Всего за несколько коротких лет искусственный интеллект трансформировал сферу управления данными. Создание приложений, информационных панелей и извлечение ценной информации больше не представляют собой сложную задачу. И хотя инструменты для разработчиков и автономные агенты развивались с головокружительной скоростью, повседневная аналитическая работа оставалась на удивление ручной.

Почему бизнес-аналитика оказалась позади? Отчасти это объясняется тем, что знания разобщены, противоречивы и децентрализованы. Работа над отдельной информационной панелью или анализом не пополняет общую базу знаний компании и зачастую непригодна для повторного использования. Согласно опросу CDO Magazine, только 18% организаций смогли масштабировать ИИ между несколькими командами, а 61% сообщили о скрытых сбоях в своих системах данных.

В Alation мы подошли к этой проблеме совершенно иначе. Мы заметили, что аналитики, разработчики и потребители данных привносят уникальный взгляд на то, какие данные важны для ведения бизнеса. Журналы запросов и отчеты фиксируют активность, но контекст хранится у людей. Разработчики и аналитики знают, какие таблицы имеют значение, а какие информационные панели бесполезны, в то время как бизнес-пользователи указывают направление для следующего ключевого вопроса. Все это — сигналы, которые можно уловить, а затем преобразовать в дискретные сущности в Alation для модульного повторного использования.

Часто первый сигнал исходит от пользователя агента: аналитик исправляет метрику, финансовый руководитель объясняет исключение или просит уточнить детали, либо пользователь указывает на то, что агент следовал неверным инструкциям. Эти взаимодействия содержат ценные знания. Если они остаются только в рамках беседы, следующему пользователю, возможно, придется объяснять все заново. Хотя память агента невероятно полезна для персонализации под конкретного человека, Alation специализируется на извлечении обобщенных корпоративных знаний, которые можно повторно использовать для получения согласованных ответов во всей компании.

Основанные на использовании циклы обратной связи Alation фиксируют эту работу в виде предлагаемых обновлений управляемых объектов в каталоге. Изменения проверяются, применяются и становятся доступными для авторизованных сотрудников и агентов, которые ссылаются на эти объекты. Исправление становится частью общего понимания организации. Вот несколько примеров:

Запрос значения затрат дает слишком большой результат — пользователь просит исключить научно-исследовательское подразделение из расчетов затрат.

Запрос значения затрат дает слишком большой результат — пользователь просит исключить научно-исследовательское подразделение из расчетов затрат.

Для анализа времени доставки используется не тот столбец; замена столбцов дает правильный результат.

Для анализа времени доставки используется не тот столбец; замена столбцов дает правильный результат.

Агент предлагает новое измерение для ответов на вопросы по новому направлению бизнеса, и пользователь подтверждает его.

Агент предлагает новое измерение для ответов на вопросы по новому направлению бизнеса, и пользователь подтверждает его.

Мы протестировали этот механизм на двух бенчмарках: один был посвящен изучению определений бизнес-метрик, а другой — исправлению конфигураций агентов.

Два эксперимента: обучение контексту, исправление агента

Чтобы продемонстрировать, как это работает на практике, мы оценили два разных уровня работы агента: контекстный слой (что агент знает) и конфигурацию агента (как агент действует).

Два независимых бенчмарка проверяют способность Alation обучаться на основе историй чатов. Первый бенчмарк содержит 50 случаев, требующих знания определений SQL-метрик. В корпоративных данных указание агенту на правильную таблицу — это лишь первый шаг. Чтобы выдавать заслуживающие доверия ответы, агенту необходимы проверенные алгоритмы расчета, связи между сущностями, агрегации по умолчанию и бизнес-фильтры, которые придают метрике реальный смысл.

Затем мы симулировали сценарий с участием человека с помощью «обучающих чатов» — бесед, в которых аналитик исправляет математические расчеты агента (например, указывает, какие метрики определяют такое корпоративное понятие, как чистая выручка).

Цикл обратной связи состоит из трех этапов:

Сбор (Capture): Alation извлекает дискретную бизнес-логику непосредственно из истории чата.

Сбор (Capture): Alation извлекает дискретную бизнес-логику непосредственно из истории чата.

Обновление (Update): Предложенные изменения записываются в управляемый контекст (для этого теста они применялись программно, хотя в продакшене ими управляют дата-стюарды).

