В 2025 году мы создали BI‑систему для крупного клиента из сферы маркетинга. Инструмент помогает менеджерам отслеживать ключевые показатели рекламных кампаний.
Нам удалось выстроить надежную инфраструктуру работы с данными. Но когда информации слишком много, в ней сложно навигироваться даже в рамках одной цифровой среды.
Чтобы упростить работу сотрудников с медиа-аналитикой, мы интегрировали AI. Наша инфраструктура стала идеальной основой для внедрения MCP-сервера — стандартизированного интерфейса доступа AI к данным. Безопасность обеспечивается за счет корпоративной авторизации, изоляции тенантов и наследования прав BI-системы.
На базе MCP-сервера создали AI-агента, который умеет не только обрабатывать информацию, но и создавать визуализации данных в дашборде. Решение уже работает на BI-платформе нашего клиента — с терабайтами данных и сотнями аналитических витрин.
Создать и внедрить AI-агента, который:
AI-агент сокращает время на поиск и обработку данных. Раньше менеджеру нужно было найти отчет, выбрать правильные фильтры и проверить актуальность информации. При нестандартном запросе — обратиться к аналитику.
Теперь сотрудник формулирует вопрос в свободной форме и получает не только нужные показатели, но и:
При этом действуют все те же права доступа BI-системы, данные остаются внутри корпоративного контура и сохраняется логика расчетов.
В разработке AI-решений главную роль играет инфраструктура данных — то, как они обрабатываются и хранятся. К моменту внедрения AI в BI мы уже создали клиенту зрелую структуру:
Для реализации нашей задачи сделали AI-оркестратор поверх семантического слоя данных — с разделенной логикой обработки запросов.
Решение может быть адаптировано к данным из любых сфер: маркетинг, e-com, финтех.
Аналитик заранее формирует витрину, пишет сложный SQL и агрегирует данные. В семантическом слое — соединяет витрину и SQL с описанием, документацией и дополнительными параметрами для AI-агента.
AI работает с семантическим слоем: исходя из указанных данных выбирает правильный датасет и необходимые поля в нем. С помощью MCP-инструментов составляет нужные фильтры и параметры запроса.
Архитектура AI-агента не привязана к конкретной LLM. На каждом этапе работы AI-агента используются оптимальные модели, а мы получаем более быстрый ответ за меньшую стоимость токенов.
Наши функции для работы с данными можно интегрировать с другими AI-агентами. Обмен данными проходит по Model Context Protocol.
MCP-сервер:
AI-модель может выдавать недетерминированные ответы, поэтому мы проверяли изменения на наборе сценариев: несколько типов запросов, реальные вопросы и ожидаемые ответы.
На этапе R&D проверяли AI-агента на демо-датасетах с моделями Qwen и OpenAI. После разработки провели сравнительное тестирование сценариев, чтобы оценить качество ответов и стабильность работы агента.
Система развивается — основной фокус на усилении безопасности, стабильности и масштабируемости архитектуры.
Сейчас AI-агент:
