Snowflake Cortex Agents und Semantic Views nach Dawiso scannen und über OSI zurück erzeugen

Wie Cortex Agents Ihre Daten nutzen

Ein Snowflake Cortex Agent beantwortet eine fachliche Frage, indem er Werkzeuge zusammenspielen lässt. Für strukturierte Daten ruft er Cortex Analyst auf, und Cortex Analyst liest eine Semantic View statt Ihrer Rohtabellen. In der Semantic View steckt die fachliche Logik: definierte Kennzahlen, Beziehungen und Verknüpfungswege sowie geprüfte Abfragebeispiele, die auf den darunterliegenden Tabellen aufsetzen.

Wenn Sie einem Agenten eine Semantic View als Werkzeug anhängen, wird der Name der Semantic View zum Namen des Werkzeugs in der Konfiguration des Agenten. Die Kette, aus der jede Antwort entsteht, ist damit gleichbleibend und nachvollziehbar: Der Agent liest eine Semantic View, und die Semantic View liest Tabellen. Snowflake selbst empfiehlt Semantic Views für Cortex Analyst, weil sie die rollenbasierte Zugriffskontrolle und die Governance von Haus aus mitbringen und nicht nur eine Abkürzung für eine Abfrage sind.

Genau diese Kette müssen Sie regeln. Wenn Sie nicht sehen können, welche Semantic Views ein Agent liest und welche Tabellen diese Views berühren, können Sie die eine Frage nicht beantworten, die jedes Daten- und Compliance-Team irgendwann stellt: Welche Daten sieht dieser KI-Agent eigentlich?

Agents und Semantic Views nach Dawiso scannen

Dawiso scannt nun sowohl Cortex Agents als auch Semantic Views unmittelbar aus Snowflake. Sie verbinden Snowflake einmal, und nach dem Scan baut Dawiso die interaktive Data Lineage automatisch auf. Der Agent erscheint als Knoten, die Semantic Views, die er nutzt, münden in ihn, und diese Views sind nach unten mit den echten Datenbanktabellen verbunden.

Das Bildschirmfoto unten zeigt einen gescannten Cortex Agent HR_BUSINESS_PARTNER mit den Semantic Views, die er nutzt und die links in ihn münden. In der vollständigen Lineage sind diese Views weiter mit den Tabellen verbunden, die sie lesen. Die Detailansicht trägt die gescannte Beschreibung des Agenten, „HR analytics for headcount, payroll and performance“, und seine Antwortvorgaben, „Be careful with sensitive data. Use aggregates, never name individuals unless explicitly asked“. Alles davon, der Agent, seine Vorgaben, seine Views und die Tabellen, die sie lesen, liegt in einer einzigen Lineage, die Sie öffnen und verfolgen können.

Weil die Lineage erzeugt und nicht von Hand gezeichnet wird, bleibt sie richtig, während sich der Agent und seine Semantic Views ändern. Die Verbindung zwischen einem KI-Agenten und den Daten, die er berührt, hört auf, Erfahrungswissen Einzelner zu sein, und wird zu einem geregelten Datenbestand.

Ein Agent kann viele Semantic Views lesen

Die meisten Unternehmen betreiben nicht nur einen einzigen Agenten. Sie betreiben eine Reihe von Chatbots nach dem Muster „Sprechen Sie mit Ihren Daten“, oft einen je Fachbereich: einen Vertriebsagenten, einen HR-Agenten, einen Kundenservice-Agenten und weitere. Jeder ist auf einen Ausschnitt des Geschäfts zugeschnitten und liest seinen eigenen Satz an Semantic Views.

Die Zahl der Semantic Views wächst rasch, sobald mehrere Fachbereiche eigene Agents bauen. Genau diese Größenordnung ist das eigentliche Problem der Governance. Ohne Lineage kann niemand sicher sagen, ob der Kundenservice-Agent an Gehaltsdaten kommt oder welche Views betroffen wären, wenn sich eine Tabelle ändert. Wenn jeder Agent und jede Semantic View an einer Stelle gescannt sind, werden diese Fragen zu einem Nachschlagen statt zu einer Untersuchung.

Semantic Views über OSI zurück erzeugen

Das Scannen verschafft Ihnen den Überblick. Die zweite Hälfte des Ablaufs geht in die andere Richtung und legt aus Dawiso heraus neue Semantic Views an. Möglich wird das durch den Open Semantic Interchange (OSI), eine offene Initiative, die Snowflake im September 2025 gemeinsam mit Salesforce, dbt Labs, BlackRock und RelationalAI angekündigt hat. OSI legt einen herstellerneutralen Standard für semantische Modelle fest, sodass sich semantische Definitionen zwischen Werkzeugen bewegen lassen, statt an eine Plattform gebunden zu sein.

Ein Datenprodukt in Dawiso trägt bereits alles, was eine Semantic View braucht: die fachlichen Definitionen, die Begriffe aus dem Glossar und die Zuordnung zu den darunterliegenden Daten. Dawiso exportiert dieses Datenprodukt über OSI und erzeugt eine neue Semantic View in Snowflake. Sie richten dann einen Cortex Agent auf diese Semantic View aus und weisen ihn an, sie für seine Antworten zu nutzen. Die Definitionen, auf die sich der Agent stützt, stammen aus einer geregelten Quelle, statt in Snowflake von Hand neu gebaut zu werden.

Vollständige Governance, verantwortet in Dawiso

Eine Semantic View enthält zugleich Daten und fachliche Bedeutung. Damit ist sie der natürliche Ort, an dem Governance wohnt, und deshalb schließt sich der Kreis, wenn Sie Semantic Views aus Dawiso heraus verwalten. Sie scannen hinein, um zu sehen, und erzeugen nach außen, um Agenten nutzbar zu machen, und beide Richtungen laufen durch eine einzige geregelte, maßgebliche Datenbasis.

Weil Dawiso die Begriffe aus dem Business Glossary ohnehin neben der Zuordnung zu den Daten hält, ist das Erzeugen einer Semantic View nicht allein Sache der Data Engineers. Wer fachlich versteht, was „aktiver Kunde“ oder „Personalbestand“ bedeutet, kann eine geregelte Semantic View hervorbringen, ohne die Definition ein zweites Mal zu schreiben. Das Ergebnis ist eine KI-Befähigung in Snowflake, die von vereinbarten Fachbegriffen ausgeht, mit Verantwortung, Definitionen und Lineage, die bereits vorhanden sind.

Wo Dawiso hineinpasst

Dawiso verbindet sich mit Snowflake, scannt Ihre Cortex Agents und Semantic Views in die interaktive Lineage und zeigt genau, welcher Agent welche Daten liest, bis hinunter zur Tabelle. Wenn Sie einen neuen Agenten befähigen wollen, erzeugt Dawiso über OSI eine geregelte Semantic View zurück nach Snowflake, gebaut aus einem Datenprodukt, das Ihre Fachbegriffe bereits trägt.

Diese Verbindung in beide Richtungen macht aus Snowflake Cortex statt einer Reihe unverbundener Chatbots einen geregelten Teil Ihrer Datenlandschaft. Überblick auf dem Weg hinein und KI-ready-Kontext auf dem Weg hinaus, beides verwaltet aus dem Context Layer, der Ihre KI-Governance trägt.