Обновление (Update): Предложенные изменения записываются в управляемый контекст (для этого теста они применялись программно, хотя в продакшене ими управляют дата-стюарды).

Повторная оценка (Re-evaluate): Бенчмарк запускается снова, чтобы проверить, устранил ли агент сбой.

Повторная оценка (Re-evaluate): Бенчмарк запускается снова, чтобы проверить, устранил ли агент сбой.

Хотя оценка агента на основе только что полученной обратной связи может показаться «обучением на тестовом наборе», в этом и заключается главная суть. Веса модели агента никогда не меняются; вместо этого Alation фиксирует экспертные знания на этапе исправления и превращает их в накапливаемый, многократно используемый контекст.

Второй бенчмарк содержит восемь случаев с участием агентов с промптами и некорректными конфигурациями инструментов. Проблемы кроются в конфигурации агента и проявляются в его поведении. Изменение доступного агенту контекста — это лишь часть решения. Сам агент может работать неэффективно, быть неисправным или содержать противоречивые инструкции. Таким образом, цикл обратной связи должен определить проблемный уровень и направить туда исправление. Главная цель здесь — привести поведение агента в соответствие с тестовыми сценариями и минимизировать как задержки, так и ошибки.

Бенчмарк

Кейсы

Базовая точность

Точность после проверенных обновлений

Определения SQL-метрик с обучающими чатами в стиле аналитика

50%

84%

Неправильно настроенные агенты

100%

В совокупности эти эксперименты исследуют обе стороны понимания агента: потребляемый им бизнес-контекст и конфигурацию, определяющую его поведение.

Простое обновление конфигурации агента, автоматически предлагаемое на основе историй чатов.

Небольшое обновление продукта данных на основе исправления метрики из истории чата.

Важным механизмом является то, что происходит с результатами работы между запусками. Уточнение становится предложенным изменением постоянного объекта. Ответственный за объект или продукт данных стюард или администратор рассматривает его и принимает решение: сохранить, отклонить или доработать. Кроме того, оценки измеряют, насколько хорошо изменения решают проблему и не привели ли они к каким-либо непредвиденным регрессиям. В ходе предыдущей оценки на датасете продаж из 20 вопросов SQL-агент улучшил точность с 60% (12 из 20) до 100% за две автоматизированные итерации улучшения, причем каждое изменение проверялось человеком. Это был отдельный бенчмарк, отличный от двух описанных здесь.

Таким образом, сам процесс использования агента показывает нам, как его улучшить.

Единицей улучшения является управляемый объект

Операционная система интеллекта Alation, AIOS, объединяет данные, контекст, агентов, управление и обратную связь в единую систему. Она действует как самоуправляемый контекстный слой и платформа обмена знаниями для людей и агентов, работающих в вашей компании.

AIOS дает обучению постоянное место для жизни.

Он предоставляет строительные блоки для агентов данных. Определение метрики содержит одобренный аналитиком расчет. Описания объектов каталога различают столбцы и таблицы, а также дают представление о том, когда их следует использовать. Управляемый документ предоставляет политику, лежащую в основе исключения, и хранит стандартные операционные процедуры для справки. Дата-продукты объединяют все эти компоненты вместе со связями между ними, чтобы дать ответы на самые актуальные вопросы бизнеса. Вместе с агентом (готовым или созданным под конкретные задачи) они формируют основу интеллектуальных приложений для работы с данными, которые обучаются по мере их использования. Каждое улучшение направляется объекту с соответствующей областью действия, владельцем и процессом проверки.

Это меняет отдачу от работы, которую люди уже выполняют, и объединяет все под одной крышей. Аналитик, разрешающий неоднозначность, вносит знания, на которые другие потребители могут ссылаться в связанных отчетах. Проверка дата-стюарда делает эти знания пригодными для совместного использования и управляет жизненным циклом метаданных. И все это поведение измеряется с помощью тестовых сценариев, которые обеспечивают согласованность поведения агента.

Ценность выходит за рамки агента, столкнувшегося с проблемой. Другие авторизованные агенты, приложения и люди, использующие один и тот же утвержденный контекст, могут извлечь выгоду из исправления. У них появляется общая отправная точка для следующего вопроса. По мере того как все больше команд вносят свой вклад, организация получает более глубокое понимание своего бизнеса. Это понимание остается доступным для поиска и управляемым, с подтверждением того, что именно изменилось и почему.

