Agentic AI w Qlik – AI, która samodzielnie działa, planuje i podejmuje decyzje

Cześć witajcie na webinarze Dane, Zaufanie, Agenci, czyli pomówimy sobie właśnie dzisiaj o nowej erze Agentic AI w Qliku Dzisiaj pokażę Wam jak Qlik odpowiada na jedno z najważniejszych wyzwań czyli na przejście z AI, który jedynie nam Podpowiada do AI, która samodzielnie działa, podejmuje decyzje wykonuje akcje w naszym imieniu.
Zobaczycie dzisiaj na żywo Data Products z Trustscorem, Qlik Answers w nowym wydaniu, no i oczywiście integrację z MCP. Ja nazywam się Przemek Żukowski i z przyjemnością poprowadzę dzisiaj dla Was tą prezentację. Agenda. Co, o czym dzisiaj? Na samym początek przywrócimy sobie definicję właśnie tego podejścia agentic AI, tak żebyśmy mieli tutaj jakby jasno wytłumaczone, a później przeskoczymy sobie już właśnie do kwestii związanych z samą implementacją tego właśnie w Qliku.
Czyli zaczniemy od data products i teraz scora czyli takiego fundamentu który Pozwoli nam budować rozwiązania Agent DKI w oparciu o dobre, właściwe dane. Przeskoczymy później do Qlik Answers w nowym wydaniu. Pokażę wam w jaki sposób ono działa i jak można go wykorzystywać. I na samym końcu też obejrzymy sobie demo MCP, czyli w jaki sposób zewnętrzni agenci mogą korzystać z tego, co w środowisku Qlik mamy właśnie dla nich zbudowanego.
No i co ważne, z racji tego, że już zbudujemy sobie wcześniej Fundament w postaci data production i test scora, to nasi agenci będą korzystali też z poprawnych danych. No i oczywiście na sam koniec zerknijmy sobie co w najbliższych dniach Qlik jeszcze dodatkowo opublikuje, tak abyście wiedzieli jakie nowości za chwilkę będą też dla was dostępne.
Więc przeskakujemy dalej. Właśnie zanim dojdziemy do wyników badania, o którym była też wzmianka w agendzie, to mówmy sobie właśnie, czym ten Agentic AI tak na dobrą sprawę jest w takim tradycyjnym podejściu. AI reaguje na nasze prompy, generuje  Tekst generuje analizy generuje obrazki, filmy i tak dalej, a później my to weryfikujemy.
Natomiast Agenti.ai to jest zupełnie inny model. To jest rozwiązanie gdzie agenci AI potrafią samodzielnie stawiać sobie cele, planować działania, wykonywać je w wielu systemach Uczyć się wyników korygować kurs, czyli mogą działać bardzo autonomicznie w stosunku do tego co znamy z tego tradycyjnego podejścia Skoro działają bardzo autonomicznie, to właśnie muszą mieć dobre podstawy do tego, aby działania które będą podejmowały Bazowały na przykład właśnie na dobrych danych i o tym dzisiaj też sobie będziemy mówili.
Skoro tą definicję agentika mamy już za sobą to przejdźmy sobie teraz do wyników badania o którym mówiłem to jest badanie wykonane na firmach z listy Fortune 500 i jak widzicie tutaj 79% respondentów którzy wzięli udział w tym badaniu Uważa właśnie Agentic AI za kluczowe rozwiązanie swojej strategii w najbliższych 3 do 5 lat.
Praktycznie wszystkie te firmy przeznaczyły już jakiś budżet na Agentic AI i 69% ma jakąś sformalizowaną strategię właśnie dotyczącą AI. Natomiast ten ostatni parametr czyli 56%, to jest informacja o tym, jak wiele z tych firm wskazuje na to, że właśnie Jakość danych które daliby potencjalnie agentom do działania, jest wedle nich zbyt niskiej jakości po to, żeby uruchomić na nich agentów.
No i co ważne, tylko 18% firm na tą chwilę wdrożyło agenty, a więc jeszcze jest jakby Spore pole do zagospodarowania i też bardzo duża szansa dla firm, które jeszcze tego nie zrobiły, a właśnie na przykład w ten sposób budować swoją przewagę nad konkurencją. To zerknijmy jeszcze sobie właśnie na te
Bariery i zagrożenia, które też w tej ankiecie się pojawiły, na co firmy zwracają uwagę. Oczywiście cyberbezpieczeństwo jest numerem jeden Jakość, dostępność do danych to jest numer dwa. 56% respondentów na to właśnie wskazuje. Ale też właśnie wiarygodność wyników czy potencjalne halucynacje to jest też coś, co trochę spędza sen z powiek właśnie tym firmom.
Ale też integracja z istniejącymi systemami no i brak wewnętrznych kompetencji do tego, żeby rozwiązania z kategorii Edge NTKI rozwijać. Więc jest kilka zagrożeń, kilka barier kilka obaw które firmy mają przed Pójście w tym w tym kierunku, no to zobaczmy w takim razie w jaki sposób Qlik podchodzi do tego aby te bariery znosić i budować właśnie rozwiązania które są na te kwestie odporne, czyli nie potrzebują Bardzo dużych kompetencji wewnętrznych do tego, żeby te rozwiązania rozwijać.
Bardzo łatwo integrujemy się z istniejącymi systemami. No i właśnie, jeśli chodzi o jakość danych czy halucynacje, no to właśnie pracujemy na danych sprawdzonych wewnętrznych za które jesteśmy pewni w związku z czym Prace które będą na nich wykonywane będą pozbawione tego, wiecie zewnętrznego szumu, który mógłby wprowadzać błędy w sugestiach, które agenci AI będą nam dawali.
