Generativní umělá inteligence má stále větší vliv na to, jak pracujeme s daty. Prostorová data nejsou výjimkou. V prostředí GIS a ETL, kde objemy dat rostou rychleji než týmy, které je spravují, pomáhá generativní umělá inteligence (GenAI) automatizovat úkoly, které dříve vyžadovaly specializované znalosti a hodiny ruční práce.
Společnost Safe Software integrovala GenAI přímo do platformy FME. Na jedné straně slouží jako vestavěný asistent, který zjednodušuje kódování, na druhé straně funguje jako „engine“ pro pokročilé datové pracovní postupy. Patří mezi ně řešení RAG (Retrieval-Augmented Generation), o kterých si povíme níže a která vám umožňují „chatovat“ s daty vaší organizace. Čtěte dále a získáte strukturovaný přehled těchto funkcí.
FME AI Assist – váš osobní Workbench asistent
FME AI Assist je vestavěný pomocník v rámci FME Workbench, který je k dispozici od verze FME Form 2024.0. Rozumí přirozenému jazyku a používá jej k generování kódu nebo výrazů potřebných ve vašem pracovním prostředí.
Uživatel jednoduše zadá příkaz, například „Vyberte města s počtem obyvatel nad 100 000“, a asistent vygeneruje příslušný dotaz v kódu, který je připraven k okamžitému použití v FME.
Asistent je integrován přímo do editačních oken. Objeví se přesně tam, kde jsou obvykle vyžadovány znalosti syntaxe, například při vytváření dotazů SQL, skriptů Python nebo regulárních výrazů (Regex).
Jak spustíte AI asistenta a jaká data používá?
Asistenta můžete aktivovat v FME Options. Lze jej také kdykoli deaktivovat, čímž se plná kontrola vrátí do rukou uživatele nebo správce FME.
AI Assist využívá obsah vašeho zadání a datové schéma, konkrétně názvy tabulek a sloupců. Neodesílá skutečné hodnoty záznamů z databáze vaší společnosti do externích modelů. K trénování modelů Safe Software ani modelů poskytovatelů GenAI se nepoužívají prostorová ani atributová data, což je zásadní pro bezpečnost dat organizace a dodržování GDPR.
Je třeba zdůraznit, že AI asistent generuje návrhy. Je na uživateli, aby se rozhodl, zda je přijme, upraví nebo odmítne. AI podporuje odborníky, nenahrazuje je.
Pro začátečníky znamená podpora AI nižší vstupní bariéru. Nemusí znát syntaxe SQL, Pythonu nebo Regexu nazpaměť. Stačí, když úkol popíší slovy.
Pro zkušené uživatele to znamená skutečnou úsporu času. Už nemusí ručně psát opakující se úryvky kódu a mohou se plně soustředit na logiku procesu.
Generativní AI v FME – praktické příklady použití
Kromě vestavěného asistenta se FME může připojit k externím službám AI prostřednictvím transformátorů, jako jsou OpenAICompletionsConnector, OpenAIChatGPTConnector, OpenAIImageGenerator, Generative AI Reader a LeapAIConnector (Safe Software neustále pracuje na nových řešeních). Díky tomu se generativní umělá inteligence stává nedílnou součástí datového workflow.
V této části se podíváme na několik příkladů, jak aplikovat generativní AI při práci s FME.
2.1. Kontextové výzvy v OpenAIChatGPTConnector
FME: Informace definované v OpenAIChatGPTConnector umožňují generativní AI poskytovat odpovědi, které jsou lépe přizpůsobené potřebám uživatelů.
V FME můžete pomocí OpenAIChatGPTConnector vědomě ovládat chování modelu GenAI. Místo toho, abyste položili jednu obecnou otázku, můžete nejprve definovat roli a úkol modelu a poté požádat o konkrétní výsledek s definovanou strukturou. Tím zajistíte, že odpověď bude lépe odpovídat potřebám procesu FME.
Můžete například vytvořit následující výzvu:
„Jste bot (role), který generuje datové soubory týkající se profilů společností.
Vygenerujte soubor JSON obsahující 50 největších společností v Polsku; uveďte název společnosti, počet zaměstnanců a tržby. Pojmenujte sloupce: společnost, zaměstnanci, tržby. Ve své odpovědi vraťte pouze surový soubor JSON.“
Výsledný JSON lze načíst do FME a zpracovat stejně jako standardní tabulkové údaje — filtrovat, sloučit s jinými zdroji nebo publikovat jako službu.
Tato metoda použití GenAI v FME má velmi praktické využití v případech, kdy potřebujete rychle generovat nebo doplňovat data, zejména během fáze prototypování nebo předběžné analýzy.
2.2. Generování prostorových datových sad s automatickým kontextem
Generativní AI Reader v FME vám umožňuje generovat celé datové sady na požádání. Namísto ručního navrhování struktury tabulky uživatel jednoduše popíše datovou sadu, kterou potřebuje, v parametrech čtečky.
Například: „Největší zaměstnavatelé v Polsku, včetně města, odvětví, názvu společnosti, adresy a přibližného počtu zaměstnanců“. Čtečka vytvoří příslušná pole a řádky. Výslednou sadu lze okamžitě zobrazit ve vizuálním náhledu a dále zpracovat jako klasická prostorová data.
Tento pracovní postup lze rozšířit řetězením dotazů. V návaznosti na výše uvedený příklad by uživatel mohl nejprve vygenerovat seznam provincií spolu s jejich hlavními městy, rozlohou a počtem obyvatel. Poté by mohl pro každé hlavní město požádat o seznam největších zaměstnavatelů v daném městě, včetně odvětví, adresy a počtu zaměstnanců. Výsledkem je, že během několika minut je vytvořen multidimenzionální datový soubor připravený k analýze v FME. To vše je dosaženo bez ručního navrhování schémat nebo psaní pomocného kódu.