Децентрализация бизнес-знаний

Большинство бизнес-вопросов, хотя и основаны на данных, требуют знаний, которые рассредоточены по метаданным, документам и головам людей:

Семантическая модель определяет расчет.

Семантическая модель определяет расчет.

Хранилище содержит записи о доходах и расходах.

Хранилище содержит записи о доходах и расходах.

Финансовая политика объясняет, какие расходы относятся к управленческой отчетности.

Финансовая политика объясняет, какие расходы относятся к управленческой отчетности.

В документе политики фиксируются правила учета вновь приобретенного бизнеса и структура квартальной отчетности.

В документе политики фиксируются правила учета вновь приобретенного бизнеса и структура квартальной отчетности.

Агенту необходимы все эти источники для ответа на бизнес-вопрос, а также нерегулярный ввод и обратная связь, предоставляемые пользователем, управляющим задачей. Один лишь расчет может опускать исключение; одна лишь политика не может выдать число.

AIOS связывает контекст структурированных данных с управляемыми неструктурированными знаниями. С помощью управляемых коллекций (Governed Collections) такие документы, как политики, операционные процедуры и бизнес-глоссарии, становятся объектами каталога, которые агенты используют по ссылке. Когда исходный документ меняется, агент считывает текущую версию.

Теперь представьте, что финансовый отдел уточняет, как приобретение компании должно отражаться в анализе рентабельности. Эти знания могут быть зафиксированы в соответствующем управляемом контексте, связаны с подтверждающей документацией и проверены их владельцем. Будущие потребители получат доступ как к правилу, так и к объяснению, стоящему за ним.

Проверка человеком важна, потому что запрос на разовый анализ и изменение утвержденного бизнес-определения имеют разный масштаб. Цикл обратной связи подготавливает изменение; ответственный владелец определяет, где и применяется ли оно вообще. Хотя агенты отлично умеют находить проблемы и предлагать их решения, в конечном итоге именно сотрудники бизнеса лучше всего могут оценить их правильность. Большинство организаций проводят ту же черту: согласно исследованию AI Impact Survey 2026, проведенному компанией Grant Thornton среди 950 руководителей высшего звена, только 5% разрешают агентам принимать важные решения без проверки человеком.⁷

Начните с уже имеющихся у вас знаний, а затем позвольте им расти

Создание этой системы не требует ручного восстановления знаний вашей организации. Лучше всего начать с определения бизнес-процесса или функции, а затем позволить Alation агрегировать любые существующие источники или начать с нуля:

Подключите источники данных, и функция извлечения метаданных Alation (Metadata Extraction, MDE) сформирует техническую инвентаризацию.

Подключите источники данных, и функция извлечения метаданных Alation (Metadata Extraction, MDE) сформирует техническую инвентаризацию.

Загрузка журналов запросов (Query Log Ingestion, QLI) добавляет информацию о том, как используются данные: соединения, фильтры и шаблоны использования, встроенные в реальные запросы.

Загрузка журналов запросов (Query Log Ingestion, QLI) добавляет информацию о том, как используются данные: соединения, фильтры и шаблоны использования, встроенные в реальные запросы.

BI-отчеты и сохраненные запросы вносят свой вклад в виде устоявшихся метрик и аналитики. [7, 8]

BI-отчеты и сохраненные запросы вносят свой вклад в виде устоявшихся метрик и аналитики. [7, 8]

Автоматическое создание и майнинг семантического слоя превращают эти артефакты в отправную точку для бизнес-кейса.

Автоматическое создание и майнинг семантического слоя превращают эти артефакты в отправную точку для бизнес-кейса.

Существующие запросы выявляют потенциальные связи и расчеты.

Существующие запросы выявляют потенциальные связи и расчеты.

Существующие семантические модели могут быть перенесены.

Существующие семантические модели могут быть перенесены.

Управляемое создание помогает владельцам просматривать и дорабатывать этот контекст до состояния управляемого дата-продукта.

Управляемое создание помогает владельцам просматривать и дорабатывать этот контекст до состояния управляемого дата-продукта.

Для кейса по рентабельности команда начинает с бизнес-цели: помочь руководству понять, где меняются маржинальные показатели. Alation привлекает соответствующие активы и существующие аналитические знания. Владелец подтверждает предполагаемые определения, область применения и подтверждающие документы, а также вносит исправления по ходу дела.