I za chwilkę zobaczymy sobie to też już w szczegółach i też w live demo oczywiście. Jeśli chodzi właśnie o to, jak Qlik odpowiada na bariery i zagrożenia o których mówiliśmy na tym poprzednim slajdzie, to Qlik buduje swoją strategię właśnie na tych trzech filarach na zaufaniu kontekście i adaptowalności.
Tym właśnie, o czym już troszeczkę mówiliśmy, czyli wszystkie dane, które mamy wciągnięte na naszą platformę przechodzą w walidację, mamy pełną informację o tym, skąd one pochodzą czyli mamy data lineage, możemy na nie nałożyć też pewien governance związany właśnie z jakością tych danych w jaki sposób z nimi postępujemy.
No i nade wszystko Pojedyncze zestawy danych ale także też jakby całościowe gotowe do pracy zestawy danych czyli tak zwane data products są opatrzone tak zwanym trust scorem czyli takim współczynnikiem który pokazuje jak dobry ten zestaw danych jest i na ile możemy mu wierzyć jeśli chodzi o jego zawartość, a później oczywiście też na sugestie akcji czy Czy analiz które na bazie tego zestawu danych nam powstają.
Za chwilkę to też zobaczymy w szczegółach. Drugi element to jest właśnie kontekst czyli agenci muszą rozumieć wszystko to, co w danych się dzieje Nie tylko w tych danych ustrukturyzowanych czyli już w naszych aplikacjach dashboardach, ale także też w danych nieustrukturyzowanych czyli na przykład różnego typu raportach zewnętrznych, które chcielibyśmy używać w trakcie podejmowania naszych decyzji, czy też na przykład kontekst regulacji wewnątrz firmowych, które też posiadamy.
To wszystko musi się później złożyć w jedną całość tak aby  Jakby mieć pełen obraz pełen obraz sytuacji i za chwilkę też będę Wam to pokazywał w jaki sposób właśnie takie wewnętrzne regulacje mogą być dołączone do procesu rozumowania takiego agenta i wykorzystane w finalnej propozycji dla użytkownika.
No i ten ostatni filar czyli adaptowalność. Trzeba wiedzieć, że to rozwiązanie, które Qlik buduje jest w pełni elastyczne, w pełni kompatybilne właściwie z dowolnym zewnętrznym agentem, którego będziecie w swojej organizacji wykorzystywali, ponieważ działamy tutaj przez protokół MCP. To jest taka nasza warstwa integracji pomiędzy tym, co siedzi w platformie Qlik już teraz, czyli dane, analizy raporty asystenci Całe mnóstwo innych rzeczy, które w platformie jest i one właśnie za pomocą tego Protokołu są udostępniane na zewnątrz zewnętrznym agentom, czyli czy będziecie finalnie korzystali z Claude’a, czy z Gemini’a, czy z Chata GPT, czy czegokolwiek jeszcze innego to nie musicie się zastanawiać mocno nad konfiguracją tego, tylko właśnie jest to protokół bardzo otwarty i zresztą dzisiaj też za chwilkę zobaczycie w jaki sposób szybko Można go sobie skonfigurować.
Więc to są te trzy filary, na których Qlik buduje rozwiązanie właśnie Agentique AI. Więc żeby już nie przedłużać mocno tej części teoretycznej To właśnie ten pierwszy filar czyli data products, trust score, to jest właśnie ten fundament, na którym będziemy budowali dobre jakościowo dane do tego żeby właśnie agenci mogli z nich zindziałać.
Każdy taki data product można go nazwać takim certyfikowanym Pakietem danych Może być to pakiet danych np. dotyczący naszych klientów, działań marketingowych, naszych produktów, cennika, czy czegokolwiek innego co jeszcze nam przyjdzie do głowy i taki data product może składać się z wielu różnych źródeł danych.
To mogą być dane, które zasiemy sobie z naszej bazy danych, dołączymy do tego jeszcze być może jakiś plik Excelowy, I w ten sposób zbudujemy pewien zestaw danych, na którym użytkownik końcowy biznesowy, z którego użytkownik biznesowy może po prostu bardzo szybko stworzyć sobie dashboard, aplikację, ale równie dobrze też agent AI może z takiego data produktu sobie skorzystać aby na szybko odpowiedzieć użytkownikowi na różne pytania lub też stworzyć z tego aplikację Czy cokolwiek innego co jeszcze przyjdzie nam do głowy.
To są właśnie data produkty i tak jak wspomniałem, one są opatrzone opatentowanym przez Qlik A takim parametrem Trust Score. Za chwilę w szczegółach też o nim opowiemy ale im wyższy Trust Score, tym większe zaufanie możemy mieć do danych. No i co ważne też na poziomie tego parametru, który tutaj widzimy możemy też ustawiać pewne guardrails, czyli na przykład powiedzieć, że jeżeli
Dany data product ma zbyt niski trust score, to nie pozwól agentowi AI na nim pracować, bo dane, które tam mamy zassane, jeszcze nie są najlepszej jakości więc nie chcemy żeby ta cała platforma agentic AI na tych danych pracowała Poszła szeroko, więc to są pewne też rzeczy, które możemy w platformie ustawiać i dzisiaj też Wam taki przykład pokażę.
No dobra to przeskoczmy sobie na sekundkę właśnie do samego Qlik A żeby pokazać Wam w jaki sposób to działa i jak tutaj możemy zrealizować właśnie podejście do tych danych Zaufanych. Ci z was, którzy już działają na Qlik Sensie w wersji cloudowej zauważyli w ostatnich dniach, że pojawiło się kilka tutaj dodatkowych elementów czyli jakość danych produkty danych i platforma handlowa danych.
