Agentic Data Engineering (הנדסת נתונים אגנטית) ב- Qlik סוכני AI שמאיצים את הדרך לדאטה אמין ומוכן ל- AI

Qlik  משיקה יכולות חדשות של ,Agentic Data Engineering המאפשרות לצוותי דאטה להיעזר בסוכני AI (בינה מלאכותית) ייעודיים לאורך תהליכי הכנת הדאטה והשימוש בו – מאיתור נכסי דאטה והגדרת המשמעות העסקית שלהם, דרך בדיקת איכות הנתונים ועד ליצירת מוצרי דאטה ו Data Pipelines -מנוהלים.

היכולות החדשות, הזמינות כעת ב- ,Qlik Cloud נועדו לסייע לארגונים לקצר את הדרך לדאטה אמין, מנוהל ומוכן ל- AI  בלי לוותר על איכות, משילות, שקיפות ושליטה.

מהו Agentic Data Engineering?

Agentic Data Engineering  היא גישה המשלבת סוכני AI ייעודיים בתוך תהליכי העבודה של צוותי הדאטה.

במקום להסתפק בעוזר AI שמייצר קוד או מציע שאילתות, הסוכנים החדשים (AI Agents) יכולים לסייע במשימות נוספות לאורך שרשרת הדאטה: לאתר נכסים רלוונטיים, להבין את משמעותם העסקית, להעריך את איכותם, ליצור מוצרי דאטה מנוהלים ולבנות או לעדכן     .Data Pipelines  

בניגוד לאוטומציה מסורתית, המבצעת רצף פעולות שהוגדר מראש, בגישה מבוססת סוכנים צוות הדאטה יכול להגדיר מה הוא רוצה להשיג – למשל, ליצור מוצר דאטה אמין עבור מערכת ,AI לחבר בין מספר מקורות נתונים או לשפר את איכות הנתונים – וכן להגדיר אילו מקורות מותר לסוכן להשתמש בהם, אילו כללים עליו ליישם ואילו פעולות דורשות אישור אנושי.

על בסיס ההגדרות האלה, הסוכן מסייע לתכנן ולבצע את הצעדים הנדרשים, במקום שהמהנדס יצטרך להגדיר מראש כל פעולה בתהליך.

ההבדל המרכזי אינו רק במהירות כתיבת הקוד. סוכן שמסוגל לקרוא את קטלוג הנתונים הארגוני, להציג מדדי איכות, להבין הגדרות עסקיות ולפעול בהתאם למדיניות ולבקרות הארגוניות, יכול לסייע לצוותים לקבל החלטות מדויקות יותר ולהפחית טעויות לאורך התהליך.

צוואר הבקבוק של פרויקטי :AI מוכנות הדאטה

ככל שארגונים מעבירים יוזמות AI משלב הפיילוט לתהליכים עסקיים אמיתיים, מתחדד הפער בין קצב הפעולה של סוכני AI לבין הקצב שבו ניתן להכין, לבדוק, לנהל ולתחזק את הדאטה הנדרש להם.

סוכני AI יכולים להמליץ, לייצר ולפעול במהירות, אך כל יוזמת AI עדיין תלויה בדאטה עדכני, איכותי, מתועד ומנוהל. כאשר הנתונים אינם מוכנים, צוותי הדאטה נאלצים להתמודד עם תורים ארוכים של בקשות, תהליכי אישור, בדיקות איכות והקמת Data Pipelines חדשים.

היכולות החדשות של Qlik נועדו לסייע לצוותים לצמצם את הפער הזה ולהאיץ את אספקת הדאטה לאנליטיקה ולניתוח נתונים, לאוטומציה ול- AI, תוך שמירה על משילות ושליטה.

סטיבן קטנזאנו, אנליסט ראשי לדאטה ו – AI ב Omdia מסביר:

"ארגונים נמצאים תחת לחץ להפעיל AI מהר יותר, אך רבים מגלים שהכנת הדאטה והמשילות עדיין מהוות צוואר בקבוק משמעותי. מה שבולט בגישה של Qlik הוא השילוב של יכולות מבוססות סוכנים ישירות בתוך תהליכי דאטה מנוהלים, באופן שמאפשר להאיץ את אספקת מוצרי הדאטה המוכנים ל-  AI בלי להפריד בין מהירות לבקרה."