Автоматизация кураторства (Curation Automation) помогает поддерживать стандарты метаданных, которые делают этот контекст пригодным для повторного использования. Контроль качества данных (Data Quality) отслеживает надежность базовых входных данных. Эти возможности позволяют сохранять связь описаний, прав владения и состояния данных с контекстом, который используют агенты.

Результатом является общая база, которую можно использовать немедленно и улучшать по мере использования. Оценки затем проверяют, поддерживает ли эта база вопросы, на которые бизнесу нужно получить ответы.

Результатом является общая база, которую можно использовать немедленно и улучшать по мере использования. Оценки затем проверяют, поддерживает ли эта база вопросы, на которые бизнесу нужно получить ответы.

Утвержденные вопросы и ожидаемые результаты создают отправную точку.

Утвержденные вопросы и ожидаемые результаты создают отправную точку.

По мере обнаружения пробелов контекст уточняется и тестируется снова.

По мере обнаружения пробелов контекст уточняется и тестируется снова.

Семантический слой имеет измеримые критерии приемки для агентских вариантов использования.

Семантический слой имеет измеримые критерии приемки для агентских вариантов использования.

Agent Studio заставляет этот контекст работать. Команды могут начать со встроенных агентов и процессов управляемого создания либо создать собственные агенты и сценарии поведения для своих бизнес-процессов. Те же управляемые знания поддерживают ответы на вопросы, исследования, курирование и действия с помощью подключенных инструментов.

Настройка и обучение образуют единый жизненный цикл: перенесите существующие знания, проверьте их для конкретного случая использования, разверните и позвольте продуктивному использованию выявить то, что требует улучшения.

Централизованное управление знаниями и их использование там, где работает бизнес

Общий интеллект должен быть доступен в рамках всех технологических решений организации. По своей сути AIOS является открытой системой. Alation может управлять контекстом, используемым встроенными агентами, агентами хранилищ, вторыми пилотами (copilots) и пользовательскими приложениями. Функция Semantic Model Mastering переносит существующие модели в единый процесс управления, обогащает их и синхронизирует утвержденные определения обратно с поддерживаемыми хранилищами, включая Snowflake и Databricks.

Существующие клиенты используют Alation для обмена управляемым контекстом и поддержки ориентированных на агентов бизнес-процессов. Архитектура должна соответствовать результату, которого они хотят достичь. Представьте себе финансовые команды и команды аналитики клиентов, работающие в разных хранилищах. Их цель — получать согласованную отчетность по одним и тем же бизнес-метрикам, сохраняя при этом привычные инструменты.

Мы рекомендуем управлять их семантическим контекстом в Alation. Команды согласовывают определения, проверяют репрезентативные вопросы и распространяют утвержденные модели на свои платформы. Если позже аналитик обнаруживает исключение в определении активного клиента, исправление возвращается в общий объект для проверки и оценки. После этого утвержденное обновление может поступить в обе среды. [12] Для достижения этой цели слой контекста является оптимальной точкой интеграции: обеспечивается согласованность между платформами, в то время как команды продолжают использовать привычные для себя инструменты.

Теперь рассмотрим руководителей, которым необходима регулярная сводка по прибыльности и возможность задавать дополнительные вопросы. Бизнес-цель включает в себя поведение агента, создаваемые им ответы и то, как он реагирует на новые требования. В данном случае мы рекомендуем интеграцию на уровне агентов. Агент прибыльности, созданный в Agent Studio, использует управляемый контекст доходов, клиентов и затрат. Он может доставлять информацию руководителям через Copilot, Slack, Teams, либо пользовательское приложение или дашборд. Интеллектуальные ленты (Intelligent Feeds) предоставляют регулярные метрики и анализ, а возникающие вопросы стимулируют дальнейшее исследование.

Финансовый директор уточняет, что управленческое представление должно включать затраты на поддержку и исключать единовременные расходы на реструктуризацию. Финансовый владелец подтверждает это определение, и уточнение становится проверенным обновлением метрики и новым тестовым сценарием для оценки. Когда финансовый отдел исправляет определение, улучшение должно быть заложено в общий контекст. Если агент настроен неправильно, улучшение относится к его определению. Оценки проверяют изменения, а мониторинг связывает следующее производственное взаимодействие с тем же циклом.

Совместное управление этими аспектами делает интеграцию на уровне агентов предпочтительным подходом, если целью является приложение, которое улучшается в процессе использования. Интеграция на основе общего контекста по-прежнему отлично подходит, когда главной целью является согласованность значений на устоявшихся платформах.

