Belső adatelemző ügynököt mutatott be a GitHub, természetes nyelven válaszol az adatokra
A Qubot másodpercek alatt képes válaszolni a fejlesztők adatkérdéseire, és a GitHub szerint nullaköltséggel működik, segítve a csapatokat az ismeretlen adathalmazok gyors megértésében.
A GitHub bemutatta a Qubotot, egy belső, mesterséges intelligenciával (AI) működő adatelemző ügynököt, amely a GitHub Copilot technológiájára épül. A cél, hogy a fejlesztők valóban önállóan férjenek hozzá az adatokhoz és az elemzésekhez, ami évtizedek óta megoldatlan probléma az iparágban. (GitHub Blog)
A Qubot lehetővé teszi a GitHub alkalmazottai számára, hogy természetes nyelven tegyenek fel kérdéseket a vállalat adathalmazairól, és másodperceken belül választ kapjanak. Ez nem egy jelentéskészítő eszköz, hanem inkább exploratív kérdésekhez használható, mint például, hogy melyik felhasználói csoport mutatja a legmagasabb megtartási arányt egy adott funkció esetében, vagy melyik termék járult hozzá leginkább egy metrika mozgásához az elmúlt héten. A GitHub blogbejegyzése szerint a Qubot nullaköltséges karbantartást igényel, és segít a csapatoknak gyorsan eligazodni az ismeretlen adathalmazokban.
Kapcsolódó: AI ügynökök verziókövetése
Az ügynök architektúrája három fő komponensből áll: felhasználói felület, kontextus réteg és lekérdező motor. A felhasználói felületen keresztül Slacken, VS Code-on és a Copilot CLI-n érhető el. A Slack felület nem igényel konfigurációt, és a kérdésekre adott válaszok megoszthatók, valamint a beszélgetésben tovább finomíthatók. Az eredmények markdown jelentésként mentődnek egy pull requestben, amely hivatkozási alapként szolgálhat. A VS Code és a Copilot CLI integrációja a fejlesztők munkafolyamatába illeszkedik.
Kapcsolódó: Copilot CLI fejlesztések
A kontextus réteg a GitHub adatházának különböző állapotú adatait kezeli: nyers események (bronze), konformált tények és dimenziók (silver), valamint specifikus üzleti célokra kialakított adatkészletek (gold). A réteg folyamatosan gazdagodik metaadatokkal és jelzésekkel az ETL folyamatokon keresztül. A kontextus betöltése futásidőben történik a GitHub MCP Serveren keresztül. A kontextus ügynök szabványosított sablonokon vagy adattárhivatkozásokon keresztül fogadja a csapatok hozzájárulását, majd feldolgozza és normalizálja az információt.
Kapcsolódó: AI kódoló eszközök
Minden változtatást egy értékelési keretrendszer vizsgál meg, mielőtt élesbe kerülne. A tesztelési keretrendszer magában foglalja a teszteseteket (utasítások ismert helyes válaszokkal), az automatizált futtatásokat és a statisztikák összesítését, amelyek mérik a válasz pontosságát és a késleltetést. A lekérdező motor részeként a Qubot a Kusto és a Trino rendszerekhez csatlakozik, amelyek a GitHub analitikai munkaterhelésének nagy részét kezelik. Alapértelmezetten a Kusto használatos, de a rendszer automatikusan átkapcsol Trino-ra, ha a kérdés azt megköveteli.
Kapcsolódó: TinyFish BigSet adatbázisok
A Qubot széles körű elfogadottságot nyert a GitHubnál, több száz felhasználó futtat vele több ezer lekérdezést. A Slack csatornákon feltett adatelemzési kérdések száma drasztikusan csökkent, mivel a felhasználók nagyobb autonómiával fedezhetik fel az adatokat. A kontextus réteg kulcsfontosságúnak bizonyult az ügynök pontosságának és sebességének növelésében, háromszoros gyorsulást eredményezve a válaszadásban. A Qubot sikeresen központosította a megosztott tudást egyetlen eszközbe, ösztönözve a csapatokat a hozzájárulásra.
Kapcsolódó: AI ügynökstack kitalakulása