Big Data LDN 2026: у корпоративного ИИ обнаружилась проблема с контекстом
23–24 сентября в Лондоне прошла Big Data LDN. Один из самых заметных сюжетов конференции - что должно находиться между LLM и корпоративными данными, чтобы агент не просто находил цифры, а понимал, какие из них можно использовать и что они означают. Теме контекста организаторы посвятили отдельную сцену: там обсуждают семантику, графы знаний, RAG и качество ответов.
К этой задаче вендоры подходят со своих сторон. BI-платформы хотят дать агентам доступ к уже описанным показателям и аналитическим моделям. Платформы данных - управлять доступом и работой с источниками. Каталоги данных развиваются в сторону слоя, который объясняет агенту связи между таблицами, происхождение данных и бизнес-термины. Это видно даже по тому, как участники выставки описывают свои продукты: Lightdash говорит о BI-агенте на основе семантического слоя dbt, Atlan - о передаче корпоративного контекста агентам, Collibra - о едином управлении данными, моделями и агентами.
Проблема вполне практическая. На вопрос «Почему снизилась маржа?» агенту мало получить доступ к таблице продаж. Ему нужно понимать, какой период уже закрыт, где учитываются возвраты и корректировки, с какими данными можно соединять продажи и кому вообще доступен этот срез. Иначе получится быстрый, связный ответ, который придётся перепроверять с самого начала.
В программе 23 сентября эту тему хорошо раскрывают два доклада - с разных сторон:
Хуан Секеда из ServiceNow говорит об онтологиях и графах знаний. Его фокус - не на том, как нарисовать ещё одну схему данных, а на более трудной задаче: как зафиксировать общее понимание данных в компании и не превратить создание семантической основы в бесконечный проект.
Рис Гриффитс из Deasy Labs смотрит на другую часть корпоративного контекста - документы. Если в хранилище лежат дубли, устаревшие инструкции и файлы с чувствительной информацией, передать всё это агенту «для полноты картины» - плохая идея. В анонсе доклада предлагается оценивать качество документов по тому, помогают ли они ИИ находить правильный ответ, а не только по формальным признакам качества данных.
Пожалуй, именно здесь сейчас и развивается индустрия. Способ подключить LLM к данным уже не самая интересная часть задачи. Гораздо важнее решить, какой контекст ей передавать, как поддерживать его актуальность и как проверить полученный ответ.
Единого подхода пока не видно - зато стало гораздо понятнее, почему одного чата поверх корпоративных данных недостаточно.
Те же вопросы продолжим обсуждать 23 октября в Москве на FineDay 2026 - уже применительно к реальным задачам корпоративной аналитики. На дискуссии «AI-Ready» поговорим о том, какие данные и бизнес-правила нужны агенту, кто отвечает за их подготовку и как проверить его ответ до того, как на его основе примут решение. А в демо-зоне можно будет посмотреть, как с данными работают ИИ-агенты Dora, и обсудить собственный сценарий с экспертами.
👉 Программа и регистрация.
#BigDataLDN #FineDay #ИИ #LLM #BI #DataGovernance #аналитикаданных
23–24 сентября в Лондоне прошла Big Data LDN. Один из самых заметных сюжетов конференции - что должно находиться между LLM и корпоративными данными, чтобы агент не просто находил цифры, а понимал, какие из них можно использовать и что они означают. Теме контекста организаторы посвятили отдельную сцену: там обсуждают семантику, графы знаний, RAG и качество ответов.
К этой задаче вендоры подходят со своих сторон. BI-платформы хотят дать агентам доступ к уже описанным показателям и аналитическим моделям. Платформы данных - управлять доступом и работой с источниками. Каталоги данных развиваются в сторону слоя, который объясняет агенту связи между таблицами, происхождение данных и бизнес-термины. Это видно даже по тому, как участники выставки описывают свои продукты: Lightdash говорит о BI-агенте на основе семантического слоя dbt, Atlan - о передаче корпоративного контекста агентам, Collibra - о едином управлении данными, моделями и агентами.
Проблема вполне практическая. На вопрос «Почему снизилась маржа?» агенту мало получить доступ к таблице продаж. Ему нужно понимать, какой период уже закрыт, где учитываются возвраты и корректировки, с какими данными можно соединять продажи и кому вообще доступен этот срез. Иначе получится быстрый, связный ответ, который придётся перепроверять с самого начала.
В программе 23 сентября эту тему хорошо раскрывают два доклада - с разных сторон:
Хуан Секеда из ServiceNow говорит об онтологиях и графах знаний. Его фокус - не на том, как нарисовать ещё одну схему данных, а на более трудной задаче: как зафиксировать общее понимание данных в компании и не превратить создание семантической основы в бесконечный проект.
Рис Гриффитс из Deasy Labs смотрит на другую часть корпоративного контекста - документы. Если в хранилище лежат дубли, устаревшие инструкции и файлы с чувствительной информацией, передать всё это агенту «для полноты картины» - плохая идея. В анонсе доклада предлагается оценивать качество документов по тому, помогают ли они ИИ находить правильный ответ, а не только по формальным признакам качества данных.
Пожалуй, именно здесь сейчас и развивается индустрия. Способ подключить LLM к данным уже не самая интересная часть задачи. Гораздо важнее решить, какой контекст ей передавать, как поддерживать его актуальность и как проверить полученный ответ.
Единого подхода пока не видно - зато стало гораздо понятнее, почему одного чата поверх корпоративных данных недостаточно.
Те же вопросы продолжим обсуждать 23 октября в Москве на FineDay 2026 - уже применительно к реальным задачам корпоративной аналитики. На дискуссии «AI-Ready» поговорим о том, какие данные и бизнес-правила нужны агенту, кто отвечает за их подготовку и как проверить его ответ до того, как на его основе примут решение. А в демо-зоне можно будет посмотреть, как с данными работают ИИ-агенты Dora, и обсудить собственный сценарий с экспертами.
👉 Программа и регистрация.
#BigDataLDN #FineDay #ИИ #LLM #BI #DataGovernance #аналитикаданных