Продолжайте обучение по мере изменения бизнеса

Цикл не останавливается после запуска, поскольку и данные, и бизнес продолжают развиваться.

Изменения схем могут инициировать обновление черновиков продуктов данных для проверки. Пересмотренная политика может изменить контекст, предоставляемый управляемым документом. Исправление аналитика может обновить метрику. Повторяющиеся вопросы без ответов могут выявить спрос на новый источник или продукт данных.

Каждый сигнал создает возможность улучшить соответствующий слой и добавить свидетельства в набор для оценки. Существующие сценарии проверяют, сохраняет ли изменение поведение, на которое люди уже полагаются. Новые сценарии фиксируют бизнес-требования, выявленные в ходе использования.

Два этих ориентира делают подход конкретным: обучайте контексту метрик, когда отсутствует бизнес-смысл; исправляйте конфигурацию агента, если за проблему отвечает его настройка. В рабочей среде один и тот же принцип связывает диагностику, проверку, улучшение и повторное использование. Большее количество вариантов использования предоставляет больше данных для анализа. Управляемый цикл обратной связи превращает эти данные в общие знания.

Именно поэтому ценность работы в Alation возрастает со временем. Объяснение аналитика, проверка стюарда и исправление агента становятся частью основы, на которую смогут опираться следующий сотрудник и следующий агент. По мере развития бизнеса AIOS предоставляет организации возможность развивать общий интеллект.

Источники и примечания

Все внешние утверждения на этой странице поддаются независимой проверке. Общедоступные источники перечислены здесь.

Только 18% организаций масштабировали ИИ между несколькими командами; 61% сообщают о скрытых сбоях в своих системах данных. Отчет подготовлен CDO Magazine в партнерстве с Monte Carlo. — CDO Magazine, «The State of AI Reliability», 14 April 2026 ↗ https://www.cdomagazine.tech/aiml/the-state-of-ai-reliability-why-trust-is-becoming-the-biggest-barrier-to-scaling-ai

Только 18% организаций масштабировали ИИ между несколькими командами; 61% сообщают о скрытых сбоях в своих системах данных. Отчет подготовлен CDO Magazine в партнерстве с Monte Carlo. — CDO Magazine, «The State of AI Reliability», 14 April 2026 ↗

Агенты Alation отслеживают, какой контекст вызвал ошибку, и предлагают исправление в источнике. Стюард одобряет его один раз, и улучшается каждый агент, считывающий этот контекст. Агенты доступны через MCP и REST в таких инструментах, как Slack, Teams и Copilot. — Alation, Agents ↗https://www.alation.com/aios/agents/

Агенты Alation отслеживают, какой контекст вызвал ошибку, и предлагают исправление в источнике. Стюард одобряет его один раз, и улучшается каждый агент, считывающий этот контекст. Агенты доступны через MCP и REST в таких инструментах, как Slack, Teams и Copilot. — Alation, Agents ↗https://www.alation.com/aios/agents/

Сценарии оценки сопоставляют входные данные с ожидаемым результатом и задают базовый балл. Они запускаются повторно после каждого улучшения, а наборы для оценки должны расширяться по мере того, как пользователи задают новые вопросы. В ходе одной из оценок SQL по 20 вопросам точность выросла с 60% (12 из 20) до 100% за две автоматизированные итерации при участии человека в проверке каждого изменения. — Alation, «How to Build SQL Agents That Actually Work: Why Evaluations Matter», 10 March 2026 ↗https://www.alation.com/blog/ai-agent-evaluations/

Сценарии оценки сопоставляют входные данные с ожидаемым результатом и задают базовый балл. Они запускаются повторно после каждого улучшения, а наборы для оценки должны расширяться по мере того, как пользователи задают новые вопросы. В ходе одной из оценок SQL по 20 вопросам точность выросла с 60% (12 из 20) до 100% за две автоматизированные итерации при участии человека в проверке каждого изменения. — Alation, «How to Build SQL Agents That Actually Work: Why Evaluations Matter», 10 March 2026 ↗https://www.alation.com/blog/ai-agent-evaluations/

AIOS объединяет агентов, контекст, данные, управление и циклы обратной связи в единую систему. Система является открытой, поэтому цикл обратной связи улучшает контекст для агентов, созданных в Copilot, Snowflake, Gemini, собственном фреймворке или Agent Studio. В публикации также описываются развертывания у клиентов. — Alation, «A New Vision for Alation: Introducing AIOS», 14 July 2026 ↗https://www.alation.com/blog/introducing-aios-alation-intelligence-operating-system/

