Понимаю, что тема сейчас очень популярная и про искусственный интеллект говорят буквально все. Но если убрать весь хайп, остаётся довольно простой факт: AI уже стал частью нашей работы и обычной жизни. И мне кажется, что специалисты, которые вообще его не используют, через несколько лет могут довольно сильно отстать от тех, кто уже встроил его в свою ежедневную работу. Я сам использую LLM примерно три года, а последние два года — очень активно. Причём и в работе, и в обычной жизни. И со временем заметил интересную вещь. Когда постоянно работаешь с моделью и даёшь ей контекст о своих задачах, инструментах, проектах и подходах, тебе всё реже приходится начинать разговор с нуля. Например, в рабочих вопросах модель уже понимает, что я в основном работаю со стеком Microsoft: SQL Server, SSIS, SSAS, Power BI, Azure, Databricks и так далее. Поэтому, когда я прошу предложить какое-то решение, она обычно предлагает его именно в рамках тех инструментов, которыми я действительно пользуюсь. То есть мне не приходится каждый раз отдельно объяснять: «не надо предлагать вот это, у нас другой стек». То же самое работает и в обычной жизни. Если накоплен контекст о предыдущих решениях, предпочтениях или каких-то ограничениях, ответы становятся заметно полезнее. Но в работе сейчас для меня интереснее уже другой вопрос. Этап, когда LLM просто помогает написать SQL, отрефакторить код, найти ошибку в процедуре, разобрать лог или предложить вариант оптимизации, в целом уже пройден. Это стало обычным рабочим инструментом. Гораздо интереснее другое: как сделать так, чтобы модель могла не просто написать код по конкретному заданию, а сама выбрать наиболее подходящий вариант решения? А вот здесь всё становится сложнее. Чтобы принять хорошее решение внутри компании, модели мало знать SQL, Python, Spark или Power BI. Ей нужно понимать, как устроена сама компания. Например: — какой источник данных считается основным; — как именно считается конкретная бизнес-метрика; — какие таблицы можно использовать, а какие уже устарели; — какие архитектурные подходы приняты; — как связаны между собой системы; — кто владелец данных; — какие существуют ограничения по безопасности; — какие правила разработки приняты внутри компании. То есть модели нужен не только технический контекст. Ей нужен корпоративный контекст. И вот здесь мы приходим к теме семантического слоя. Причём я сейчас говорю о нём немного шире, чем о привычной semantic model в Power BI или SSAS. По сути, это слой знаний о компании, который может быть понятен не только человеку, но и AI. Туда могут входить определения метрик, бизнес-глоссарий, Data Catalog, Data Lineage, описание моделей данных, правила качества, архитектурные стандарты, владельцы данных, документация по системам и так далее. И тогда задача меняется. Не просто: «Напиши мне SQL-запрос». А: «Реши эту задачу с учётом нашей архитектуры, правил, данных и бизнес-логики». И вот это, на мой взгляд, уже следующий этап использования AI в компаниях. Потому что сделать AI-демо сейчас относительно просто. А вот сделать систему, которой можно доверить реальные рабочие процессы и принятие решений, — совсем другая задача. И здесь без хорошего семантического слоя, на мой взгляд, будет очень сложно. В следующих постах хочу подробнее разобрать, как такой слой можно строить, что в него должно входить и как он связан с RAG, Data Catalog, Data Lineage, Knowledge Graph и корпоративными AI-агентами. Сейчас эта тема мне особенно интересна, потому что как раз активно в неё погружаюсь.