De AI-laag op Yres
Yres is het Plainwater-product voor datawarehouse-automatisering op Azure. Yres laadt bronnen in een datawarehouse, bewaart historie, en regelt laadwijzen, wijzigingen en de uitrol naar test en productie. Plainwater AI werkt samen met Yres. Yres-klanten krijgen er zo een AI-laag bij die de regels van Yres kent en niets buiten het change-proces om doet.
Twee koppelingen
| Koppeling | Wat het oplevert |
|---|---|
| De Yres-MCP-server | De AI kan de Yres-organisatie beheren: bronnen, tabellen, changes, laadhistorie |
| Het Yres-warehouse als bron | De AI kan het warehouse lezen (Azure SQL): metadata, kwaliteit, performance, dashboards |
De Yres-MCP-server wordt gekoppeld als eigen MCP-server, met een verklaring en goedkeuring per tool. Het warehouse wordt gekoppeld als gewone bron, met een eigen stand voor datatoegang.
Wat de AI via de Yres-MCP-server kan
- Databronnen bekijken en de metadata van een bron verversen.
- Gebruikte tabellen aanmaken en wijzigen: welke tabellen uit een bron in het warehouse komen, en hoe.
- Sleutelkolommen laten voorspellen voor een nieuwe tabel.
- Laadhistorie en pipeline-runs inzien, bijvoorbeeld om uit te zoeken waarom een laadactie mislukte.
- Monitors bekijken.
- Changes en projecten beheren: een wijziging aanmaken, bijwerken, aan een project koppelen.
- Omgevingen zien: ontwikkel, test en productie.
Binnen het change-proces
Yres werkt met changes. Elke wijziging aan een tabel hoort bij een open change, en changes en projecten worden in de ontwikkelomgeving gemaakt. Uitrollen naar test en productie gaat via het normale DTAP-proces van Yres, niet via de AI.
Wat de AI niet doet
De AI wijzigt niets buiten een change om, en rolt niets zelf uit naar test of productie. Een wijziging die de AI voorbereidt, gaat door hetzelfde proces als een wijziging van een mens.
Daarbovenop gelden de regels van Plainwater AI: schrijftools van een externe MCP-server lopen via een voorstel dat een mens goedkeurt.
Een typische flow
- Vraag: "Sluit de nieuwe AFAS-omgeving aan en laad medewerkers en contracten."
- De AI bekijkt de databron in Yres en ververst de metadata.
- Hij stelt per tabel de sleutelkolommen voor.
- Hij bereidt een change voor met de nieuwe gebruikte tabellen. Een mens keurt het voorstel goed.
- Na de eerste laadactie bekijkt de AI de laadhistorie en controleert hij in het warehouse de aantallen, nulls en uniciteit.
- Hij maakt een dataset en een dashboard op de nieuwe tabellen.
- De change gaat via het gewone DTAP-proces naar productie.
Laadproblemen uitzoeken
Een laadactie die 's nachts mislukte, is een goed eerste klusje voor een agent. Hij kan de pipeline-run en de laadhistorie opvragen via Yres, de betreffende tabellen in het warehouse controleren en uitleggen wat er misging. Met een monitor kun je dat elke ochtend automatisch laten controleren.
Voorbeeld
Een woningcorporatie gebruikt Yres voor haar warehouse. Op maandagochtend staat er een bevinding van de monitor: de laadactie van het huurdersbestand is twee nachten niet volledig geweest. De consultant vraagt in een gesprek wat er aan de hand is. De agent haalt via de Yres-MCP-server de pipeline-runs op en ziet dat een nieuwe kolom in de bron de laadactie laat afbreken. Hij bereidt een change voor die de tabel bijwerkt. De consultant keurt goed en rolt de change via het normale proces uit.