AI-metadatan generointi — CASES.APLIKA.FI

Lähtötilanne ja ratkaisu

Miksi metadata on tärkeää?

Lähtötilanne

Dokumentointi puuttuu

Monessa organisaatiossa tietokantoja ja raportointitauluja on paljon, mutta niiden sisältöä ei ole dokumentoitu käyttäjälähtöisesti.

✕Taulujen ja kenttien nimet ovat teknisiä, lyhenteellisiä tai järjestelmäkohtaisia.
✕Uuden käyttäjän on vaikea tietää, mitä kenttä tarkoittaa ja mistä arvo syntyy.
✕Data-analyysi vaatii usein asiantuntijaa, joka tuntee taulut ja relaatiot ennestään.
✕Tekoälyn hyödyntäminen datahaussa on vaikeaa, jos metadata ei kuvaa datan merkitystä.

Ratkaisu

Metadata syntyy automaattisesti

AI-avusteinen prosessi tuottaa ensimmäisen version metadatasta analysoimalla datan rakenteen, näytearvot, lähdejärjestelmät ja relaatiot.

✓Tietokannasta luetaan pieni, hallittu näyte, esimerkiksi 100 riviä per taulu.
✓Henkilö- ja arkaluonteiset arvot anonymisoidaan ennen kielimallin analyysiä.
✓AI yhdistää datanäytteen skeemaan, lähdejärjestelmiin, relaatioihin ja liiketoimintakontekstiin.
✓LLM tuottaa lyhyet, ymmärrettävät kuvaukset tauluista ja kentistä.

Mitä järjestelmä huomioi kuvauksia tuottaessaan?

Pelkkä kentän nimi ei riitä. Kuvauksista tulee parempia, kun malli saa riittävästi kontekstia.

🧩

Skeema ja relaatiot

Taulujen sarakkeet, tietotyypit, avaimet, viiteavaimet ja yhteydet muihin tauluihin.

🔒

Anonymisoitu datanäyte

Tyypilliset arvot, jakaumat, formaatit, tyhjät arvot ja toistuvat arvomallit ilman tunnistettavia tietoja.

🔁

Lähdejärjestelmät

Tieto siitä, mistä järjestelmästä kentän arvot tulevat ja miten ne liittyvät prosessiin.

Dokumentoinnin pohjaTaulut & kentät

Analyysin syöte100 rivin näyte

TurvakerrosAnonymisointi

LopputulosAI-valmis metadata

Prosessi

Metadatan generointiprosessi

Klikkaa vaihetta ja näe, mitä ratkaisussa tapahtuu.

Interaktiivinen demo

Datasta metadataan

Valitse esimerkkitaulu ja kenttä. Demo näyttää anonymisoidun datanäytteen sekä LLM:n tuottaman metadataehdotuksen.

LLM-analyysi

Kenttäkohtainen metadata

Valitse kenttä nähdäksesi kuvauksen, luottamuksen ja käytetyn kontekstin.

AI:n tuottama kenttäkuvaus

Perustelu

Relaatiot ja lähteet

Jatkohyöty

Mitä metadata mahdollistaa seuraavaksi?

Esimerkki AI-kyselystä

Kun tauluilla ja kentillä on kuvaukset, AI pystyy myöhemmin ymmärtämään paremmin, mitä data tarkoittaa ja miten sitä kannattaa kysellä.

Käyttäjän kysymys → SQL

Metadata käytössä

"Näytä asiakkaat, joilla on paljon myöhästyneitä toimituksia viimeisen 90 päivän aikana."

Agentti tunnistaa metadatan avulla, että kysymys liittyy asiakas-, tilaus- ja toimitustauluihin. Se osaa yhdistää asiakastunnisteen, toimituksen tilan, toimituspäivän ja myöhästymistä kuvaavan kentän.

SELECT
  c.customer_name,
  COUNT(*) AS delayed_deliveries
FROM customer c
JOIN sales_order o ON c.customer_id = o.customer_id
JOIN delivery d ON o.order_id = d.order_id
WHERE d.delivery_status = 'Delayed'
  AND d.planned_delivery_date >= CURRENT_DATE - INTERVAL '90 days'
GROUP BY c.customer_name
ORDER BY delayed_deliveries DESC;

Hyödyt

Metadatan generointi on pohjatyötä, joka tekee datasta ymmärrettävämpää sekä ihmisille että AI-ratkaisuille.

Nopeampi dokumentointi

Ensimmäinen versio taulu- ja kenttäkuvauksista voidaan luoda automaattisesti suurelle määrälle dataobjekteja.

Parempi data governance

Dataomistajat ja asiantuntijat voivat tarkistaa ja hyväksyä AI:n ehdotukset keskitetysti.

AI-valmis tietopohja

Kun metadata kuvaa liiketoimintamerkitystä, dataa voidaan myöhemmin hakea, yhdistää ja kysellä luonnollisella kielellä.

Kokonaisarvo

Ratkaisu ei vain dokumentoi tauluja. Se rakentaa perustan sille, että organisaation dataa voidaan käyttää luotettavammin analytiikassa, raportoinnissa ja AI-avusteisessa tiedonhaussa.

Yhteinen ymmärrys datasta

Kenttien merkitys, lähde ja yhteydet muihin tauluihin tulevat näkyväksi.

Vähemmän asiantuntijariippuvuutta

Perustieto tauluista ei ole vain yksittäisten henkilöiden muistissa.

Luotettavampi AI-käyttö

Kielimalli pystyy tekemään parempia tulkintoja, kun sillä on käytössään laadukas metadata.