Unternehmensweite Daten & Analytics

Agentic AI für schlanke Datenlösungen

Für ein grosses internationales Unternehmen entwickelt PROVADIT Databricks- und dbt-Modelle mit Unterstützung von Agentic AI weiter. Lösungsvarianten vergleichen, Code prüfen und die zugrunde liegende Logik dokumentieren greifen dabei ineinander. So gelangen wir schneller zu fundierten, wartbaren Lösungen. Erfahrene Entwickler steuern die Arbeit und prüfen die Ergebnisse.

Die Fallstudie entdecken
Branche
Unternehmensweite Daten & Analytics
Unsere Rolle
KI-gestützte Modellentwicklung, Lösungsvergleich, Code-Review und Dokumentation
Schwerpunkte & Technologien
Agentic AI · Databricks SQL · dbt · Confluence · Markdown
Umfang
Lakehouse-Aufbau seit 2023 · KI-gestützte Entwicklung und Dokumentation in der aktuellen Projektphase

Kunde anonymisiert.

Die Ausgangslage

Wie lässt sich ein wachsendes Lakehouse effizient weiterentwickeln und nachvollziehbar halten?

Ein grosses internationales Unternehmen führt operative Daten in einem zentralen Databricks Lakehouse zusammen. Die Transformations- und semantische Schicht auf Basis von dbt umfasst zahlreiche Modelle mit detaillierten Spaltenmetadaten und fachlichen Regeln. Änderungen müssen für Fachverantwortliche, Analysten und künftige Entwickler nachvollziehbar bleiben. Die Dokumentation soll deshalb erklären, was der Code tut und warum der gewählte Lösungsweg sinnvoll ist.

Zum Arbeitsmaterial gehören vertraulicher Code, Geschäftsregeln und die Bedeutung einzelner Datenfelder. Deshalb ist die eingesetzte Umgebung ebenso wichtig wie die Leistungsfähigkeit des Modells. In diesem Mandat arbeitet PROVADIT innerhalb der Enterprise-AI-Plattform und Integrationen, die der Kunde bereits selbst betreibt und kontrolliert.

Unser Beitrag

PROVADITs Beitrag

PROVADIT setzt Agentic AI täglich als Entwicklungswerkzeug innerhalb der unternehmenseigenen AI-Plattform des Kunden ein. Der Agent arbeitet mit vorhandenem SQL, Metadaten und einer fachlich-technischen Erläuterung der Anforderung. Unsere Entwickler nutzen ihn, um Alternativen zu untersuchen, Modelle weiterzuentwickeln, Code kritisch zu prüfen und Dokumentation zu erstellen. Sie geben die Richtung vor, klären fachliche Fragen und prüfen jedes Arbeitsergebnis vor der Übergabe an den Kunden.

  1. Lösungswege vergleichen und den schlanksten passenden Ansatz finden

    Mit Agentic AI lassen sich mehrere Lösungswege zügig untersuchen und erste Entwürfe kritisch hinterfragen. PROVADIT bewertet die Varianten nach fachlicher Eignung, Komplexität, Wartbarkeit und Performance. Gesucht ist der einfachste Ansatz, der die tatsächlichen Anforderungen erfüllt, vorhandene Modelle sinnvoll nutzt und unnötige Abhängigkeiten vermeidet. Die technische Entscheidung trifft der Entwickler.

  2. Bestehende Modelle im Zusammenhang weiterentwickeln

    Der Agent liest das bestehende dbt-Modell und die zugehörigen Metadaten, bevor er Änderungen vorschlägt. Er unterstützt neue SQL-Logik, Anpassungen an geänderte Anforderungen, Refactoring und die Prüfung von Randfällen. Der vorhandene Kontext hilft dabei, fachliche Bedeutungen zu erhalten und den Code zugleich verständlicher und wartbarer zu machen.

  3. Code automatisiert prüfen und Hinweise bewerten

    KI-gestützte Code-Reviews ergänzen die Prüfung von Logik, Konsistenz und Randfällen und zeigen mögliche Vereinfachungen auf. Der Agent kann Annahmen hinterfragen und zusätzliche Prüfungen vorschlagen. PROVADIT bewertet diese Hinweise anhand der Anforderungen und validiert die daraus entstehenden Änderungen. Die automatisierte Prüfung unterstützt die fachliche Beurteilung; eine Freigabe oder Fehlerfreiheit lässt sich daraus allein nicht ableiten.

  4. Dokumentation aus Code und Entwicklungsabsicht erstellen

    Der Entwickler liefert eine fachlich-technische Einordnung zusammen mit SQL und Spaltenmetadaten. Daraus erstellt der Agent einen Dokumentationsentwurf zu Umfang, Fachlogik, Datenmodell, Quellfeldern und Umsetzung. Fehlende Definitionen und ungeklärte Quellenfragen bleiben als offene Punkte für den Lösungsverantwortlichen sichtbar. PROVADIT gleicht die Dokumentation mit dem Code und dem beabsichtigten Verhalten ab.

