AI die jouw data én organisatie écht begrijpt?! De kracht van Fabric Data Agents en Ontology.
Met Microsoft Fabric Data Agents en Ontology stellen organisaties medewerkers in staat om via natuurlijke taal snelle, betrouwbare data-inzichten te verkrijgen zonder technische SQL-kennis. Door bedrijfscontext, definities en beveiliging te combineren, veranderen deze slimme AI-agents de manier waarop we met Business Intelligence werken fundamenteel.
Artificial Intelligence speelt een steeds grotere rol binnen organisaties. Medewerkers willen sneller inzichten verkrijgen uit data, zonder daarvoor afhankelijk te zijn van complexe SQL-query’s, dashboards of gespecialiseerde data-analisten. Met de introductie van de Fabric Data Agent en de nieuwe Ontology-functionaliteit zet Microsoft een belangrijke stap richting een meer natuurlijke manier van werken met data.
In dit artikel bespreken we wat de Fabric Data Agent is, hoe deze werkt en welke rol een Ontology speelt bij het verbeteren van de kwaliteit, betrouwbaarheid en relevantie van AI-gegenereerde antwoorden.
Wat is een Fabric Data Agent?
Je wilt iets snel en gemakkelijk inzien in de data, maar de informatie die je zoekt is nog niet beschikbaar in een dashboard of rapport. Je kunt een data-analist vragen om een nieuwe analyse te maken, maar voor je het weet ben je dagen of zelfs weken verder. En zelf door de data navigeren is vaak ook geen optie als je geen kennis hebt van SQL-query’s of de onderliggende datastructuur.
Met de Fabric Data Agent brengt Microsoft hier verandering in. De Fabric Data Agent stelt gebruikers in staat om vragen te stellen in natuurlijke taal, zonder dat zij technische kennis van databronnen, querytalen of datamodellen nodig hebben.
In plaats van zelf een query te schrijven, kan een gebruiker bijvoorbeeld vragen:
- Welke opleidingen hebben de hoogste uitval onder eerstejaarsstudenten?
- Vanuit welke vooropleidingen stromen de meeste studenten in?
- Welke open dagen leiden tot de meeste inschrijvingen?
De Data Agent analyseert de vraag, bepaalt welke databronnen nodig zijn en vertaalt de vraag automatisch naar de juiste query’s. Gebruikers kunnen de agent vragen om trends te visualiseren of om correlaties tussen kanalen, systemen en variabelen te onderzoeken.
De Data Agent werkt altijd binnen de beveilingsstructuur van Microsoft Fabric. Gebruikers kunnen alleen data raadplegen waarvoor zij toegang hebben gekregen in Fabric. Stel dat een opleidingsmanager alleen toegang heeft tot gegevens van zijn eigen opleiding. Wanneer hij vraagt:
“Hoeveel studenten stopten binnen één jaar na inschrijving?”
dan zal de Data Agent uitsluitend informatie gebruiken uit datasets waarvoor deze gebruiker geautoriseerd is. Gegevens van andere opleidingen blijven buiten beeld.
De mogelijkheden beperken zich niet tot Microsoft Fabric zelf. Fabric Data Agents kunnen worden gepubliceerd naar Microsoft 365 Copilot, waardoor gebruikers dezelfde agent vanuit bijvoorbeeld Microsoft Teams kunnen gebruiken zonder eerst naar Fabric te navigeren. Hierdoor wordt data toegankelijk via de tools die medewerkers dagelijks gebruiken.
Deze AI gedreven manier van het ontvangen van inzichten, trends en patronen via persoonlijke en proactieve AI Agents zal onze traditionele manier van Business Intelligence en dashboards dan ook fundamenteel veranderen. Een betrouwbaar datafundament om te kunnen bouwen op datakwaliteit, actualiteit én veiligheid is daarbij essentieel voor organisaties in hun AI-transformatie. Microsoft Fabric als all-in–one data platform levert organisaties in een platform en in één licentie alle vereiste componenten die jouw organisatie daarvoor nodig heeft.
Hoe verschilt een Fabric Data Agent van andere AI-agents?