אילו יכולות חדשות זמינות ב- Qlik Cloud?

ההכרזה כוללת חמש קבוצות מרכזיות של יכולות, הזמינות באמצעות Qlik Talend Cloud ו-Qlik Cloud Analytics.

איכות נתונים  Data Quality- 

סוכני AI מסייעים למשתמשים לבדוק עד כמה ניתן לסמוך על הנתונים ולזהות בעיות באיכותם.

באמצעות שפה טבעית, המשתמשים יכולים לבקש מהסוכן להציג ציוני אמון ומדדי איכות, להגדיר או לעדכן כללי בדיקה, לחשב מדדים ולזהות חריגות, נתונים חסרים, ערכים לא תקינים או סטיות מהסטנדרטים שהוגדרו בארגון.

הסוכנים יכולים גם לסייע בהגדרת יעדי רמת שירות ,(SLO) הקובעים מהי רמת האיכות, הזמינות או העדכניות הנדרשת ממוצר הדאטה.

הפעולות יכולות להתבצע באמצעות שפה טבעית או דרך תהליכי עבודה מבוססי MCP.

כך ניתן לשלב בדיקות איכות, טיוב נתונים ובקרות אוטומטיות כחלק מתהליך הכנת הדאטה עצמו, במקום לגלות בעיות רק לאחר שה- Data Pipeline או מוצרי הדאטה כבר נבנו ונכנסו לשימוש.

מוצרי דאטה-  Data Products

היכולות החדשות מסייעות לצוותים ליצור, לנהל ולמשול במוצרי דאטה אמינים ומוכנים ל- AI.

מוצרי דאטה מאפשרים לארגן נתונים בצורה מתועדת, מתוחזקת ומנוהלת, כך שניתן יהיה להשתמש בהם שוב ושוב עבור אנליטיקה, אוטומציה ויישומי ,AI במקום לאסוף, לנקות ולהכין מחדש את אותם הנתונים עבור כל פרויקט. מוצרי הדאטה זמינים לצריכה ישירה ב-Qlik Sense ובתהליכי ה-BI וה-AI הארגוניים.

מילון מונחים וקטלוג-   Catalog Glossary

היכולת מסייעת לאתר נכסי דאטה, ליצור אחידות במונחים הארגוניים ולחבר בין הגדרות עסקיות לבין מטא-דאטה מנוהל.

כך צוותי הדאטה, המשתמשים העסקיים ומערכות ה- AI יכולים לפעול על בסיס אותה משמעות עסקית ולהפחית אי-בהירות סביב מונחים, מדדים ומקורות מידע.

לדוגמה, ניתן להגדיר באופן אחיד מהו "לקוח פעיל", כיצד מחושב "רווח תפעולי" או איזה מקור נתונים הוא המקור הרשמי למדד מסוים.

יצירת Data Pipelines בסיוע AI ובכלי הפיתוח שלכם

בגישה זו, מהנדס הדאטה אינו חייב להגדיר ידנית כל שלב ושלב בתהליך.

במקום זאת, הוא מגדיר את התוצאה הרצויה ואת הדרישות שעל התהליך לקיים – למשל, מאילו מקורות יש למשוך את הנתונים (מסדי נתונים, אפליקציות SaaS ומערכות ארגוניות), לאיזה יעד יש להעביר אותם (מחסן נתונים, Data Lake או פלטפורמת ענן), אילו כללי איכות יש להפעיל, אילו טרנספורמציות ETL/ELT נדרשות ומהם כללי ההרשאה והמשילות.

על בסיס הגדרות אלה, סוכן AI יכול לסייע ליצור או לעדכן את ה-  Data Pipeline הנדרש.

