться напрямую из хранилища. Мы в Data Sapience реализовали оба пункта запросами от имени реального пользователя. Того же стоит требовать от любого другого поставщика.

Закрытый контур стал условием допуска к пилоту. Какая модель там работает и чем за это приходится платить?

Lakehouse-платформа Data Ocean Nova от Data Sapience может использовать как облачные, так и локальные языковые модели. Можно подключиться к уже имеющейся внутрикорпоративной модели или развернуть отдельную для платформы данных.

Для пилотного проекта в контуре заказчика можно развернуть модель на 35 миллиардов параметров со сжатием до четырёх бит. Она занимает около 22 ГБ памяти и помещается на одном сервере с 64 ГБ оперативной памяти. На тестовых вопросах для подтверждения концепции её хватает: модель не сочиняет ответ, а пересказывает то, что вернули инструменты.

Платить приходится железом: для промышленной эксплуатации с сотнями пользователей в кластер нужно включить выделенные серверы для языковой модели с GPU-картами.

Заказчики часто спрашивают про точность ответов ИИ-ассистента. Как её измерить?

Точность можно измерить, подготовив список проверочных вопросов и проверив ответы экспертом. Вопросы должны быть достаточно сложными, чтобы самые мощные модели давали заметное число ошибок. Если на тесте из 50 вопросов четыре модели ответят верно на 49, а одна на 48, такой набор не поможет сравнивать.

Отражают ли проверочные вопросы специфику работы пользователей? Скорее всего нет. Поэтому следующим шагом должен стать сбор оценок пользователей о качестве ответов и анализ этих оценок и истории чатов, чтобы повышать качество работы ассистента.

Поэтому высокая точность на демонстрации о пользе ничего не говорит: набор, на котором её считают, состоит из того, что ассистент уже умеет, и смещён к простым вопросам. А в эксплуатации правильный ответ заранее неизвестен, так что точность там приходится оценивать косвенно, по реакции пользователей.

Вендоры обещают на год вперёд и редко возвращаются к обещаниям. На Data Sapience Data Day вы сверите прошлогодние обещания с результатами. Зачем это делать публично?

Обещание без проверки ничего не стоит. Заказчик выбирает платформу на годы и должен видеть, выполняет ли вендор сказанное. На Data Sapience Data Day 18 ноября эксперты Data Sapience сверят обещания по Data Ocean и Data Ocean Governance с результатами, покажут новые продукты и расскажут о планах на 2027 год. В демозоне можно будет увидеть ИИ-ассистента Data Ocean Nova вживую. Клиенты расскажут о своих проектах сами.

К концу 2027 года ИИ-агенты станут повседневным инструментом аналитика или останутся демонстрацией?

Во многих компаниях ИИ-агенты уже стали рабочим инструментом для отдельных задач. На Data Sapience Data Day 2026 этому будут посвящены выступление Газпромбанка и другие клиентские доклады. Глубину распространения определят качество ответов и полнота функционала. К концу 2027 года ИИ-агенты, скорее всего, станут основными пользователями платформ данных: часть будет напрямую отвечать на запросы людей, другая часть работать в автоматических процессах.

MCP может стать новым JDBC-интерфейсом к данным (так сейчас большинство приложений подключаются к базам данных), а число активных сессий и запросов может просто взорваться. Тогда управление нагрузкой и открытыми сессиями выйдет на новый уровень. Архитектура Data Ocean Nova с поддержкой различных типов систем распределенной обработки данных, разделением Compute и Store, собственными алгоритмами оптимизации производительности к этому готова.