Dla tych z was, którzy jeszcze na cloudzie Nie są, to zawsze zachęcam do kontaktu z nami. Pomożemy Wam do tej chmury się przenieść prosto łatwo szybko i przyjemnie. Ale wracając jakby już do samego tutaj naszego tematu. Te trzy elementy które tutaj widzimy pozwalają nam na Na zbudowanie właśnie tego dobrego fundamentu czyli w sekcji jakość danych możemy definiować sobie takie trzy elementy Pierwszy z nich to są typy semantyczne jak widzicie tutaj trochę ich jest.
I w momencie, kiedy zaczynamy działać sobie z Qlikiem to te typy semantyczne już do nas przychodzą jako dostarczone od razu przez Qlik Czyli na przykład mamy jakiś typ semantyczny mówiący nam o  O tym w jaki sposób są skonstruowane kody walut czy też na przykład jakiś zestaw branż które potencjalnie mogą się w naszych danych znaleźć no ale oczywiście możemy takie typy semantyczne też samodzielnie Tworzyć i jak widzicie tutaj stworzyłem sobie cztery takie popularne wykorzystujące właśnie nasze lokalne dane czyli po pierwsze numer identyfikacji podatkowej.
Ten format który tutaj narzuciliśmy czyli wyrażenie regularne będzie sprawdzał czy dane które Zaczytaliśmy sobie o naszych firmach, to czy na przykład pole NIP, które tam będzie dołączone do takiego zestawu czy właśnie ten wzór spełnia. Z drugiej strony można to też realizować jeszcze inaczej czyli na przykład dołączamy sobie taki typ semantyczny jak województwo Akurat w tym przypadku to jest po prostu zamknięta lista na przykład województw w Polsce.
One się nie zmieniają dosyć często więc w formie takiej zamkniętej listy możemy ją trzymać Kolejny element to jest właśnie PESEL też tutaj podobnie regexem jest to zrobione gdzie walidujemy czy numer PESEL który użytkownik podał nam na przykład podczas rejestracji, który później wciągamy do naszego systemu znaczy jest zgodny z programem Z definicją właśnie tego, jak numer PESEL powinien wyglądać No i oczywiście na końcu płeć czyli znowu słownik, który zawiera te wartości.
Więc w tym miejscu możecie tworzyć sobie swoje typy semantyczne, dodawać je. Ustalać na jakiej zasadzie mają działać, czyli tak jak właśnie wcześniej pokazałem słownik, wzór czy na przykład złożenie. Taki typ semantyczny później działa w skroś całej waszej platformy więc definiujemy go raz, a możecie go wykorzystać we wszystkich swoich źródłach danych.
Więc pierwszy koncept typy semantyczne to jest coś, co pozwala nam Walidować dane od razu na wejściu. Drugi element to możliwość sprawdzania tworzenia reguł sprawdzania poprawności. Tak jak widzicie tutaj akurat reguły tutaj są nie są dostarczane od razu z instalacją Qlik A bo one po prostu zależą od samego zestawu danych, ale też pokażę Wam w jaki sposób takie reguły możemy W jakiś sposób automatyczny tworzyć.
Tutaj stworzyłem sobie dosyć prostą regułę, która mówi nam, że Jeżeli imię kończy się na A, to płeć powinna być oznaczona jako K i będziemy na przykład weryfikowali sobie czy to faktycznie jest skąd. Oczywiście tych reguł możemy tutaj też dotworzyć wiele, tak jak widzieliście tutaj możemy sobie dokładać kolejne wymagania, robić różne grupy więc w ten sposób możemy to No i na samym końcu właśnie wspomniany truss score, czyli ten taki kompozytowy KPI, który składa się przede wszystkim z dwóch elementów czyli prawidłowość i kompletność, jak widzimy to są elementy które na stałe w tym Trust Score’a sobie siedzą, a my dodatkowo możemy używać sobie Kolejnych parametrów które będą nam mówiły na przykład o tym, że chcemy też patrzeć sobie na aktualność naszego zestawu danych i jeżeli on jest dla nas bardziej istotny, to możemy zwiększyć jego wagę w tym całym KPI.
Oczywiście musimy tutaj pilnować żebyśmy byli w ramach 100%. Więc to są takie rzeczy, które możemy Które tworzymy globalnie czyli typy semantyczne reguły sprawdzania poprawności, Trust Score i one działają później dla wszystkich zestawów danych które mamy w organizacji. No i teraz tak, jeśli chodzi o te zestawy danych czyli produkty danych to tak jak widzicie tutaj, możemy też je Tworzyć możemy ustawiać w jakiej przestrzeni one się znajdują i taki jeden z zestaw danych mamy już tutaj dostępny, to są firmy i osoby, dwa proste pliki Excelowe wygenerowane losowo, to są jakieś przykładowe firmy z Polski i zupełnie przykładowe osoby.
I tak jak widzicie cały zestaw danych ma swój Trust Score określony jako 4 i 3 Na możliwych pięć i też pojedyncze zestawy danych które tutaj będziemy mieli, też określają swój trascore i tutaj od razu widzimy na przykład na takim szybkim podglądzie ile danych jest tutaj nieprawidłowych, gdyby były też jakieś puste wartości to taki dodatkowy jeszcze czarny kolor by nam się tutaj pojawił.
Więc od razu jakby wizualnie widzimy, Potencjalnie coś w tych danych jeszcze jest to do zrobienia. Co możemy zrobić z tym produktem danych? Możemy oczywiście wprowadzić jego opis. Możemy też poprosić samego AI, żeby nam ten opis wygenerował. On wtedy patrzy na to, co w tych plikach jest i ten opis tam weryfikuje.