  5. In den bestehenden Werkzeugen dokumentieren

    Die geprüften Inhalte werden in Confluence Wiki Markup und Markdown aufbereitet und veröffentlicht. Anker, Hinweis-Makros und Tabellen folgen den Konventionen des Kunden. Aus denselben Quellen entstehen eine lesbare Wiki-Seite und eine versionierbare Datei. Das reduziert manuelle Formatierungsarbeit und hält die Dokumentation nah an der Entwicklung.

Einblick in die Arbeit

Was macht die Dokumentation im Alltag nutzbar?

Der Code zeigt die Umsetzung; der Entwickler ergänzt Zweck und Kontext. Zusammen liefern sie dem Agenten die Grundlage für eine Dokumentation, die Fachteams und Entwickler tatsächlich nutzen können.

  1. Zweck und Grenzen

    Anforderung, vorgesehene Nutzer, Geltungsbereich und fachliche Abgrenzung verständlich beschreiben.

  2. Fachlogik und Quellfelder

    Berechnungen und Transformationsregeln mit dem Datenmodell, der Bedeutung der Spalten und den Quellfeldbezügen verbinden.

  3. Umsetzung und Pflege

    Konkrete Umsetzungsschritte, übergreifende Regeln und die für spätere Änderungen benötigten Informationen festhalten.

  4. Offene Punkte sichtbar halten

    Fehlende oder mehrdeutige Definitionen zur Klärung mit dem Lösungsverantwortlichen aufführen, damit Annahmen nicht als Fakten erscheinen.

AI passend zur Umgebung des Kunden

Das Betriebsmodell richtet sich nach den Vertraulichkeitsanforderungen und der vorhandenen Infrastruktur. Die folgenden Ansätze gehören zu unterschiedlichen Mandatskontexten.

  1. In diesem Mandat: die AI-Plattform des Kunden

    PROVADIT nutzt die kundeneigene Agentic-AI-Plattform und deren Integration im Rahmen der bestehenden Vorgaben. Die vorhandene Umgebung bestimmt, wie Zugriffe, Modellnutzung und vertrauliche Informationen gehandhabt werden.

  2. In anderen Mandaten: lokale Open-Weight-Modelle

    Wenn eine geeignete Enterprise-Plattform fehlt, arbeitet PROVADIT auch mit leistungsfähiger lokaler AI-Hardware und Open-Weight-Sprachmodellen. Bei vollständig lokalem Betrieb können vertrauliche Eingaben auf der Infrastruktur des Kunden bleiben. Hardware und Modellkapazität bestimmen, welche Kontextgrössen sowie längeren oder stapelweise verarbeiteten Aufgaben möglich sind.

Arbeitsergebnisse

Konkrete Arbeitsergebnisse. Fundierte Entscheidungen.

Die laufende Arbeit führt Entwicklung, Prüfung und Dokumentation enger zusammen. PROVADIT kann mehr Lösungswege untersuchen und den manuellen Aufwand für Entwürfe und Formatierung reduzieren. Der Kunde erhält Modelle und Erläuterungen, die von Menschen mit Verständnis für die Fachlogik geprüft wurden.

  • Bewertete Lösungsvarianten und weiterentwickelte Databricks-SQL-/dbt-Modelle mit Blick auf schlanke Logik und Wartbarkeit.
  • Automatisierte Review-Hinweise, die erfahrene Entwickler bewerten und deren Umsetzung sie anhand der Anforderungen prüfen.
  • Aus dem Code abgeleitete fachliche und technische Dokumentation mit Quellfeldbezügen, Umsetzungshinweisen und ausdrücklich offenen Punkten.
  • Konsistente Inhalte in Confluence Wiki Markup und Markdown, erstellt innerhalb der vom Kunden geregelten AI-Umgebung.

Einordnung des Mandats

Der Lakehouse-Aufbau läuft seit 2023; die KI-gestützte Entwicklung und Dokumentation beschreiben die aktuelle Projektphase. Diese Fallstudie zeigt PROVADITs Arbeit an Modellen, Reviews und Dokumentation innerhalb der kundeneigenen Enterprise-AI-Plattform. Der lokale Einsatz von Open-Weight-Modellen ist eine separate Option aus anderen Mandaten.

Was dieses Beispiel zeigt

Der Nutzen reicht über schneller geschriebenen Code hinaus. Agentic AI schafft Freiraum, Alternativen zu vergleichen, Komplexität zu hinterfragen und die fachlichen Überlegungen hinter einem Modell laufend festzuhalten. PROVADIT verbindet dieses Tempo mit Fachverständnis, technischer Erfahrung und menschlicher Prüfung. So lässt sich die Lösung leichter verstehen und weiterentwickeln.

Gebündelte Glasfasern mit leuchtenden Endpunkten.

Ein fachlich verbundenes Mandat

Bestandsanalysen mit Databricks und dbt

Eine weitere Fallstudie zeigt, wie PROVADIT Fachlogik, Datenmodellierung und Databricks-/dbt-Engineering für Bestandsanalysen verbindet.

Fallstudie lesen: Bestandsanalysen mit Databricks und dbt

Passende Leistungen

Alle Projektbeispiele ansehen

Was möchten Sie klären?

Besprechen Sie Ihre fachliche Frage, die vorhandenen Systeme und die anstehende Entscheidung mit unserem Team.

Ihr Projekt besprechen