AI voor dataontwikkeling: van vraag tot bewezen wijziging
De nachtelijke verwerking van de groothandel loopt steeds later uit. Noor vermoedt de procedure die de voorraadmutaties samenvoegt, maar heeft geen tijd om drie avonden te meten. Een AI-model kan een betere query voorstellen. De vraag is of die écht beter is.
Plainwater AI geeft agents de tools van een data-engineer: metadata, kwaliteitscontroles, performancecijfers en een wegwerpkopie om voorstellen te bewijzen. Een voorstel zonder meting is een mening; hier krijgt het een verdict.
Bijgewerkt .
Wat kan een agent in je database bekijken?
Een agent leest metadata, kwaliteitscijfers en performancegegevens via ruim vijftig vaste tools. Elke tool heeft een vast sjabloon en geeft in de standaardstand geen rijen terug.
- Metadata: objecten, definities en afhankelijkheden tussen tabellen, views en procedures.
- Kwaliteit: lege waarden, uniciteit, referentiële integriteit en kolomprofielen.
- Performance: de zwaarste queries, ontbrekende indexen, indexgebruik, leeftijd van statistieken en de historie van procedures.
- ETL: de logprofielen van je laadprocessen, zodat de agent ziet wat er 's nachts gebeurde.
Voor Noor betekent dat: de agent vindt zelf de vijf zwaarste queries van afgelopen week en ziet dat de voorraadprocedure er twee keer in staat.
Hoeveel mag een agent per opdracht?
Per opdracht kies je een werkmodus, en de poort handhaaft die bij elke toolaanroep. De modus staat op de opdracht, niet in de prompt.
| Werkmodus | Wat de agent doet | Wat de bron ervoor nodig heeft |
|---|---|---|
| Alleen kijken | Metadata, tellingen en historie lezen | Een alleen-lezen-login |
| Meten op de bron | Daarbovenop het geschatte plan en echte uitvoeringstellers | Extra rechten om plannen te tonen |
| Bewijzen op een wegwerpkopie | Lezen op de bron, voorstel uitvoeren en meten op een kopie | Toestemming voor wat er in de kopie mag |
Hoe bewijst een agent dat zijn voorstel beter is?
De agent voert zijn voorstel uit in een verificatiesandbox: een wegwerpkopie van de database, waar hij meet en vergelijkt met het origineel. De uitkomst is een verdict, geen indruk.
- Kopie maken. Het platform maakt een kopie met het schema en de data die de klant toestaat.
- Voorstel toepassen. Het script komt uit de opdracht zelf, met een vaste vingerafdruk.
- Meten. Looptijd, leesacties en resultaat van de oude en de nieuwe versie.
- Vergelijken. Zijn de uitkomsten gelijk en is de nieuwe versie sneller? Dan volgt een verdict met de cijfers.
- Opruimen. De kopie wordt altijd verwijderd, ook als de opdracht stopt of faalt.
Wat er in de kopie zit, kiest de klant: synthetische data, synthetische data gevormd naar de echte statistieken, of echte data.
Mag een agent zelf SQL schrijven?
Op de wegwerpkopie wel, en op een klantbron alleen als die daar uitdrukkelijk voor is vrijgegeven. Die vrijgave is een besluit met een reden en een verantwoordelijke.
Op de wegwerpkopie geldt een vaste begrenzing: één SELECT, een transactie die altijd terugrolt, een maximum aan kolommen, rijen en tijd. Bij twijfel weigert het platform de query.
Schrijven en uitvoeren op de echte bron kan ook, als bevoegdheid per bron. De agent doet dan een voorstel, en een mens keurt het goed voordat er iets verandert.
Op welke bronnen werkt het?
SQL Server en Azure SQL, PostgreSQL en SAP HANA Cloud zijn native gekoppeld. Daarnaast zijn er connectoren voor de rest van een Microsoft- en datalandschap.
Connectoren: Power BI, Azure Data Factory, Microsoft Fabric, Databricks, dbt Cloud, Matillion, SAP Analytics Cloud, SAP Datasphere, SharePoint, OneDrive, Google Drive, Azure DevOps en GitLab.
Heeft je organisatie een eigen MCP-server, dan koppel je die ook. Elke tool wordt eerst goedgekeurd, en schrijftools lopen via een voorstel. Een agent kan werk opdelen in subtaken en deelresultaten laten reviewen.
Waar het ophoudt
Een wegwerpkopie met synthetische data bewijst dat een query klopt en ongeveer hoe hij zich gedraagt. Exacte looptijden op productie bewijst ze niet; daarvoor is meten op de bron of echte data in de kopie nodig.
Plainwater AI vervangt je warehouse of ETL niet. Het werkt erop, en de wijziging zelf gaat via jullie eigen proces naar productie.
Een verdict is zo goed als de meting. Het platform toont de cijfers erbij, zodat Noor zelf ziet waarop het oordeel rust.
Veelgestelde vragen
Kan een agent mijn productiedatabase wijzigen?
Alleen als die bevoegdheid voor die bron is aangezet, en dan via een voorstel dat een mens goedkeurt. Standaard leest een agent alleen.
Wat is een verificatiesandbox?
Een wegwerpkopie van de database waarin de agent zijn voorstel uitvoert, meet en vergelijkt met het origineel. De kopie wordt na afloop altijd verwijderd.
Welke data zit er in de wegwerpkopie?
Dat kiest de klant per bron: synthetisch, synthetisch gevormd naar de echte statistieken, of echte data. Zonder toestemming komt er geen kopie.
Werkt het ook met Power BI en Data Factory?
Ja, via connectoren. Een agent leest bijvoorbeeld semantische modellen in Power BI en kan definities bewerken.
Kan ik mijn eigen tools aansluiten?
Ja, via een eigen MCP-server. Elke tool wordt eerst goedgekeurd en schrijfacties lopen via een voorstel.