Genie One: Wie Databricks seinen Datenassistenten neu gestaltet

Databricks hat Genie überarbeitet und dabei den Fokus verschoben: weg von einem Werkzeug, das Fragen zu Daten beantwortet, hin zu einem, das Nutzer dabei unterstützen soll, aufgrund dieser Daten auch zu handeln. Dieser Wandel steckt in Genie One sowie in zwei damit verbundenen Neuerungen, Genie Agents und Genie Ontology, die zusammen verändern, wofür Genie zuständig ist und wie es zu seinen Antworten gelangt. Dieser Artikel beschreibt, woraus diese drei Bausteine bestehen und wie sie zusammenhängen.

Genie One

Genie entstand ursprünglich als konversationeller Analyse-Assistent innerhalb von Databricks AI/BI, der darauf ausgelegt war, natürlichsprachliche Fragen innerhalb eines fest definierten Datenbereichs zu beantworten. Genie One wird von Databricks als die nächste Weiterentwicklung dieses Assistenten beschrieben, intern als "data-smart AI coworker" bezeichnet, mit dem erklärten Ziel, Genies Rolle von der reinen Beantwortung von Fragen hin zur Unterstützung bei der Umsetzung der daraus folgenden Maßnahmen zu erweitern.

Dazu ist Genie One an ein breiteres Spektrum an Systemen angebunden als frühere Versionen. Über Lakehouse Federation, Lakehouse Connect sowie neue bidirektionale Integrationen mit Tools wie Gmail, Slack und Teams ist Genie One darauf ausgelegt, auch über das Lakehouse hinaus Informationen zu ziehen und Aktionen auszuführen. Der Funktionsumfang umfasst inzwischen Terminplanung und Benachrichtigungen, Monitoring, Dokumentenerstellung, individuelle Skills sowie Unterstützung für eigene MCP-Verbindungen, Funktionen, die über das reine Frage-Antwort-Muster früherer Genie Spaces hinausgehen.

Databricks veranschaulicht dies mit Beispielen wie einer Vertriebsleitung, die sich von Genie vor Kundenterminen ein tägliches Briefing aus Kalender-, E-Mail- und Lakehouse-Daten zusammenstellen lässt, oder einer Geschäftsführung, die Genie damit beauftragt, einen bestehenden Business-Review-Bericht mit aktuellen Bestandsdaten und Transkripten aus jüngsten Teambesprechungen zu aktualisieren.

Genie ist außerdem jetzt direkt in Slack und Microsoft Teams eingebettet und lässt sich dort per Erwähnung in einer Unterhaltung aufrufen, auch in öffentlichen Kanälen und Threads, statt eine eigene Oberfläche zu benötigen. Antworten bleiben dabei stets auf das beschränkt, wofür der jeweilige Nutzer individuell berechtigt ist. Ein mobiler Client ist für iOS und Android verfügbar, und für Organisationen, die bereits eigene KI-Agenten betreiben, hat Databricks eine Genie MCP App eingeführt, über die diese Agenten auf Genie zugreifen können, ohne einen separaten Workflow aufzubauen.

Genie Agents

Genie Spaces, die kuratierten, thematisch abgegrenzten Chat-Erfahrungen, aus denen das frühere Produkt bestand, wurden Berichten zufolge von Databricks-Kunden bereits mehr als eine Million Mal angelegt. Databricks positioniert nun eine Weiterentwicklung dieses Konzepts, Genie Agents, als domänenspezifische Agenten, die auf denselben zugrunde liegenden Fähigkeiten wie Genie One aufbauen: MCP-Verbindungen, geplante Aufgaben sowie Dokumenten- oder Artefakterstellung, angewendet auf mehrstufige Workflows, die mit weniger laufender Aufsicht auskommen sollen als ein chatbasierter Genie Space.

Während ein Genie Space in der Regel auf strukturierten Daten basierte, können Genie Agents zusätzlich auf Dokumente, Dateien und andere unstrukturierte Quellen zurückgreifen. Databricks beschreibt den Erstellungsprozess als ähnlich unkompliziert wie zuvor: Ein Agent wird in natürlicher Sprache innerhalb von Genie One oder Genie Code beschrieben, anschließend abgegrenzt, benchmarked und zur Nutzung oder Anpassung geteilt.

Genie Ontology

Sowohl Genie One als auch Genie Agents greifen auf eine neue Kontextebene zurück, Genie Ontology, die Informationen aus Tabellen, Abfragen, Dashboards, Pipelines und angebundenen Anwendungen extrahiert und in einem Graphen organisiert, der abbildet, wie die Daten eines Unternehmens strukturiert sind und genutzt werden, einschließlich Metrikdefinitionen, Geschäftsbegriffen, individuellen Berechnungen und den Beziehungen zwischen diesen Elementen.

Eine bemerkenswerte Designentscheidung bei Genie Ontology betrifft die Art, wie konkurrierende Definitionen desselben Begriffs oder derselben Kennzahl gewichtet werden. Mit einem Ansatz, den Databricks mit PageRank vergleicht, wird bewertet, aus welcher Quelle eine Definition stammt, welches Ansehen die jeweilige Autorenschaft genießt, wie häufig darauf verwiesen wird, wie nah sie an zertifizierten Assets liegt und wie aktuell sie ist. Anschließend wird mit der am höchsten gewichteten Quelle geantwortet, wobei die bestehenden Berechtigungen jedes Nutzers weiterhin durchgesetzt werden. Databricks gibt an, dass dieser Ansatz in internen Benchmarks zu Datenanalyseaufgaben im Unternehmenskontext die Leistung von Agenten bei komplexeren Fragestellungen verbessert habe, was jedoch nicht unabhängig überprüft wurde.

Governance

Das Governance-Modell von Genie One baut auf den bereits in der Plattform vorhandenen Zugriffskontrollen auf, anstatt ein separates System einzuführen. Berechtigungen werden standardmäßig über quellennative ACLs oder Unity Catalog durchgesetzt, und MCP-Verbindungen, Tools sowie die damit verbundenen Kosten werden über das Unity AI Gateway verwaltet, was Administratoren eine zentrale Stelle zur Überwachung der Nutzung bietet.

Fazit

Verglichen mit der früheren Version von Genie liegt die Veränderung weniger in einzelnen Funktionen als vielmehr im Umfang. Das ursprüngliche Genie-Spaces-Modell war darauf ausgelegt, eine Frage innerhalb eines einzelnen, kuratierten Bereichs zu beantworten: Eine Fachkraft aus dem Datenbereich richtete den Space ein, und eine Person aus dem Fachbereich stellte eine Frage und erhielt ein Ergebnis zurück. Genie One, Genie Agents und Genie Ontology erweitern dieselbe zugrunde liegende Idee auf ein breiteres Spektrum an Systemen und Aufgaben: die Anbindung an Tools über das Lakehouse hinaus, das Handeln auf Basis von Informationen statt deren bloßer Anzeige, sowie das automatische Auflösen konkurrierender Definitionen, statt sich auf manuell kuratierten Kontext zu verlassen. Ob dieser erweiterte Umfang demselben Zuverlässigkeitsstandard gerecht wird, den das engere, kuratierte Genie-Spaces-Modell gewährleisten sollte, dürfte sich klarer zeigen, sobald Organisationen es im produktiven Einsatz nutzen.