Oczywiście możemy dodawać zestawy danych te, które już mamy, są obecne, ale też możemy dodać zestaw kolejny. Możemy tutaj też zbudować dokumentację do tego produktu danych, jeżeli byśmy chcieli a to tutaj co w czas umiem zaznaczone, ale jeżeli byśmy chcieli to po zaznaczeniu tych elementów i Qliknięciu na zapisz, taki zestaw danych może być dostępny też poprzez API, Właśnie dla zewnętrznych systemów.
Za chwilkę też Wam to pokażę. No i na samym końcu też główne kontakty. Czyli możemy tutaj dla danego zestawu danych ustawić sobie osobę która jest takim punktem kontaktowym jeśli chodzi o jakość właśnie tych danych. W moim przypadku ustawiłem siebie, ustawiłem sobie rolę jako data stewarda więc jeżeli na przykład z tymi danymi będzie nie halo, To użytkownicy będą wiedzieli do kogo trzeba się zwrócić, żeby ten zestaw danych poprawić.
Więc tak szybka jakby konfiguracja. To co pokazywałem wcześniej, jeśli chodzi o te punkty końcowe API, to tutaj to widzimy że do każdego z tych źródeł możemy się dostać poprzez konkretny Konkretny endpoint i w ten sposób udostępnić takie źródło zupełnie na zewnątrz. Czyli Qlik nie jest, data product nie jest produktem zewnętrznym zamkniętym ramach samego Qlik A ale jest też bardzo otwarty na wykorzystanie też przez inne systemy.
No dobra, to co tutaj, co tutaj możemy zrobić? Przede wszystkim Z tego poziomu możemy też zacząć tworzyć już konkretne rozwiązania właśnie na bazie tych data produktów i jak tutaj widzicie mogą być to aplikacje, mogą to być skrypty, mogą to być też modele ML-owe, a w ich przypadku bardzo istotna będzie tutaj właśnie jakość danych czyli Sprowadzając dane tutaj do tego miejsca do data produktu widzicie, że bardzo szybko możemy sobie uruchomić na przykład aplikację, która te dane będzie zawierała, czyli ustawiamy sobie tylko jej nazwę Qlik Amy na kontynuuj.
W kolejnym kroku definiujemy sobie czy wszystko z tego data produktu chcemy dołączyć, czy być może tylko jeden z elementów jeżeli wszystko nam pasuje to możemy Qliknąć załaduj do aplikacji, możemy
połączyć te dane, załadować.
I mamy, czyli aplikacja jest w tej chwili pusta, nie ma żadnych wizualizacji, ale jeśli chodzi o dane, to one się już tutaj w aplikacji znajdują są ze sobą połączone możemy też te dane tutaj podejrzeć. No to teraz zróbmy sobie jedną prostą rzecz, czyli tak, jak widzimy mamy po lewej stronie naszą aplikację Pustym arkuszem po prawej stronie mamy Cloda no i właśnie jako reprezentant takiego zewnętrznego agenta chcielibyśmy, żeby on w tej naszej aplikacji coś zrobił, czyli dajemy mu informację o tym, żeby do tej aplikacji się podłączył no i zbudował jakieś wizualizacje bazujące właśnie na tym, co w modelu danych tejże aplikacji jest, no i on tutaj sobie zacznie chodzić zacznie używać różnych narzędzi, metod i Żeby coś stworzyć tutaj po
Po lewej stronie bezpośrednio w aplikacji, czyli jak widzimy powstał nam już pierwszy zestaw taka sekcja AI generated, to są firmy i pracownicy analiza, widzimy że powstają na tym arkuszu kolejne KPI, już mamy w tej chwili dwa, za chwilkę o właśnie, wyjechał nam tutaj jakiś wykres słupkowy, jakiś wykres kołowy, Kolejne wizualizacje się tam pojawiają.
Oczywiście teraz jakby na tym podglądzie jeszcze nie widzimy co to jest, ale poczekamy aż sobie skończy swoją pracę i zobaczymy co tam nam wykombinował. Czyli nie daliśmy mu jakiś super zaawansowanych instrukcji po prostu niech coś zrobi. No i tutaj nam zadeklarował, że to już jest gotowe. Zrobił króciutkie podsumowanie, dał nam też linka do tej konkretnej aplikacji I teraz możemy już sobie tutaj wejść i zobaczyć jak to zostało stworzone.
Oczywiście możemy sobie teraz to powiększyć. Czyli mamy już taką dosyć powiedziałbym klasyczną aplikację Qlikową z KPI-ami. Natomiast chciałbym jeszcze zrobić jeden krok krok dalej. Czyli wejść sobie do edycji tego arkusza i znowu tutaj na chwilkę się Przenieść do Cloda i stwierdzam, że okej no to te wizualizacje są spoko ale chciałbym teraz, żeby ta aplikacja została jakby zbudowana troszeczkę lepiej.
Więc znowu do Cloda idziemy sobie tutaj i mówimy tak, dla wszystkich,
Czyli chciałbym, żeby ta aplikacja już była przygotowana dla użytkownika biznesowego żeby w razie czego mógł ją sobie dalej rozwijać i jak zobaczymy sobie za chwilkę tutaj właśnie elementach głównych zaczną pojawiać nam się definicje Właśnie wymiarów miar które użyliśmy tutaj, będą one właśnie już zdefiniowane jako elementy główne.
Czyli coś co też zajmuje pewien czas, jakby w momencie kiedy aplikację sobie tworzymy, finalnie możemy właśnie wykorzystać MCP do tego, żeby tą naszą pracę dosyć mocno sobie sobie ułatwić. Szybkie podsumowanie. Jakie miary zostały tutaj użyte, we właściwościach znajdziemy sobie właśnie co to jest, króciutki też opis został wygenerowany do tego tak, żeby użytkownik wiedział co tu się znajduje.
