Der Vortrag bespricht die Interaktion zwischen BI-Tools und semantischen Layern, mit Fokus auf der Notwendigkeit der Standardisierung der BI-Landschaft.

Kernaussage: 
BI-Tools arbeiten deterministisch und können KI-Agenten mit abgestimmten / qualitätsgesicherten Kennzahlen und Dashboards versorgen. Alle BI-Tools basieren auf proprietären semantischen Layern. Durch eine Standardisierung würde die Vergleichbarkeit von Daten, Datenzugriff und Governance erheblich vereinfacht werden.

Der OSI-Standard:
Der OSI-Standard wird von Snowflake vorangetrieben und soll die Standardisierung der semantischen Layer voranbringen. Die aktuelle Version 0.1.1 beginnt mit der Standardisierung von Datasets, Dimensionen, Metriken, etc.. Das ist sinnvoll, aber auch eine echte Herausforderung, weil die Semantik innerhalb der Tools völlig unterschiedlich ist.

Der OSI-Standard sollte erweitert werden, um zu beschreiben, wie in den BI-Tools die Daten konsumiert werden können (von Mensch und Agent). Dies umfasst die Definitionen von Dashboards, Reports, Datenwizards und Security.

Die OSI-Definition der Objekte enthält dann eine Referenz zu den technischen Objekten im jeweiligen BI-System. Hier sollte Code und Ursachen analysiert / debuged werden.
Mehr Informationen zu dem Ansatz finden Sie hier: 
https://github.com/open-semantic-interchange/OSI/discussions/85

Technische Architektur: 
Die Präsentation umfasst:

• Das semantische Modell im BI-Tool
• Die dazugehörige OSI-Datei und wie diese erstellt werden kann
• Die toolspezifische Analyse

Metadaten-Management-Herausforderungen: 
Organisationen stehen vor erheblichen Hürden. Der Mix an erforderlichen Technologien (BI-Tools, Python, semantische Modellierung, SDKs, REST APIs, LLMs) und nicht zuletzt der bestehende Wildwuchs in den einzelnen BI-Tools.

Praxisnah: 
Die Vorgehensweise und die Herausforderungen werden konzeptionell vorgestellt und an praktischen Beispielen gezeigt.

Fazit: 
Die Öffnung der semantischen Modelle ermöglicht das Teilen und die breite Verwendung von BI-Logik. Die Nutzung von MCP-Servern und AI-Agenten vereinfachen die Implementierung. Wissen, Methodik und Code können über Communities geteilt und ausgetauscht werden. Der Erfolg erfordert technische Repository-Analyse, gemischte Teams aus AI- und BI-Experten und die Bereitschaft, neue Wege zu gehen.

Target Audience: BI, AI, Product Owners, Governance
Prerequisites: BI AND /OR AI backround
Level: Expert