AIOS объединяет агентов, контекст, данные, управление и циклы обратной связи в единую систему. Система является открытой, поэтому цикл обратной связи улучшает контекст для агентов, созданных в Copilot, Snowflake, Gemini, собственном фреймворке или Agent Studio. В публикации также описываются развертывания у клиентов. — Alation, «A New Vision for Alation: Introducing AIOS», 14 July 2026 ↗https://www.alation.com/blog/introducing-aios-alation-intelligence-operating-system/

Governed Collections превращают документы из Confluence, SharePoint и S3 в управляемые объекты каталога, которые агенты используют по ссылке, считывая актуальную версию при изменении документа. Intelligent Feeds предоставляют регулярно обновляемые управляемые метрики, визуализации и чат. По состоянию на 17 сентября 2026 года обе функции находятся в статусе раннего доступа. — Пресс-релиз Alation, 17 сентября 2026 г. ↗https://www.alation.com/news-and-press/alation-launches-aios-tm-expansion-with-six-products-that-accelerate-ai-transformation/

Governed Collections превращают документы из Confluence, SharePoint и S3 в управляемые объекты каталога, которые агенты используют по ссылке, считывая актуальную версию при изменении документа. Intelligent Feeds предоставляют регулярно обновляемые управляемые метрики, визуализации и чат. По состоянию на 17 сентября 2026 года обе функции находятся в статусе раннего доступа. — Пресс-релиз Alation, 17 сентября 2026 г. ↗https://www.alation.com/news-and-press/alation-launches-aios-tm-expansion-with-six-products-that-accelerate-ai-transformation/

Agent Studio поддерживает встроенных агентов с шаблонами и пошаговым процессом без написания кода, а также пользовательских агентов с инструментами и развертыванием через MCP/REST. — Alation, Agent Studio ↗https://www.alation.com/product/agent-studio/

Agent Studio поддерживает встроенных агентов с шаблонами и пошаговым процессом без написания кода, а также пользовательских агентов с инструментами и развертыванием через MCP/REST. — Alation, Agent Studio ↗https://www.alation.com/product/agent-studio/

Семьдесят восемь процентов опрошенных руководителей не уверены в том, что смогут пройти независимый аудит управления ИИ в течение 90 дней. Опрос 950 бизнес-лидеров, полевые исследования проводились с 23 февраля по 18 марта 2026 г. — Grant Thornton, отчет по исследованию влияния ИИ за 2026 г. ↗ https://www.grantthornton.com/services/advisory-services/artificial-intelligence/2026-ai-impact-survey

Семьдесят восемь процентов опрошенных руководителей не уверены в том, что смогут пройти независимый аудит управления ИИ в течение 90 дней. Опрос 950 бизнес-лидеров, полевые исследования проводились с 23 февраля по 18 марта 2026 г. — Grant Thornton, отчет по исследованию влияния ИИ за 2026 г. ↗

Semantic Model Mastering загружает семантические модели с таких платформ, как Snowflake, Databricks, Power BI, Looker и Cube, а затем управляет ими как продуктами данных. — Alation, Semantic Model Mastering ↗https://www.alation.com/product/semantic-model-mastering/

Semantic Model Mastering загружает семантические модели с таких платформ, как Snowflake, Databricks, Power BI, Looker и Cube, а затем управляет ими как продуктами данных. — Alation, Semantic Model Mastering ↗https://www.alation.com/product/semantic-model-mastering/

Data Products Builder рекомендует активы, генерирует документацию и отображает индикаторы доверия, позволяя владельцам проверять, дорабатывать и утверждать их перед публикацией. — Alation, Data Products Builder ↗https://www.alation.com/product/data-products-builder-agent/

Data Products Builder рекомендует активы, генерирует документацию и отображает индикаторы доверия, позволяя владельцам проверять, дорабатывать и утверждать их перед публикацией. — Alation, Data Products Builder ↗https://www.alation.com/product/data-products-builder-agent/

Curation Automation позволяет командам задавать стандарты метаданных на естественном языке и поручает агентам обеспечивать их соблюдение в каталоге с повторным запуском при изменении данных. — Alation, Curation Automation ↗https://www.alation.com/aios/curation-automation/