Amazon Quick ускорил получение проверяемых AI‑ответов по корпоративным данным

Amazon Quick получил обновления, которые сокращают время от запроса до проверяемого аналитического ответа по большим корпоративным данным и делают результаты прозрачными для инженеров и аналитиков. В релизе отмечают пять новых возможностей, направленных на масштабирование AI‑решений по десяткам доменов и миллионам строк — это важно для команд, которым нужно быстро получать корректные, соответствующие правилам ответы без ручной подготовки дашбордов или постоянных обращений к аналитикам.

Ключевая функция — Dataset Q&A: она позволяет подключить один или несколько наборов данных к чат‑агенту или Quick Space и задавать вопросы на естественном языке. Система автоматически генерирует SQL, выполняет его по полным таблицам (миллионы строк, без выборки) и возвращает результаты за считанные секунды, одновременно разрешая неясности в запросах и подбирая поля, агрегаты и фильтры с учётом метаданных набора данных. При построении SQL Quick использует бизнес‑определения, сохранённые в метаданных, чтобы ответы отражали семантику домена, а не только имена столбцов. Платформа применяет настроенные политики доступа на уровне строк и столбцов, привязанные к идентичности пользователя, так что существующие правила безопасности, действующие для дашбордов, автоматически распространяются и на AI‑запросы.

Механизм объяснений показывает полную цепочку рассуждений: какие инструменты были вызваны, какой SQL сгенерирован, какие фильтры и допущения применены, а также краткое изложение на понятном языке. Это даёт инженерам BI и аналитикам возможность задавать контрольные вопросы, инспектировать рассуждения, добавлять контекст и настраивать защитные правила перед выпуском агента конечным пользователям. В документе подчёркивается значимость семантического обогащения: точность Dataset Q&A сильно зависит от того, как система понимает бизнес‑терминологию — например, «revenue» может означать валовую или чистую выручку. Семантическое обогащение позволяет обучить модель предметной лексике организации и снизить риск неверных интерпретаций при автоматической генерации SQL.

В качестве практического результата авторы приводят пример использования внутри технического сообщества: по данным публикации, точность запросов выросла более чем на 48%, а время разрешения упало с 90 минут до менее 5 минут в группе более 15 000 участников. Для разработчиков и команд данных это означает возможность быстрее выпускать проверяемые, соответствующие правилам и масштабируемые AI‑агенты, экономя время аналитиков и сохраняя управление доступом.