Warstwa semantyczna danych w systemie AI

Warstwa semantyczna danych to pośrednia warstwa między surowymi danymi a osobą, aplikacją lub agentem AI, który chce zadać pytanie biznesowe. Zamiast wymagać znajomości nazw tabel, relacji i formuł SQL, opisuje pojęcia używane w firmie: czym jest lead, kiedy kontakt staje się klientem, jak liczyć przychód, który kanał jest źródłem pozyskania i co oznacza aktywna subskrypcja. To nie jest kolejna kopia danych. Jest to umowa o znaczeniu danych, którą można wykorzystać konsekwentnie w raportach, automatyzacjach i odpowiedziach AI.

Problem zaczyna się, gdy te same słowa znaczą co innego w różnych miejscach. W CRM „lead” może oznaczać każdy formularz, w arkuszu tylko osobę po kwalifikacji, a w dashboardzie rekord z przypisanym handlowcem. Agent podłączony bezpośrednio do tabel nie zna tej różnicy. Może podać liczbę poprawną technicznie, ale bezużyteczną biznesowo, bo policzył anulowane płatności albo zdublowane kontakty. Warstwa semantyczna wymusza jedną definicję, miarę czasu, filtr i relację, zanim wynik trafi do człowieka.

W praktyce składa się z metryk, wymiarów i zasad. Metryka to na przykład przychód netto z opłaconych zamówień, z jasno wskazanym okresem, walutą i wykluczeniami. Wymiar pozwala rozbić ją według kanału, produktu lub miesiąca. Zasada może mówić, że klient aktywny ma co najmniej jedną nieanulowaną płatność, a konwersję liczymy od zakwalifikowanych leadów, nie od wszystkich wizyt. Dokumentacja dbt Semantic Layer opisuje centralne definiowanie metryk ponad modelami danych i automatyczne obsługiwanie połączeń, aby różne narzędzia używały tych samych definicji.

Dla soloprzedsiębiorcy dobry pierwszy przypadek jest mały. Zapisz definicje pięciu pojęć: lead, rozmowa kwalifikacyjna, klient, przychód zebrany i konwersja. Do każdego dopisz źródło danych, warunek włączenia, warunek wykluczenia, właściciela definicji i datę ostatniej zmiany. Gdy agent przygotowuje tygodniowe podsumowanie, nie pytasz ogólnie „ile było sprzedaży?”, tylko odwołujesz się do metryki „przychód zebrany w tym tygodniu”. Wtedy wiadomo, czy wynik ma pochodzić ze Stripe, faktur, CRM czy połączonego widoku.

Warstwa semantyczna pomaga agentowi AI, ale nie zastępuje źródła prawdy ani kontroli dostępu. Źródłem prawdy pozostaje aktualny CRM, system płatności lub baza danych. Warstwa mówi, jak interpretować i łączyć rekordy, a nie daje automatycznie prawa do ich odczytu. Agent powinien otrzymać tylko zatwierdzone metryki i bezpieczny interfejs zapytań. Nie powinien sam wymyślać zapytań do każdej tabeli klientów ani mieć dostępu do pól, których nie potrzebuje do odpowiedzi. Definicja biznesowa i uprawnienia muszą być projektowane osobno.

Nie myl tego z RAG ani ze słownikiem w promptcie. RAG wyszukuje fragmenty dokumentów, gdy model potrzebuje wiedzy tekstowej. Słownik w promptcie może objaśnić kilka słów, ale szybko staje się nieaktualny i nie zasila dashboardów. Warstwa semantyczna ma opisywać dane ustrukturyzowane i stosować te same reguły przy każdym użyciu. Może jednak współpracować z RAG: agent najpierw pobiera definicję metryki, a potem pyta zatwierdzony endpoint o aktualną wartość. To ogranicza halucynowanie liczb i pozwala wskazać, jak wynik został policzony.

Wdrożenie zacznij od konfliktów, nie od platformy. Porównaj trzy ostatnie raporty lub odpowiedzi na pytanie o sprzedaż i wypisz, gdzie liczby się rozchodzą. Wybierz jedną metrykę o realnej stawce, na przykład przychód zebrany, opisz jej formułę prostym językiem, wskaż dane wejściowe i zatwierdź definicję z osobą odpowiedzialną za finanse. Dopiero później zakoduj ją w modelu danych, narzędziu BI albo API dla agenta. Testuj na znanych okresach i sprawdzaj, czy dashboard, arkusz i odpowiedź AI zwracają tę samą wartość.

Największe ryzyko to pozorna jednolitość. Ładna nazwa metryki nie pomaga, jeśli źródło jest opóźnione, relacje są błędne albo nikt nie wie, kto aktualizuje definicję. Druga pułapka to próba opisania całej firmy na początku. Powstaje rozbudowany katalog, którego nikt nie utrzymuje. Zacznij od kilku decyzji o wysokiej wartości, wersjonuj zmiany i pokazuj agentowi datę odświeżenia danych. Jeżeli pytanie wykracza poza zdefiniowaną metrykę, agent powinien powiedzieć, czego nie wie, zamiast tworzyć własną interpretację KPI.