Więc w ten sposób z data produktu jesteśmy w stanie bardzo szybko przejść też właśnie do opcji po pierwsze tworzenia aplikacji a jak już ją też mamy, To możemy też ją wzbogacić poprzez MCP, oczywiście samo stworzenie aplikacji przez MCP też jest możliwe. No dobra to tyle jakby jeśli chodzi o szybkie demo właśnie data produktów wróćmy sobie do naszej prezentacji i lećmy dalej.
Drugi element, ten drugi filer o którym chciałem Wam powiedzieć, to jest właśnie ten kontekst czyli Qlik Answers w nowej wersji odpowiada na pytania które użytkownik zada w języku naturalnym. No i co ważne Qlik Answers może pracować w tej chwili na danych zarówno ustrukturyzowanych czyli konkretnie na aplikacjach czyli tak jak potrafił to robić w swojej pierwszej wersji, ale także na danych nieustrukturyzowanych czyli właśnie tych zasobach typu Pliki PDF, PowerPoint, Word, ale także też na plikach typu Markdown, czyli na przykład plikach które są właśnie bardzo często wykorzystywane przez różnego typu agentów jako takie instrukcje postępowania.
To też jest coś, co może być właśnie do agentów dołączone, za chwilkę to też zobaczymy. Czyli użytkownik może w tej chwili zadać Bardzo rozległe pytanie do swoich danych i w Qlik Answers weźmy pod uwagę zarówno to co mamy w aplikacjach w dashboardach ale też właśnie te pliki poboczne i jakby z tego skonstruuję użytkownikowi odpowiedź więc zobaczmy jak to by mogło wyglądać mamy tutaj aplikację, cofnijmy się tutaj
Zaznaczmy sobie aplikacje i asystentów czyli mamy klasyczny dashboard, ale do niego też jest właśnie stworzony asystent. I w tym dashboardzie znowu klasyczna aplikacja do analizy danych sprzedażowych z punktu widzenia produktu klienta I jest to jakby klasyczny dashboard, ale jak widzicie tutaj w prawym górnym rogu mamy możliwość skorzystania z Answersa Przy okazji nie widać tutaj już Insight Advisora bo Answers przejął jego rolę.
Jeżeli go sobie otworzymy, to widzimy od razu, że asystent może działać jakby w kilku trybach czyli po pierwsze możemy z nim rozmawiać Tylko w kontekście tej aplikacji, czyli będziemy sobie budowali odpowiedzi na pytania na bazie ustrukturyzowanych danych. Możemy też oczywiście od razu skorzystać z Answersa jako pomoc dla samego Qlik A.
Gdybyście nie wiedzieli jak coś zrobić, to można też tutaj właśnie Answersa do tego wykorzystać. Ale my chcemy właśnie skorzystać z asystentów czyli właśnie takich wersji Qlik A Answersa, które zawierają w sobie I informacje o tym, co siedzi w aplikacji i informacje o tych właśnie plikach zewnętrznych czyli w ten tryb możemy się przełączyć i tutaj będziemy widzieli listę asystentów które są dostępne na naszym serwerze.
Tego asystenta, który jest podpięty do tej aplikacji i chciałbym, żeby tutaj policzył mi opóźnienia i też np. wołał się do tego, czy definicje, których używamy pasują nam też do słownika biznesowego. Więc włączam mu takie pytania oczywiście te pytania możemy też zadawać tutaj wprost i to co widać tutaj po prawej stronie, to to jak w tej chwili Answers będzie sobie konstruował tą odpowiedź czyli on w tej chwili Zacznie rozmawiać z innymi agentami, którzy są też dostępni w ramach platformy Czyli najpierw spróbuje sobie Zrozumieć to pytanie.
Jeżeli je zrozumie, to na przykład zacznie je przerzucać do kolejnych agentów czyli do agenta który na przykład odpowie na to pytanie z danych ustrukturyzowanych do agenta który odpowie sobie na to pytanie z danych nieustrukturyzowanych Finalnie przerzuci to zadanie też do agenta który będzie odpowiadał za na przykład stworzenie konkretnej wizualizacji.
Ci agenci będą tutaj chwilkę ze sobą rozmawiali a my w międzyczasie zobaczmy, jak taki właśnie Qlik Answers jest skonstruowany. Czyli ten nasz asystent, który sobie teraz działa w tle jak widzicie ma dwie informacje do siebie podpięte, czyli baza wiedzy czyli Jeżeli ktoś z Was już bawił się Qlik Ansersem w poprzedniej wersji to wie o co tutaj chodzi.
To są właśnie te dokumenty nieustrukturyzowane, czyli na przykład pliki PDF, wordy jakieś umowy, tego typu rzeczy. Ale tą nowością jest właśnie możliwość też podpięcia do tej zawartości konkretnej aplikacji. O te pliki, to tutaj też warto zauważyć, że właśnie w dużej mierze są tutaj podpięte pliki w wersji markdownowej czyli to jak widzimy to są konkretne reguły Naszej organizacji które mówią nam np.
o tym, w jaki sposób nadajemy dyskanty naszym klientom albo np. jakie jest SLA związane z standardowymi procesami logistycznymi i co możemy robić, jakie mamy politykę związaną z tym, że jeżeli Co się dzieje w momencie, kiedy taka dostawa miałaby być opóźniona. Więc to są pewne zestawy funkcjonowania naszej firmy.
