Мы в Datanomix находимся в самом эпицентре событий ежегодной конференции Qlik Connect 2025 в Орландо.

На наших глазах AI обретает реальные очертания. В то время как многие компании лишь строят планы по внедрению искусственного интеллекта, Qlik уже сегодня показывает, как он работает на практике, принося ощутимые результаты.

Welcome to Agentic BI. 

Одним из анонсов стал запуск новой "агентной среды" (agentic experience) Qlik - интерфейса, управляемого естественным языком, который обещает упростить взаимодействие с данными. Вместо того чтобы создавать дашборды или запускать отчеты, пользователи смогут общаться с системой как с собеседником, чтобы находить инсайты, задавать вопросы и предпринимать действия. 

В случае Qlik это означает целую экосистему специализированных агентов, встроенных в (конечно, же) Qlik Cloud. 

Среди них:

• Qlik Answers: Впервые представленный для неструктурированных данных, этот инструмент теперь работает и со структурированными данными, предоставляя понятные и достоверные ответы на запросы, сформулированные обычным языком.
• Discovery Agent: Проактивный инструмент, который непрерывно отслеживает наборы данных, чтобы выявлять аномалии или возможности до того, как они станут очевидными.
• Pipeline Agent (ранняя концепция): Разрабатывается для того, чтобы помочь пользователям описывать желаемый бизнес-результат, а затем автоматически генерировать необходимые конвейеры данных для его достижения.

Партнеры тоже наслаждаются AI-агентной средой Qlik

SalesAI – персональный помощник в продажах, который предоставляет мгновенный доступ к знаниям и инсайтам, необходимым для успешной работы с клиентами.

Спрашиваем:

• Как использование Qlik Talend Cloud для интеграции данных устраняет разрозненность данных, улучшая аналитику и принятие решений?
• В чем преимущества Qlik над Power BI? 

И в ответ получаем мгновенные, основанные на отобранных данных из обширного контента по продажам и маркетингу Qlik инсайты, которые помогут ориентироваться в потребностях клиентов в различных отраслях, регионах и бизнес-задачах.

Второй день Qlik Connect 2025 был посвящен практическому применению новейших разработок и тесному взаимодействию в кругу партнеров Qlik. 

Наша команда провела этот день на Show Floor, где мы смогли воочию убедиться в силе партнерской экосистемы Qlik и представить наши собственные решения.

При партнерстве с Motio, мы демонстрировали решения в области DevOps для Qlik:

• Soterre & DevJeannie - Zero-touch контроль версий и analytics over analytics. Отображает данные DevOps и статистику использования ваших приложений прямо в интерфейсе Qlik.
• Guided Tour - Повышение вовлеченности конечных пользователей. Предоставляет интерактивный тур по приложению для понимания содержимого и сценариев использования приложения.
• Gitoqlok - Контроль и визуальное сравнение версий приложений в Git. Набор инструментов для повышения эффективности разработки с AI.
• QSDA Pro - Автоматизированное тестирование приложений. Выявляет 30+ видов ошибок, проблем с производительностью, и отклонений от лучших практик разработки.

Продолжая тему AI: Настоящий AI-first BI-процесс в действии. 

На одном из тренингов Qlik показали, как AI-агент может самостоятельно создать data mart, будучи при этом полностью прозрачным и подконтрольным пользователю.

Как это работает: разработчик просто задает задачу ассистенту на естественном языке: «Хочу витрину для анализа эффективности доставки, с разрезами по продукту и поставщику»

Что происходит дальше: AI-агент Qlik самостоятельно строит star schema, подбирает необходимые таблицы, создает базовые метрики и визуализирует всю структуру – источники данных, поля и связи между ними. 

Дело на этом не заканчивается. Разработчик просит добавить новые измерения — магазины и склады. Агент находит подходящие поля в доступных источниках, объясняет, как они связаны с уже выбранными данными, дополняет схему витрины.

Все это – в интерактивном режиме, без единой строчки кода. Вы полностью контролируете процесс: видите каждый шаг агента, можете вмешаться, отклонить или дополнить его предложения. Это не замена BI-специалистов, а мощный инструмент, который позволяет им сосредоточиться на действительно важных задачах, многократно ускоряя рутинные операции. 