מהנדסי דאטה יכולים לעבוד עם סוכני קוד חיצוניים מאושרים ועם סביבות הפיתוח הקיימות בארגון. הסוכן מקבל גישה להקשר המנוהל של ה-,Data Pipeline  כולל מקורות הנתונים, ההקשר, ההרשאות והכללים הארגוניים, וכך יכול לייצר קוד שמתאים לסביבה הקיימת בפועל.

כלי דאטה מבוסס י MCP 

כלי AI מורשים יכולים לגשת ליכולות ולהקשר המנוהל של Qlik באמצעות Model Context Protocol ‏(MCP).

כך צוותים יכולים לעבוד עם עוזרי ה- AI וסביבות הפיתוח המועדפים עליהם, תוך שמירה על הרשאות, משילות, שושלת נתונים ובקרות ארגוניות.

הגישה מאפשרת להביא את ההקשר של Qlik אל הכלים שבהם צוותי הדאטה כבר עובדים, במקום לחייב אותם לעבור לסביבת עבודה אחת או לעוזר AI יחיד.

להאיץ את העבודה בלי לוותר על משילות נתונים

ככל שתהליכי הדאטה הופכים מהירים ואוטונומיים יותר, החשיבות של איכות נתונים, שושלת נתונים ומשילות רק גדלה.

האצה של תהליכי דאטה ללא תיעוד, בקרות ומשילות עלולה להקשות על התחזוקה, הבקרה והעמידה בדרישות רגולטוריות לאורך זמן. הגישה של Qlik היא לשלב את המשילות (ממשל נתונים, Data Governance) בתוך תהליך העבודה עצמו:

• כללי איכות ויעדי רמת שירות מוגדרים כחלק מהתהליך.
• שושלת הנתונים נשמרת ומתועדת לאורך הדרך.
• מדיניות הגישה נאכפת גם כאשר הפעולה מתבצעת באמצעות סוכן AI.
• החלטות מהותיות נשארות בשליטת המשתמשים והגורמים המקצועיים.

הסוכן יכול להציע כלל איכות, לזהות חריגה או להמליץ על שינוי ב- ,Data Pipeline אך הארגון ממשיך לקבוע אילו פעולות דורשות אישור אנושי, מי מוסמך לאשר אותן ובאילו תנאים ניתן לבצע אותן.

גישה פתוחה המשתלבת בכלים הקיימים בארגון

רוב הארגונים אינם עובדים עם עוזר AI יחיד, מודל אחד או פלטפורמת דאטה אחת.

לרוב, סביבת העבודה כוללת שילוב של כלי פיתוח, עוזרי ,AI מחסני נתונים, פלטפורמות ענן ומערכות ארגוניות שונות. לכן, אסטרטגיית AI ארגונית צריכה לאפשר גמישות ולאפשר לצוותים להמשיך לעבוד עם הכלים המתאימים להם.

דרו קלארק, סגן נשיא בכיר למוצר ולטכנולוגיה ב-,Qlik  מסביר:

"הגישה שלנו היא להביא את ההקשר המנוהל של Qlik אל הכלים שבהם צוותי הדאטה כבר משתמשים, כדי לאפשר להם להאיץ את עבודת הדאטה באמצעות סוכנים, תוך שמירה על בחירה, שקיפות ושליטה."

בפועל, המשמעות היא שצוות יכול להמשיך לעבוד בסביבת הפיתוח המוכרת לו, לחבר עוזר AI מאושר באמצעות MCP ולקבל גישה להקשר, להרשאות ולמידע המנוהל של Qlik מתוך הכלי שבו הוא כבר משתמש.

גישה זו מסייעת לארגונים לשמור על גמישות גם כאשר אסטרטגיית ה- AI שלהם משתנה ומתפתחת. פירוט מלא של הגישה מופיע בעמוד למה Qlik.

כיצד היכולות החדשות עשויות להשפיע על צוותי הדאטה?

ההשפעה של Agentic Data Engineering משתנה בהתאם לתפקיד ולתחומי האחריות בארגון.