Znowu fajne miejsce, w którym możemy zebrać sobie tę procedurę i później pozwolić właśnie agentom Na tych procedurach pracować, ale też na przykład nowym pracownikom zdecydowanie łatwiej będzie się zonboardować, jeżeli będą mieli do dyspozycji tego typu procedury spisane i jeszcze dostępne na przykład właśnie w asystencie, czy to tym, które widzimy tutaj po prawej stronie, czy właśnie w asystencie zbudowanym W zupełnie zewnętrznym narzędziu Czyli tak, wracając sobie do tego, co stworzyliśmy sobie tutaj wcześniej, nasz asystent zaczął sobie szukać informacji właśnie o tych opóźnieniach, przeanalizował to, stworzył z tego pierwsze wizualizacje, opisał w jakich krajach najwięcej takich zdarzeń mamy, stworzył z tego kolejną wizualizację.
No i jeszcze odniósł się do tego właśnie, czy pojęcia których tutaj stosujemy są jakby poprawnie skoncentrowane też w naszym słowniku biznesowym. Także jak widzicie pytanie może być bardzo rozległe, może dotyczyć samych danych ale także też na przykład jakby ich  Ich interpretacji i w każdym momencie też możemy odwołać się do źródła na podstawie którego te dane zostały wygenerowane, czyli możemy też zobaczyć proces rozumowania asystenta, zobaczyć dokładnie z jakich wymiarów jakich miar Użył czyli jest to jakby w pełni audytowalne, jeżeli byśmy nie byli do końca pewni tego, co nam odpowiedział, to możemy sobie właśnie do tego miejsca wrócić.
Więc to jest Qlik Answers w nowym wydaniu. Możecie z nim rozmawiać zarówno jakby bezpośrednio w samej aplikacji, tak jak to widziałem tutaj, Tak jak to pokazywałem Wam tutaj, czyli otwieramy sobie Answersa możemy stworzyć nową konwersację i rozmawiać z nim na przykład tylko w kontekście aplikacji albo właśnie w kontekście aplikacji i danych.
Answers jest dostępny z tego poziomu ale także też jest dostępny z poziomu całego serwera czyli jak jesteśmy już Na całej naszej platformie zawsze do Answersa możemy się odwołać i pogadać z nim w interesujących nas kwestiach. Więc to jest demo Qlik Answersa, oczywiście on może robić dużo więcej, to pewnie pojawi się też kolejny webinar na ten temat, ale tak, żeby dać Wam podgląd tego, co jest możliwe w tej chwili w wersji 2.0.
No dobra, to znowu przeskoczmy sobie do naszej prezentacji. Mamy naszego Answersa no i ostatnia rzecz, którą chciałem Wam dzisiaj pokazać, to jest właśnie MCP już w troszeczkę szerszym wydaniu, czyli to, co widzimy tutaj po prawej stronie, to są, powiedzmy, główne zasoby, które mamy na środowisku plik, czyli to są aplikacje, to są data-produkty, to są różnego typu insighty które mogą być tam zgromadzane, Ale także właśnie konkretne funkcje, które możemy w Qliku wywołać, czyli właśnie tworzenie aplikacji, kasowanie, tworzenie arkuszy, tworzenie wizualizacji, uruchamianie jakiejś automatyzacji, wszystko to, co jest właściwie dostępne z GUI samego Qlik A możecie też wykonywać właśnie za pomocą MCP.
No i MCP jest właśnie takim konektorem między Tym całym naszym środowiskiem Qlikowym, a właśnie zewnętrznymi agentami, którzy z takich danych chcieliby korzystać bo zakładając sobie, że np. Klot może wykonywać pewną sekwencję działań gdzie w pewnym momencie potrzebuje zerknąć sobie np. na dane sprzedażowe, no to właśnie za pomocą MCP pójdzie sobie czy do konkretnych aplikacji czy do produktów wyciągnie stamtąd Zaudytowane dane, dane którym może zaufać i znowu za pomocą MCP zwróci to do siebie i wykorzysta je w swoim flow Zadaniowym.
Także w ten sposób to może działać a właśnie Qlik staje się takim miejscem, w którym te zaudytowane dane mogą służyć właśnie wielu agentom niezależnie od tego jakich użyjecie. No to zobaczmy sobie też jeszcze szybkie demo. Oczywiście już jakby kawałek tego rozwiązania widzieliście. Ale teraz spróbujemy sobie jeszcze pójść krok dalej, czyli stworzymy sobie pełen raport, na podstawie troszeczkę szerszego prompta czyli znowu mamy tutaj naszego nowego cloda i w chwili wkleję mu troszeczkę dłuższego Prompta ale pokazującego za chwilkę go sobie tutaj wyjaśnimy, czyli chcę, żebyś się podpiął do konkretnej aplikacji przygotowuję dla mojego wiceprezesa raport Odnośnie sprzedaży.
Chciałbym, żeby były tam porównania miesięczne, year-to-date, żeby się odwołał do tych głównych KPI-ów i tak dalej. Opisuję np. po jakich wymiarach chciałbym ten raport mieć przygotowany. Proszę o różnego typu wyjaśnienia Chciałbym też, żeby na końcu mi jasno powiedział, co jest OK, co nam idzie dobrze. A co możemy poprawić, więc troszeczkę dłuższy prompt oczywiście może być też w języku polskim teraz puszczamy go, żeby sobie go wykonał i to chwilka będzie trwało, więc poczekamy na jego wynik tak jak wspomniałem, on tutaj po drodze będzie sobie Podpytywał Qlik A właśnie poprzez protokół MCP, zrozumie tą aplikację, zrozumie wymiary które są w niej dostępne zrozumie też miary, których może użyć i zacznie z tego zbudować sobie pewien content, który powstał Później przerzuci do finalnego raportu więc dajmy mu chwilkę niech się tutaj z tymi naszymi danymi pobawi, a myślę, że efektem końcowym będziecie bardzo mile zaskoczeni, bo wiele czasu właśnie takie podejście też będzie mogło nam zaoszczędzić.
