🎯 Definicja
GenAI w Ataccama (Generative AI) to zestaw funkcjonalności opartych na sztucznej inteligencji generatywnej, zintegrowanej z platformą Ataccama ONE, które mają na celu zwiększenie produktywności zespołów danych, automatyzację powtarzalnych zadań oraz wspomaganie użytkowników w analizie i zarządzaniu danymi.
Funkcje te opierają się na dużych modelach językowych (LLM) i odnoszą się do wykorzystania naturalnego języka oraz AI w generowaniu opisu danych, reguł jakości i interakcji z katalogiem danych.
🔑 Kluczowe punkty
- 🤖 Wspierana przez duże modele językowe (LLM) – umożliwia interakcję z danymi przez język naturalny.
- 📋 Automatyczne generowanie: opisów zasobów danych, reguł DQ, raportów jakości danych.
- 🔍 Inteligentna analiza danych, wykrywanie anomalii, klasyfikacja danych (np. PII).
- 🧠 Asystent AI gotowy do odpowiadania na zapytania użytkowników w ramach katalogu danych.
- 🚀 Przyspiesza wdrażanie projektów i eliminuje manualną, powtarzalną pracę.
📚 Szczegółowe wyjaśnienie
Kluczowe zastosowania GenAI w Ataccama
| Funkcja GenAI | Opis |
|---|---|
| 🎯 Klasyfikacja danych (Data Classification) | Automatyczne klasyfikowanie pól jako PII, NIP, numer konta itp. |
| 📈 Wykrywanie anomalii (Anomaly Detection) | AI wykrywa anomalie wartości danych lub wzorców |
| 🧬 Dopasowywanie danych (Data Matching) | GenAI wspiera rozpoznawanie rekordów podobnych lub zduplikowanych |
| 📝 Generowanie reguł jakości (Gen. DQ rules) | Można opisać regułę w języku naturalnym — AI tworzy definicję logiczną |
| 🧾 Generowanie opisów (Gen. asset descriptions) | Tworzy automatyczne opisy tabel, kolumn, terminów słownika |
| 🔍 Zapytania przy użyciu języka naturalnego | Wyszukiwanie danych/raportów/terminów na podstawie zapytań tekstowych |
| 💬 AI Assistant | Chat z AI w katalogu – odpowiada na pytania, podpowiada, sugeruje dane |
| 📊 AI-generated DQ reports | Tworzenie podsumowań jakości danych automatycznie przez AI |
Problemy, które rozwiązuje GenAI
- 🤯 Brak zasobów: zespoły zarządzania danymi są często małe i przeciążone manualną pracą (często to < 0,1% załogi).
- 🐢 Wolne wdrożenia: pisanie manualnych reguł jakości i wzbogacanie metadanych zajmuje dużo czasu.
- 🔁 Powtarzalność: opisywanie pól, mapowanie terminów, tworzenie reguł od podstaw to czasochłonny obowiązek.
- 🎛️ Niska akceptacja użytkowników nietechnicznych – AI eliminuje barierę interfejsu przez dialog językowy.
Jak działa?
- Funkcjonalności GenAI uruchamiane są w wybranych sekcjach platformy:
- ✓ Na poziomie katalogu danych (items, columns)
- ✓ W edytorze reguł DQ
- ✓ W słowniku terminów (glossary)
- ✓ W panelu Asystenta lub czatu
- Użytkownik może kliknąć: “Generate description” / “Ask AI” / “Build rule from plain text”
- AI analizuje kontekst techniczny i metadane, a następnie generuje treść lub logikę
💡 Przykład zastosowania
- Użytkownik zaznacza kolumnę
email_addressw katalogu. - Wybiera „Generate description” – AI tworzy:
"Adres e-mail klienta używany do komunikacji i uwierzytelniania w systemie CRM." - Następnie pisze w edytorze DSL:
"Zaznacz rekord jako błąd, jeśli adres e-mail nie zawiera znaku @ lub pochodzi z domeny testowej"
→ GenAI tworzy Syntax DSL i gotową do wdrożenia regułę jakości.
📌 Źródła
- https://www.ataccama.com/blog/genai-powered-data-management-platform
- https://docs.ataccama.com/
- https://www.dataversity.net/the-promise-of-genai-in-data-governance/
- https://www.oreilly.com/radar/genai-in-the-modern-data-stack/
👽 Brudnopis
- GenAI ma ułatwić onboarding i korzystanie z Ataccamy nietechnicznym użytkownikom
- Wspierane elementy: reguły, katalog, glossary, monitoring (automat generuje DQ insight)
- Wersje AI są trenowane m.in. na strukturach DSL (Ataccama), nazwach pola + prompt użytkownika
- W przyszłości wsparcie dla feedback loop – AI uczy się, które generacje były przyjęte / odrzucone
- Zastosowania do przyszłości: self-healing workflows, rekomendacje lineage, opisywanie dashboards