Představte si banku a její datový sklad – hodně dat, tabulek, sloupců indexů, klíčů a transformačních scriptů. Často takový DWH má nějakou historii, existuje pár let, a podílelo se na něm více lidí, možná i týmů. Často již má alespoň v nějaké podobě zpracovanou metodiku – jak se mají přidávat nové transformace, jak by se měly tabulky a sloupečky jmenovat a jak by měly být popsané – a velmi často je toto nějaká sada pravidel posaná v textové podobě – často na sharepointu, wordu, nebo pdf. Jen malé procento (jestli vůbec) je zpracované v podobě automatizovaných script, které by dodržování metodiky měly kontrolovat.
Ale ono i vytvořit takové scripty je celkem náročný úkol – třeba například takové pravidlo na to, aby „jméno tabulky neobsahovalo zkratky„, nebo aby „popis sloupce nebyl moc obecný„.
Často je to dnes řešeno pomocí QA kroku v procesu vývoje, kdy někdo musí jít a nové objekty ručně zkontrolovat – a zároveň musí velmi dobře sám znát metodiku – to samozřejmě stojí čas a peníze.
Nové LLMs a AI Agenti však umí i s takto obecně napsanými pravidly pracovat – navíc je možné tyto pravidla zakomponovat rovnou do vývoje, takže vývojař má výsledky okamžitě a když potřebuje.
Je také možné kontrolovat již existující kompletní nasazení a zjistit tak stav a nedostatky.
Naše řešení
Automatické kontroly existujících nebo nových artefaktů v databázi, založených na textové metodice, ze které vyextrahujeme pravidla. LLM Model a agent pak pravidla vyhodnotí a objekty oskóruje. Dokáže pracovat i se soft pravidly, prostě jako člověk.
Výsledky se zaznamenávají do historie a je možné sledovat postupné zlepšování.
Vypíše konkrétní issues, kterým je potřeba se věnovat
Zároveň dodá doporučení jak dané problémy řešit
Hopnocení je detailní na úroveň jednotlivých sloupců
(This page may have been partially generated by AI )🙂