Ja tu w międzyczasie będę się troszeczkę przewijał, tak żeby zobaczyć co on sobie tutaj robi. Czyli znajduje pierwsze informacje czyli jakieś informacje kalendarzowe, no bo chcemy porównywać miesiąc do miesiąca rok do roku, więc on musi sobie ten kontekst też zbudować. Znajduje sobie i tworzy sobie pierwsze wizualizacje dotyczące właśnie zamówień w poszczególnych latach zysków przychodów
Na poszczególnych produktach. Czasami na przykład dostajemy informacje właśnie o errorze i tutaj może warto to doprecyzować że akurat wskazał tutaj, że dany wykres nie jest jeszcze supportowany. I to warto dodać że w protokole MCP jest dostępne mnóstwo tych endpointów w Qliku do których możemy się odwołać ale jeszcze nie wszystkie.
One oczywiście dochodzą z czasem więc Te możliwości MCP jeszcze bardziej się będą rozszerzały w czasie W tej chwili to jest dosłownie namiastka tego, co właśnie za pomocą MCP będziemy mogli zrobić, ale ten serwer MCP Qlikowy bardzo mocno się rozwija, więc to z czasem będziecie widzieli coraz mniej Tego typu informacji że dany wykres nie jest suportowany.
Tutaj na przykład nie jest akurat nie suportowana jest jeszcze mapa, w związku z tym właśnie ten error dostaliśmy. No i kolejne
wizualizacje nam się tutaj tworzą, tak jak wspomniałem, zbiera sobie w ten sposób content do tego naszego finalnego raportu No i jak widzimy zebrał sobie wszystkie potrzebne informacje, które w tym długim prompcie mu zostawiliśmy. No i teraz zaczyna budować prezentację właśnie na to spotkanie. Zobaczymy czy zdecyduje się zrobić to w PowerPoint czy w Wordzie.
Tym razem wybrał PowerPointa ale oczywiście w naszym prompcie możemy być bardziej specyficzni i wspomnieć o tym, że właśnie chcemy żeby to był dokument, no właśnie, wykonany na przykład w Wordzie. Tutaj zostawiliśmy swobodę wyboru więc wybrał za nas po prostu. No i zaczyna nam się coś generować, oprócz samej prezentacji, która za chwilkę nam się tutaj pojawi, mamy właśnie też podsumowanie, no i jak widzimy cały proces trwał Pewnie niecałe 5 minut, więc idealny moment na to, żeby pójść sobie na, na kawę no i mamy, mamy gotową prezentację porównanie 2024 do 2023, przychody marża liczba zamówień, ile ich mamy, też właśnie z porównaniem do roku poprzedniego informacje o Marży, która nam zaczyna spadać w stosunku do lat poprzednich plus informacje o tym, z czego to się bierze.
Tak jak wspomniałem, w tym naszym prompcie była informacja o tym, aby wskazał na te informacje które są OK, które idą nam dobrze, więc Trochę ich tutaj mamy, świecą nam się fajnie na zielono, ale właśnie są też wskazane te miejsca gdzie moglibyśmy nasze wyniki poprawić. Analizy po regionie po kategorii no i najważniej, jeden z ważniejszych slajdów czyli takie strategiczne rekomendacje na sam koniec Pięć takich rekomendacji tak, był też zapisany prompt, żeby właśnie takich pięć
Rekomendacji się pojawiło więc w ten sposób po dosłownie pięciu minutach czyli czasie idealnym na to, żeby pójść sobie zrobić kawę mamy gotową prezentację właśnie z wykorzystaniem MCP i wszystkich tych elementów które w platformie Qlik siedzą. To oczywiście jak będzie wyglądała ta prezentacja też zależy od nas od naszego promptu bo równie dobrze możemy też Wskazać mu tutaj, żeby korzystał z na przykład z naszych kolorów firmowych lub wręcz z template’u, który mu tutaj dostarczymy w ramach też naszego promptu czyli w ten sposób możemy właśnie wykorzystać MCP do Do tworzenia właśnie tego typu tego typu elementów.
To jeszcze ostatnia rzecz związana właśnie z samym z samym MCP. Możemy też tutaj tworzyć agentów którzy właśnie będą mieli narzucone pewne reguły czyli nie zrobią czegoś czego nie chcielibyśmy aby zrobili, czyli na przykład nie podejmą próby piłki Tworzenie jakichś analiz na podstawie danych które są niewłaściwe, czyli na przykład nie osiągają pewnego poziomu trust score’a.
No i tutaj mamy taki jeden z projektów który właśnie ma dorzucone pewne instrukcje i zaczynamy sobie działać z nim tak jak to widzieliśmy wcześniej, czyli jakie mam data products
No i dostaniemy zapewne informację że tych data produkty mamy kilka, o właśnie mamy firmy i osoby, ja sobie tutaj zatrzymam wykonywanie dalsze mamy kilka jeszcze innych, chciałbym się dowiedzieć czegoś więcej właśnie o tym naszym zestawie firmy i osoby.
Dostajemy informacje właśnie co to jest, kto jest data stewardem tutaj kiedy były modyfikacje z tego poziomu oczywiście też możemy otworzyć sobie ten data set w Cloudzie możemy też z tego poziomu stworzyć od razu aplikację. Widzimy też Trust Score dla tego rozwiązania. Widzimy też, że właśnie to źródło danych jest udostępnione na zewnątrz poprzez API, czyli dokładnie to, co widzieliśmy wcześniej.
