"مواضيع متعددة مصادر البيانات" في Amazon QuickSight: كيف تستعلم فرق التحليلات عبر بيانات متفرقة دون بناء أنابيب معالجة جديدة

أطلقت Amazon QuickSight ميزة تتيح للفرق دمج عدة مجموعات بيانات (Datasets) في "موضوع" (Topic) واحد يُستعلم عنه بلغة طبيعية، وهي خطوة تعالج عقبة قديمة في أدوات ذكاء الأعمال الذاتية الخدمة (Self-Service BI): ضرورة توحيد البيانات أو تسويتها في جدول واحد قبل أن يتمكن أي مستخدم من طرح سؤال عليها.

الميزة الجديدة، المسماة "مواضيع متعددة مصادر البيانات" (Multi-Dataset Topics)، جاء شرحها التفصيلي في تدوينة تقنية جديدة على مدونة AWS للتعلم الآلي، تستعرض أفضل الممارسات لدمج مصادر البيانات داخل واجهة الأسئلة والأجوبة بلغة طبيعية (Natural Language Q&A) في QuickSight. وبدل إجبار المحللين على بناء جدول واحد مسطّح (Denormalized Table) مسبقاً، توفر الميزة مسارين مختلفين لربط مجموعات البيانات، كل منهما يناسب نوعاً مختلفاً من الحاجة التحليلية.

طريقتان لدمج البيانات

المسار الأول يعتمد على علاقات محددة مسبقاً بين الجداول. هنا، يبني QuickSight مخطط ربط منطقي (Logical Join Graph) من مفاتيح علاقات صريحة تُعرَّف بين مجموعات البيانات، وينفذ عند الاستعلام عمليات ربط داخلي (Inner Joins) بينها. هذا المسار يدعم ما يصل إلى 12 مجموعة بيانات في الموضوع الواحد، مما يجعله مناسباً للبيانات العلائقية المنظمة جيداً، حيث تكون منطق الربط (Join Logic) ثابتاً ويمكن التنبؤ به.

أما المسار الثاني، فيمنح الذكاء الاصطناعي مساحة أكبر لاتخاذ القرار. فبدل مسارات ربط ثابتة، يعتمد هذا المسار على توليد استعلامات SQL بواسطة المحادثة (Chat-powered SQL Generation) المستندة إلى طبقة دلالية (Semantic Layer)، بحيث يفسر النظام سؤال المستخدم ويبني استعلام SQL المناسب لحظياً. وتقول AWS إن هذه الطريقة لا تنحصر في عمليات الربط الداخلي البسيطة، بل يمكنها توليد عمليات ربط خارجي (Outer Joins)، وعمليات دمج (Unions)، واستعلامات فرعية (Subqueries)، وربط ذاتي (Self-Joins)، ومقارنات عبر مستويات تفصيل مختلفة (Cross-Grain Comparisons)، ومنطق ربط شرطي، كل ذلك دون الالتزام بقالب بنيوي ثابت. هذه المرونة تصبح مهمة في الحالات التي تتغير فيها العلاقة بين مجموعات البيانات حسب طبيعة السؤال المطروح، وهو أمر يصعب على مخطط الربط الثابت التعامل معه.

الطبقة الدلالية هي صاحبة الدور الأكبر

ما يجعل مسار توليد SQL بالذكاء الاصطناعي موثوقاً، بدل أن يكون "صندوقاً أسود" يخمّن العلاقات بين الجداول، هو الطبقة الدلالية (Semantic Layer) التي يبنيها QuickSight حول كل موضوع. تشمل هذه الطبقة تعليمات مخصصة على مستوى مجموعة البيانات، وتعليمات على مستوى الموضوع نفسه، ومرادفات الحقول (Field Synonyms)، ووصف الحقول (Field Descriptions)، وكل هذه العناصر تمنح النموذج الأساسي سياقاً حقيقياً حول معنى البيانات وكيفية تفسيرها. فبدل أن يستنتج النظام النية من أسماء الأعمدة أو المخطط الخام (Raw Schema) فقط، توجّهه بيانات وصفية (Metadata) كتبها بشر، توضّح المصطلحات الغامضة ومنطق الأعمال قبل توليد أي استعلام.

لماذا يهم هذا الأمر

الفائدة العملية لفرق التحليلات تتمثل في تقليص المسافة بين البيانات الخام والإجابات. تخفف "مواضيع متعددة مصادر البيانات" العبء الهندسي الذي يتطلبه تحضير البيانات لوحات المعلومات ذاتية الخدمة، لأن الفرق لم تعد مضطرة لدمج المصادر فعلياً في مجموعة بيانات واحدة قبل أن يتمكن المستخدمون النهائيون من الاستعلام عبرها محادثةً. والمقايضة بين الطريقتين هي في جوهرها مقايضة بين التحكم والمرونة: فالربط القائم على العلاقات المحددة يمنح سلوك استعلام يمكن التنبؤ به ومراجعته، ولكن بحد أقصى ثابت لعدد مجموعات البيانات، في حين يتنازل توليد SQL بالذكاء الاصطناعي عن بعض هذا الوضوح مقابل قدرة أوسع على الإجابة عن أسئلة متنوعة وعابرة للحدود بين مجموعات البيانات.

وتضع AWS هذه الميزة في سياق دفعة أوسع تقودها QuickSight نحو التحليلات باللغة الطبيعية، حيث تتحول الطبقة الدلالية، عوضاً عن كتابة الاستعلامات يدوياً، إلى الواجهة الأساسية بين مستخدمي الأعمال والبيانات المعقدة متعددة المصادر.