2.3. Tvorba grafiky
Generativní AI v FME se neomezuje pouze na textová a tabulková data. Platforma také obsahuje transformátory, které generují obrázky, jako například OpenAIImageGenerator a LeapAIConnector.
Jak to funguje? Uživatel zadá popis v přirozeném jazyce spolu s několika parametry (velikost, styl, formát) a FME vrátí vygenerovaný obrázek, který lze uložit, propojit se záznamem nebo publikovat v aplikaci.
Tuto funkci lze využít například k urychlení práce na mapových portálech. Namísto ručního vyhledávání nebo vytváření jednotlivých ikon můžete pomocí FME a LeapAIConnector automaticky generovat sadu jednotných ilustrací na základě atributů objektů. Dobrým příkladem může být vytvoření městského servisního portálu, který představuje plánované investice: nové autobusové zastávky, dobíjecí stanice pro elektromobily nebo sběrná místa pro tříděný odpad.
2.4. Aplikace pro samoobslužné zpracování dokumentů
Generativní AI v FME může také fungovat jako engine pro webové aplikace. Typickým příkladem je řešení, kdy uživatel nahraje PDF zprávu přes jednoduché rozhraní a systém vrátí shrnutí připravené AI. V FME se o to starají transformátory jako OpenAIChatGPTSummarizer a OpenAIChatGPTTextSummarizer.
Takové řešení může být obzvláště užitečné pro radnice a projektové kanceláře, které pravidelně dostávají rozsáhlé zprávy. Namísto čtení každého dokumentu od začátku do konce zaměstnanec nahraje soubor a během několika sekund obdrží nejdůležitější informace. To usnadňuje rozhodování, který dokument vyžaduje úplnou analýzu a který lze okamžitě archivovat.
Virtualizace dat a RAG – využití firemních dat a umělé inteligence
Veřejné modely AI nemají přístup k datům uloženým v konkrétních organizacích. Fungují na základě obecných znalostí z internetu. Pokud se jich zeptáte na něco konkrétního týkajícího se vašeho podnikání, mohou si jednoduše vymyslet odpověď (fenomén známý jako „halucinace“). To je vážné omezení pro obchodní aplikace generativní AI.
Řešením tohoto problému je architektura RAG — Retrieval-Augmented Generation (generování rozšířené o vyhledávání). V tomto přístupu funguje FME jako vrstva, která připravuje a poskytuje modelu AI spolehlivá data z firemních systémů. FME načítá dokumenty, zprávy, data GIS a další zdroje, zpracovává text do vektorů (embeddings) a načítá je do vektorové databáze. Tím se vytvoří databáze obsahující specifické znalosti dané organizace.
Když uživatel položí otázku v přirozeném jazyce, systém nejprve prohledá tuto databázi a vyhledá fragmenty, které nejlépe odpovídají dotazu. Teprve poté je předá jazykovému modelu s pokyny, aby odpověděl pouze na základě poskytnutého kontextu.
Například při zodpovězení otázky „Jaký je stav kanalizačních trubek v sektoru B?“ systém nejprve vyhledá relevantní zprávy a poznámky v rámci zdrojů společnosti a poté požádá AI o stručné shrnutí na základě těchto zjištění.
Datová virtualizace vytvořená tímto způsobem umožňuje zaměstnancům „konverzovat“ s dokumentací a databázemi pomocí přirozeného jazyka.
Výzvy, osvědčené postupy a odpovědné používání generativní umělé inteligence
Generativní AI v FME může být obrovskou podporou, ale musí být používána zodpovědně.
Kód generovaný AI asistentem nebo externími modely musí být vždy ověřen. Nikdy nezapomeňte, že AI je podpůrný nástroj, nikoli neomylný expert. Před nasazením do produkce je vhodné otestovat logiku dotazů a skriptů a zkontrolovat jejich dopad na vaše data.
Klíčová je také správná formulace příkazu.
Krátké, přesné věty, specifikující názvy tabulek a sloupců a definující očekávaný formát výsledku, výrazně zlepšují kvalitu odpovědí. Pokud první verze nesplňuje očekávání, je třeba příkaz upřesnit a požádat o opravu.
Je také třeba mít na paměti náklady. Volání modelového API se účtuje v tokenech. U velkých objemů dat může být neoptimální využití AI nákladné. Osvědčeným postupem je filtrování dat před jejich odesláním do modelu a omezení využití AI na úkoly, kde skutečně přináší přidanou hodnotu.
Posledním prvkem je bezpečnost. I když AI Assist neodesílá hodnoty záznamů externě, jiné integrace to mohou dělat. Musíte dodržovat pravidla GDPR a interní zásady a jasně definovat, které informace mohou opustit organizaci.
Shrnutí
FME se stává skutečným mostem mezi tradičním datovým inženýrstvím a moderní generativní AI. AI Assist urychluje kódování. Integrace s modely LLM otevírá nové scénáře, od generování syntetických dat a vytváření grafiky nebo webových aplikací až po fungování jako asistent pro SQL a Python.
Architektura RAG a virtualizace dat meanwhile umožňují budovat systémy, které odpovídají na otázky na základě skutečných znalostí organizace, nikoli na základě obecných webových dat.
Nyní je vhodná doba začít experimentovat s FME a GenAI. Stojí za to tak činit kontrolovaným způsobem, aby se ověřilo, kde GenAI skutečně urychluje procesy a rozhodování.