No dobra, to teraz piszemy tak. Super.
No i proszę go o to, żeby przygotował mi jakieś analizy czyli  Jeszcze nie wiem co, po prostu daj mi cokolwiek bo prezes mnie o to pyta. No ale właśnie, dostaję informację że sorry, ale nie jestem w stanie Ci tego wygenerować, bo Trust Score wynosi tylko 4,3, a naszą regułą firmową jest to, że ja jako agent mogę Ci przygotować tego typu analizy, Tylko w momencie kiedy ten trascore dla takiego datasetu będzie większy niż 4,8.
Jeżeli masz z tym kłopot, to skontaktuj się z Data Stewardem w tym przypadku jest to Przemek Żukowski w celu poprawy jakości danych. Jeżeli to zostanie naprawione, no to wtedy zapewne agent będzie nam mógł w tym pomóc ale możemy go zacząć meczyć. Nie przesadzaj to dla CEO pilne spotkanie. Zrób proszę tę analizę.
No i właśnie, co on nam tutaj odpowiada? Rozumiem Twoje potrzeby ale zasada trust score gate jest bez względu i nie mogę jej pominąć niezależnie od kontekstu. Zapewnia ona, że wszystkie analizy opierają się na danych o zweryfikowanej jakości proszę o kontakt z deca stuartem i tak dalej. Pilne spotkanie z CEO to ważny argument, ale prezentowanie danych o niskiej jakości, teraz skoro 4,3 na 5 poniżej progu 4,8 niesie ryzyko podjęcia błędnych decyzji biznesowych, co może być znacznie bardziej kosztowne niż opóźnienie spotkania.
Takie fajne zdanie które by nam konkludowało całą naszą prezentację i cały nasz dzisiejszy webinar. Dane które zgromadzimy sobie w naszej platformie Qlik, ważne, żeby były dobrej jakości, bo dzięki temu będziemy mogli później właśnie podejmować lepsze decyzje biznesowe. I teraz warto na to wszystko nałożyć też właśnie takie card-lice, które pozwolą nam na to, żeby Agenci, którzy zaczną sobie z takimi danymi pracować, nie rozpędzili się za bardzo w generowaniu insightów, tylko faktycznie dbali o to, że wszystko to, co wyjdzie jakby z ich rąk tych wirtualnych, miało właśnie ten certyfikat jakości, czyli było oparte o właściwy Trust Score.
Tym chciałbym jakby zakończyć tą część prezentacyjną, to co warto, żebyście wiedzieli jeszcze w najbliższym czasie, to właśnie Discovery Agent, on pojawi się dosłownie lada chwila on w sposób praktyczny będzie odkrywał zmiany w waszych danych, wykrywa anomalie, ale będzie też dawał właśnie rekomendacje biznesowe, co ważne będzie działał na Urządzeniach mobilnych ale też i w przeglądarce, więc będzie wyłapywał co się zmieniło w naszych danych z czego to wynika.
No i tak jak widzicie będzie można też oczywiście na przykład ten element dalej sobie obejrzeć korzystając właśnie ze źródła danych czy na przykład korzystać dalej z Answers. Podsumowując to co w ramach Qlik Agentica jest dostępne, czyli lecąc sobie od dołu od fundamentu Data Products i Trust Score to jest coś, co zapewni nam, że nie tylko klasyczne, standardowe dashboardy i analizy będą oparte o wysokiej jakości dane, ale też właśnie agenci, którzy będą na nich pracowali będą tworzyli z nich nowy content, też będzie to, Jakość będzie tutaj zapewniona.
Po drugie silnik analityczny Qlik A cały czas jakby legendarny silnik tutaj działa i bardzo fajnie spina sobie te informacje zarówno ustrukturyzowane, jak i nieustrukturyzowane, działa to bardzo szybko tak jak to znacie po prostu sQlik A. Na tym wszystkim możemy budować właśnie Taki framework dla rozwiązań multiagent owych właśnie dzięki MCP, czyli Qlik A wykorzystujecie jako źródło Zaufanych danych a poprzez MCP agenci mogą się z tymi danymi kontaktować.
i oczywiście oprócz agentów zewnętrznych możecie też korzystać z Qlik Answers, czyli jednego z pierwszych agentów, który jest już dostępny. Za chwilkę pojawi się Discovery Agent, pojawi się za chwilkę Phenops Agent, także Będzie się w tym zakresie działo, będą to typowi agenci w środowisku Qlikowym, więc zachęcam Was też do tego, żeby śledzić na bieżąco co się tutaj będzie działo i zdecydowanie wskoczyć do klauda jeżeli jeszcze tego nie zrobiliście, więc Jeżeli jesteście gotowi na Agentic AI, zacznijcie sobie od jednego use case’a, nie próbujcie od razu całej transformacji, zbudujcie sobie pierwszy data product, zbudujcie wokół niego dobry trust score, aby na tym dobrym fundamencie budować właśnie rozwiązania w oparciu o Agentic AI, no a później skonfiguruje MCP, no i zabawa już jest jakby po waszej stronie.
Bardzo Wam dziękuję za dzisiaj, jeżeli tematy, które dzisiaj przekazałem są dla Was ciekawe, zachęcam do kontaktu z nami chętnie pokażemy Wam więcej, odpowiemy Wam na Wasze pytania szczególnie na to, jak Wasze środowisko obecne przenieść do chmury aby właśnie z tymi rozwiązaniami, które dzisiaj pokazywałem, zacząć z nich korzystać.
Dzięki i do usłyszenia.