מנהלי דאטה ו- BI (בינה עסקית)

היכולות החדשות יכולות לסייע לקצר את זמני הטיפול בבקשות דאטה, להפחית עומסים חוזרים ולהרחיב את היכולת של משתמשים עסקיים לצרוך דאטה באופן עצמאי, תוך שמירה על בקרה מרכזית.

Data Architects

המיקוד עשוי לעבור מתכנון ידני של כל Data Pipeline בנפרד להגדרת מסגרות הבקרה, המדיניות, הארכיטקטורה וגבולות הפעולה שבתוכם סוכני ה-AI  יכולים לפעול.

Data Engineers

סוכני AI יכולים לצמצם את הזמן המושקע במשימות חוזרות של יצירת קוד, הגדרת טרנספורמציות ועדכון , ,Data Pipeline ולאפשר ל- , Data Engineers להתמקד באימות, בבקרה, בארכיטקטורה ובטיפול במקרים מורכבים יותר.

מנהלי משילות ואבטחת מידע

שושלת נתונים, כללי איכות ואכיפת מדיניות יכולים להפוך לחלק מובנה מתהליך העבודה, במקום להתווסף רק בשלב הביקורת או האישור.

CDOs ו- CIOs

היכולות יכולות לסייע לארגון להגיב מהר יותר לצרכים עסקיים, תוך שמירה על תיעוד, שקיפות ויכולת להסביר על אילו מקורות נתונים, הגדרות וכללים התבססו מערכות האנליטיקה וה- AI.

מדאטה גולמי למוצרי דאטה אמינים ומוכנים ל- AI

אחד האתגרים המרכזיים בפרויקטי AI (בינה מלאכותית) הוא הפער בין שאיפות הארגון לבין מוכנות הדאטה בפועל.

כדי שמערכות AI וסוכני AI יפעלו באופן אמין, הם זקוקים ליותר מגישה לנתונים. הם זקוקים גם למשמעות עסקית עקבית, למדדי איכות, לשושלת נתונים, לבעלות מוגדרת ולכללי מדיניות ברורים.

 Qlik משלבת את כל הרכיבים האלה בתוך תהליכי העבודה של צוותי הדאטה, כדי לאפשר להם להאיץ את אספקת הדאטה לאנליטיקה, לאוטומציהול- AI,  בלי להפוך את המשילות לשלב שמטפלים בו רק בסוף.

חלק מאסטרטגיית ה- Agentic AI הרחבה של Qlik

השקת סוכני ה- AI בתחום ה- ,Data Engineering ממשיכה את אסטרטגיית ה-AI  הרחבה של Qlik בתחומי האנליטיקה, אינטגרציית הנתונים (Data Integration) ואיכות הנתונים (Data Quality).

ההכרזה מצטרפת להשקת Qlik Predict Agent ו-  Qlik Automate Agent ביוני 2026, וכן לזמינות המתוכננת של Qlik Analytics Agent במהלך הרבעון השלישי של 2026.

יכולות Agentic Data Engineering זמינות כעת ב- Qlik Talend Cloud וב- Qlik Cloud Analytics.

הזמינות של כל יכולת עשויה להשתנות בהתאם לאזור, לרישוי, לחבילת השירות ולתצורת ההטמעה.

שאלות נפוצות

מה ההבדל בין Agentic Data Engineering לבין אוטומציה של Data Pipelines? <

האם סוכני AI מחליפים Data Engineers? <

מה נדרש מארגון שרוצה להתחיל לעבוד עם סוכני AI בתהליכי דאטה? <

כיצד נשמרת שושלת הנתונים כאשר סוכן AI יוצר או מעדכן Data Pipeline? <

מהו מוצר דאטה ולמה הוא חשוב לפרויקטי  AI? <

מוכנים לבנות תשתית דאטה שסוכני AI יכולים לסמוך עליה?

קבעו דמו עם המומחים של Qlik | sp.data וגלו כיצד יכולות Agentic Data Engineering יכולות לסייע לכם להכין דאטה אמין ומוכן ל- AI באמצעות כללי איכות, שושלת נתונים, מוצרי דאטה מנוהלים ו-Data   Pipelines  הנשלטים תחת מדיניות ומשילות ארגונית.