Хайлайтом третьего и последнего дня конференции стало публичное анонсирование нового продукта совместно с Motio, Inc. - DevJeannie для Qlik Sense & Qlik Cloud. 

В центре внимания дискуссий находится актуальный вопрос миграции аналитической отчетности с локальных серверов Qlik (On-premise) в облачную среду Qlik Cloud. Из опрошенных нами клиентов Qlik, в настоящее время около 80% находятся на различных этапах этого перехода. В этой связи остро встают вопросы: как определить приоритетность миграции отчетов и как отслеживать активно разрабатываемые приложения, требующие особого контроля?

Решение этих задач предлагает Qlik App Analytics от DevJeannie. Этот инструмент представляет собой "аналитику над аналитикой", позволяя в режиме реального времени отслеживать количество активных задач, связанных с конкретным приложением, оценивать его востребованность в различных средах или потоках данных, и многое другое.

В перерыве между сессиями нетворкинга состоялось эксклюзивное интервью с CEO Qlik, Майком Капоне, посвященное внедрению Enterprise-ready AI.

Как компаниям более эффективно использовать AI с точки зрения затрат?

Слишком многие компании начинают с вопроса: "Какова наша стратегия в области AI?", хотя правильнее было бы спросить: "Какова наша бизнес-стратегия, и как AI может ее усилить?". Когда фокус остается на результатах, тогда приходит и ценность.

Первый шаг — это всегда определение того бизнес-результата, которого вы пытаетесь достичь. Если вы только начинаете, разумно сосредоточить первоначальное использование AI на внутренних приложениях, которые повысят производительность и снизят затраты, поскольку они часто обеспечивают самую быструю окупаемость инвестиций. Но затем существует множество облачных сервисов и технологий с оплатой по мере использования, которые могут помочь вам контролировать расходы на разработку, внедрение и масштабирование AI, устраняя необходимость в дорогостоящей локальной инфраструктуре. Например, Amazon Bedrock предоставляет доступ к нескольким базовым моделям через единый API. Главное — “отбросить шумиху” и руководствоваться ценностью.

Фрагментация данных была большой проблемой для компаний, когда дело доходило до использования данных для AI. Как это меняется?

Вычислительные мощности стали намного дешевле и гораздо более масштабируемыми, и это имеет огромное значение. Но теперь у нас есть такие форматы открытых таблиц, как Apache Iceberg, которые позволяют структурировать и объединять данные в реальном времени. Вы можете быстро просматривать и перемещать данные — что действительно важно — и управлять этими данными на месте, без необходимости перемещать их в одно центральное хранилище. Мы разработали Qlik Open Lakehouse на AWS, чтобы в полной мере использовать открытую архитектуру Iceberg, работающую в реальном времени, и помочь компаниям быстрее и эффективнее использовать свои данные. В то же время компании давно сталкиваются с проблемами объединения информации из структурированных и неструктурированных данных — наш интеллектуальный интерфейс помогает решить эту проблему, обеспечивая более плавное исследование и принятие решений по обоим типам данных.

Почему инвестиции в качество и управление данными обеспечивают более высокую рентабельность инвестиций, чем инвестиции в новые, более крупные модели AI?

Данные — вот настоящий фактор дифференциации в эпоху AI, а не сами модели. Клиенты, которые больше всего поработали над созданием прочной основы данных, быстрее всего внедряют генеративный AI. Интересно, что многие наши клиенты из регулируемых отраслей, таких как финансовые услуги и здравоохранение, лидируют в этой области, потому что они уже вложили значительные средства в управление, права доступа и качество данных. Инвестиции в качество и управление данными не просто улучшают ваши текущие AI-приложения; вы строите фундамент, который будет продолжать приносить пользу независимо от того, какие модели появятся в будущем. А при наличии защитных механизмов вы фактически даете своей организации свободу для более быстрого и уверенного внедрения инноваций.

Все предполагают, что если загрузить данные в модель, она сотворит волшебство. Но мы снова и снова видим катастрофические сбои, которые происходят, когда за данными не следят должным образом. Именно это и отличает успех AI от неудачи.