Databricks zeigt, wie Genie Ontology die wöchentlichen Produkt-Reviews antreibt

Das Problem: fehlender Unternehmenskontext

Databricks argumentiert, universelle KI-Agenten seien gut darin, das Web zu durchsuchen, Schlussfolgerungen zu ziehen und Code zu schreiben, lieferten aber oft falsche Antworten zum eigenen Geschäft eines Unternehmens. Das Problem sei nicht die Intelligenz des Modells, so das Unternehmen, sondern der fehlende Unternehmenskontext: Welche Tabellen maßgeblich sind, welche Geschäftsregeln gelten und wer die vertrauenswürdigen Experten sind. Dieses Wissen ist über Dashboards, Abfragen, Dokumente, Anwendungen und Personen verteilt und ändert sich ständig.

Genie Ontology soll Genie ein fortlaufend aktualisiertes Verständnis dieses institutionellen Wissens geben, darunter Geschäftsdefinitionen, Regeln, Beziehungen und vertrauenswürdige Quellen. Laut Databricks beginnt es mit Kernkonzepten, die Teams in Unity Catalog steuern und zertifizieren. Anschließend wird es auf die gesamte Organisation ausgeweitet, indem erlerntes Wissen aus Dashboards, Dokumenten, Abfragen, Notebooks und angebundenen Anwendungen hinzukommt.

Ein Rankingsystem namens OntoRank ordnet diesen Kontext nach Autorität, etwa anhand von Zertifizierung, Nutzung und Urheberschaft. So kann Genie seine Antworten bei jeder Frage auf die vertrauenswürdigsten und relevantesten Quellen stützen.

So nutzt das Produktteam das System

Als Beispiel dient der wöchentliche Review des Produktteams zur Nutzerakzeptanz von Genie One. Der Produktmanager bittet Genie, den Review anhand der standardisierten Vorlage des Teams zu erstellen, die in einem Google Doc liegt. Ziel ist es, Brennpunkte zu finden, die Aufmerksamkeit brauchen. Databricks zufolge ist die Aufgabe schwieriger, als sie aussieht: Nutzer arbeiten über Web, Desktop, Mobilgeräte, Slack und Teams, manche Dashboards sind maßgeblich, andere veraltet, und relevanter Kontext steckt in Google Docs, Jira und Slack.

Der Denkverlauf zeigt Genie Ontology bei der Arbeit. Genie beginnt mit relevanten Datenbeständen wie Dashboards, Agenten und Tabellen, schaut dann auf kuratierte Pages und zuletzt auf Ontology-Snippets aus Dashboards, Notebooks und SQL-Abfragen. Dabei fand es die zertifizierte Metric View für wöchentlich aktive Nutzer, beschrieben als governte Kennzahl, die das gesamte Unternehmen einheitlich definiert. Anschließend nutzte Genie MCP, um aktuelle Dokumente in Google Drive und Jira-Tickets zu durchsuchen, und führte SQL-Abfragen auf Nutzungstabellen aus.

Ein universeller Agent müsse das fehlende Geschäftsverständnis ausgleichen, indem er Schemata durchforstet, Tabellen stichprobenartig prüft und wiederholt Abfragen ausführt, sagt Databricks. Das koste Zeit und Tokens und könne trotzdem zur falschen Quelle führen. Genie Ontology liefere den Geschäftskontext dagegen vor und während der Schlussfolgerung. Der Kontext berücksichtigt Berechtigungen: Genie nutzt nur Daten und Wissen, auf die der Nutzer über Unity Catalog und angebundene Quellen zugreifen darf.

Quellenangaben, Folgefragen und Prognosen

Der Produktmanager kann Quellenangaben öffnen und sehen, was Genie verwendet hat. Dazu gehörten Metric Views (zertifizierte Kennzahlen mit einer einzigen governten Definition) und Pages (governte Wikis in Unity Catalog). Genie bevorzugt von Menschen zertifizierte Assets, bevor es selbstständig weiter sucht. Da sich nicht jedes Konzept von Hand kuratieren lässt, decken Ontology-Snippets Fakten ab, die Genie automatisch gelernt und bewertet hat. Jedes Snippet zeigt seine vollständige Definition, Herkunft, den Autor und einen von OntoRank berechneten Autoritätswert. Nutzer können zudem das Profil des Autors einsehen, um zu sehen, in welchen Bereichen er tätig ist.

Als der Produktmanager fragte, warum die Zahl neuer Nutzer in den vergangenen Monaten sprunghaft gestiegen war, übernahm Genie die Untersuchung, für die sonst Abfragen auf Nutzungstabellen und eine Suche in Roadmap-Dokumenten, Jira-Tickets und Slack-Threads nötig wären. Prognosen sind in Genie One integriert. Der Produktmanager ließ daher den Trend prognostizieren und beobachtungswürdige Accounts markieren, statt eine Anfrage an das Data-Science-Team zu stellen und tagelang zu warten.

Zeitpläne und teilbare Agenten

Anschließend setzte der Produktmanager den Adoption-Review auf einen Zeitplan und machte aus der Unterhaltung einen Genie Agent. Laut Databricks erhalten Team und Führung damit einen Experten als Kollegen, der Folgefragen beantworten und Maßnahmen zur Leistung von Genie unterstützen kann. Er baut auf den Datenquellen aus der Unterhaltung und aus früheren Gesprächen zum Thema auf. In der Zusammenfassung des Beitrags zählt Databricks außerdem benutzerdefinierte Skills, geplante Aufgaben, teilbare Agenten und MCP-Schreibzugriffe auf externe Tools zu den Funktionen von Genie One.

Databricks zufolge bereitete der Produktmanager einen Review für die Führungsebene vor, untersuchte und prognostizierte neue Trends, legte ein Folgeticket an und baute einen wiederverwendbaren Agenten. Das Unternehmen führt dies darauf zurück, dass Genie über Genie Ontology das Geschäft versteht, Ergebnisse berechnet, statt nur Dokumente wiederzugeben, und die Governance der Organisation durchsetzt. Kunden lädt es ein, den Ansatz mit eigenen Daten auszuprobieren und Feedback zu geben, das in die Roadmap einfließt. Außerdem verweist es auf eine On-Demand-Session mit dem Titel Closing the AI Context Gap.