Een algemene AI-agent beschikt vaak over brede kennis en kan gesprekken voeren, teksten schrijven en informatie samenvatten. De antwoorden zijn primair gebaseerd op het onderliggende taalmodel en eventueel aanvullende bronnen afkomstig van het internet.
Een Fabric Data Agent heeft een specifiek doel: vragen beantwoorden op basis van de aangegeven databronnen binnen Fabric gebaseerd op gegevens uit jouw specifieke organisatie én met het bewustzijn van de context van jouw organisatie. De agent wordt daarom gekoppeld aan Lakehouses, Semantic Models en zogenaamde ‘Ontologies’ die de agent data uit jouw organisatie aanleveren en beschrijven.
De antwoorden zijn daardoor gebaseerd op de gegevens en kennis binnen de jouw organisatie en niet uitsluitend op de brede kennis van het een taalmodel. Daarnaast respecteert de agent altijd de toegangsrechten van de gebruiker.
Maar zelfs wanneer een Data Agent toegang heeft tot de juiste data, betekent dit nog niet automatisch dat de agent begrijpt wat deze data betekent. Begrippen zoals uitvalstudent, eerstejaarsstudent of instroom kunnen binnen organisaties een specifieke definitie hebben. Om deze context vast te leggen introduceert Microsoft Fabric Ontology.
Wat is een Ontology?
Het woord ontology komt oorspronkelijk uit de filosofie en houdt zich bezig met de vraag welke concepten bestaan en hoe deze zich tot elkaar verhouden. Binnen de wereld van data en AI heeft het begrip een meer praktische betekenis gekregen.
Een Ontology is een beschrijving van kennis binnen een bepaald domein. Het legt vast:
- Welke concepten belangrijk zijn
- Welke eigenschappen deze concepten hebben
- Hoe deze concepten met elkaar verbonden zijn
Een Ontology zorgt ervoor dat AI niet alleen toegang heeft tot data, maar ook begrijpt wat die data betekent. Hierdoor hoeft AI minder aannames te doen en neemt de kans op onjuiste of inconsistente antwoorden af.
Binnen een Ontology kunnen bijvoorbeeld definities worden vastgelegd, zoals wat precies wordt verstaan onder een uitvalstudent, eerstejaarsstudent of instromer. Daarnaast kunnen synoniemen worden toegevoegd, waardoor AI begrijpt dat verschillende termen soms hetzelfde concept beschrijven. Met deze ontologielaag die we definiëren in Fabric dwingen we de juiste betrouwbaarheid achter de AI Agent af. We geven de agent als het ware een woordenboek waarin we hem vertellen wat er precies met tabellen en de bijbehorende velden bedoeld wordt en wat hun onderlinge relaties zijn: Essentieel om een AI agent ook de juiste antwoorden te laten geven.
Een ander voordeel is dat technische termen kunnen worden vertaald naar gebruikersvriendelijke begrippen. Waar een databron bijvoorbeeld verwijst naar een tabel of kolom met een technische naam, kan een Ontology deze koppelen aan een term die voor eindgebruikers herkenbaar is.
Tot slot helpt een Ontology AI om sneller de juiste informatie te vinden. Omdat relaties, definities en concepten expliciet zijn vastgelegd, kan de agent beter bepalen welke databronnen relevant zijn voor het beantwoorden van een vraag.
Geen AI zonder Ontology
Zo’n ontologie laag opgesteld door data scientists en proceseigenaren in jouw organisatie is dus onmisbaar in iedere stap van je AI evolutie. Door Fabric Data Agents te combineren met duidelijke definities van een Ontology, begrijpt AI niet alleen de cijfers, maar ook de context van jouw organisatie. Het resultaat? Snelle, betrouwbare inzichten die geen technische kennis vereisen en directe persoonlijke proactieve agents die de rol van traditionele dasbhoards en data analisten radicaal zullen veranderen.
Wil je hier meer over weten?
Benieuwd hoe dit er in de praktijk uitziet voor jouw organisatie? Op 15 oktober geven we een webinar waarin we dieper ingaan op de mogelijkheden van Microsoft Fabric, Data Agents en Ontology. We laten zien hoe je dit concreet toepast en beantwoorden al je vragen. Aanmelden kan via deze link:
