AIDA: Agent ที่ค้นพบข้อมูลเชิงลึกทางธุรกิจโดยไม่ต้องถูกถาม

คลังข้อมูลองค์กรทุกแห่งคือสุสานของข้อมูลเชิงลึกที่ไม่ถูกตรวจจับ ข้อมูลอยู่ตรงนั้น — 200+ metrics, 100+ dimensions, ประวัติหลายปี — แต่คอขวดคือนักวิเคราะห์มนุษย์: พวกเขาสามารถถามได้จำกัด, สำรวจได้จำกัด, ทดสอบสมมติฐานได้จำกัด

งานวิจัยใหม่ Towards Autonomous Business Intelligence via Data-to-Insight Discovery Agent (arXiv:2605.07202) เสนอ AIDA (Autonomous Insight Discovery Agent) — เฟรมเวิร์ก end-to-end ที่ให้ LLM-based agent สำรวจข้อมูลองค์กรอย่างอิสระและค้นพบข้อมูลเชิงลึกทางธุรกิจที่นำไปใช้ได้โดยไม่ต้องมีคำสั่งที่เขียนล่วงหน้า

ปัญหาหลัก: SQL คือคอขวด

ถามนักวิเคราะห์ข้อมูลว่าอะไรทำให้พวกเขาช้าลง พวกเขาจะบอกว่า: การเขียน SQL ไม่ใช่ว่า SQL ยาก — แต่ การ mapping จากคำถามธุรกิจเป็น SQL ที่ถูกต้องนั้น lossy “ทำไมอัตรา conversion ของเราถึงลดลงเมื่อวันอังคารที่แล้ว?” ต้อง join 5 ตาราง, time window filter, cohort definition, และ statistical significance testing แต่ละขั้นตอนคือโอกาสที่ SQL จะผิดอย่าง subtle

โซลูชัน “Text-to-SQL” ที่มีอยู่พยายามแก้ปัญหานี้ด้วย LLMs ที่สร้าง SQL จาก natural language ปัญหา: พวกมันดีเท่าคำถามที่คุณถามเท่านั้น ถ้าคุณไม่คิดจะถามถึงความสัมพันธ์ระหว่างรูปแบบสภาพอากาศและอัตราการละทิ้งตะกร้า LLM ก็ไม่ถามเช่นกัน

AIDA พลิกสคริปต์ แทนที่จะรอมนุษย์ถามคำถาม agent สำรวจ data space อย่างเชิงรุก เพื่อหารูปแบบที่น่าสนใจ

สถาปัตยกรรม: DSL Bridge

นวัตกรรมทางสถาปัตยกรรมที่สำคัญของ AIDA คือ DSL ที่อยู่ระหว่าง natural language reasoning และ SQL execution:

Natural Language Intent
         ↓
   DSL (structured, precise)
         ↓
   SQL (executable, correct)

DSL ทำหน้าที่เป็น semantic-precise intermediate representation มันจับ concepts ทางธุรกิจอย่าง “cohort”, “funnel stage”, และ “statistical significance” ในคำศัพท์ที่นิยามอย่างเป็นทางการ LLM reasoning ใน natural language, แปล intent เป็น DSL, และ DSL compile เป็น SQL ที่รับประกันว่าถูกต้อง

ทำไมไม่ให้ LLM เขียน SQL โดยตรง? เพราะ LLMs ทำ errors แบบ subtle ในการสร้าง SQL — เงื่อนไข join ผิด, aggregation logic ไม่ถูกต้อง, timezone ไม่ตรงกัน DSL กำจัด error surface นี้โดยจำกัด output ของ LLM ให้อยู่ใน grammar ที่ตรวจสอบอย่างเป็นทางการ

Exploration Engine: Pareto-Guided RL

ด้วย DSL bridge ที่รับประกันความถูกต้องของคำสั่ง ความท้าทายถัดไปคือ การค้นหา พื้นที่ 200-metric × 100-dimension มีการวิเคราะห์ที่เป็นไปได้จำนวนมหาศาล การค้นหาแบบ exhaustive เป็นไปไม่ได้

AIDA ใช้ RL ที่นำทางโดย Pareto Principle:

1. State: ความเข้าใจปัจจุบันของ agent เกี่ยวกับ data space แทนเป็น graph ของ dimensions ที่ถูกสำรวจและ patterns ที่ค้นพบ
2. Action: เลือกว่า dimension ไหนที่จะเจาะลึก, metric ไหนที่จะหา correlation, หรือ time window ไหนที่จะขยาย
3. Reward: นัยสำคัญทางสถิติและความเกี่ยวข้องทางธุรกิจของข้อมูลเชิงลึกที่ค้นพบ
4. Policy: Pareto-optimized search — จดจ่อ 80% ของ exploration budget ใน 20% ของ dimensions ที่มีประวัติให้ผลลัพธ์ insights ที่มีผลกระทบมากที่สุด

นี่ไม่ใช่ random walk ไม่ใช่ grid search มันคือ กลยุทธ์การสำรวจที่เรียนรู้ ที่ยิ่งค้นหาก็ยิ่งหาข้อมูลเชิงลึกได้ดีขึ้น

ทำไมถึงดีกว่า Workflow-Based Agents

เครื่องมือ “agentic BI” ส่วนใหญ่ทุกวันนี้เป็น workflow-based: ลำดับคำสั่ง SQL ที่วางสคริปต์ล่วงหน้า พร้อมสรุป natural language ที่ LLM สร้างตอนท้าย พวกมันตอบ “เกิดอะไรขึ้น” ได้ แต่ไม่ใช่ “สิ่งที่น่าสนใจกำลังเกิดขึ้นที่เราไม่รู้ว่าจะถาม”

การสำรวจแบบ RL-driven ของ AIDA แตกต่างโดยพื้นฐาน:

ข้อจำกัด

1. DSL ออกแบบเฉพาะโดเมน: ต้องสร้าง DSL ด้วยมือสำหรับแต่ละโดเมนธุรกิจใหม่
2. การออกแบบ reward function ไม่ใช่เรื่องง่าย: การให้น้ำหนัก “ความเกี่ยวข้องทางธุรกิจ” แบบ Pareto ต้องใช้ความเชี่ยวชาญโดเมน
3. DSL กรรมสิทธิ์, ยังไม่ได้ปล่อย open-source: paper อธิบายเฟรมเวิร์กแต่ยังไม่ได้ปล่อยโค้ด

ภาพใหญ่

AIDA แสดงถึงการเปลี่ยนหมวดหมู่ในวิธีที่เราคิดเกี่ยวกับ AI สำหรับข้อมูลองค์กร กระบวนทัศน์เดิมคือ: มนุษย์ถามคำถาม → AI ตอบ AIDA เสนอ: AI สำรวจอัตโนมัติ → มนุษย์ตรวจสอบสิ่งที่ค้นพบ

นี่คือการเปลี่ยนแปลงเดียวกันที่เกิดขึ้นในหมากรุกและ drug discovery เมื่อพื้นที่ค้นหาใหญ่เกินไปสำหรับ cognition มนุษย์ บทบาทของ AI พลิกจาก “ผู้ตอบ” เป็น “ผู้สำรวจ”

AIDA จะไม่แทนที่นักวิเคราะห์ข้อมูล แต่มันจะเปลี่ยนงานของพวกเขาจาก “เขียน SQL queries” เป็น “ตรวจสอบและดำเนินการกับ patterns ที่ AI ค้นพบ”