W tym roku agentic analytics stało się terminem oznaczającym prawdziwą zmianę w sposobie pracy zespołów ds. danych i obecnie dociera do GIS . Założenie jest proste: agenci kodujący nie są już pomocnikami w zakresie pojedynczych zapytań. Przeprowadzają oni rozumowanie krok po kroku przez wieloetapowe analizy, wybierają dane, ładują je do magazynu danych, projektują proces transformacji, weryfikują wyniki i wyświetlają wnioski. To, co kiedyś zajmowało starszym analitykom godziny, teraz agent może to robić razem z nimi w kilka minut. Ta transformacja w sferze agentów zmienia wszystko naraz: głębokość analiz, jakie organizacja może przeprowadzać, zakres osób, które mogą o nie prosić, oraz szybkość, z jaką odpowiedzi napływają.
Geoprzestrzenne analizy naturalnie wpisują się w agentic analytics. Typowa procedura przestrzenna jest wieloetapowa, wizualna i kontekstowa. Z tego powodu wprowadzono CARTO for Agents , dzięki czemu CARTO stało się pierwszą platformą GIS w pełni zaprojektowaną dla Agentic Enterprise. Połącz agenta kodującego z CARTO, a narzędzie to może tworzyć cały proces geoprzestrzenny z jednej komendy, przejmując warianty powtarzalnych analiz przestrzennych , które wypełniają kolejkę zadań zespołu, i uwalniają analityków do rozwiązywania bardziej istotnych pytań przestrzennych, które faktycznie wymagają ich eksperckiej oceny.
W tym wpisie na blogu pokażemy, w jaki sposób agent kodujący (np. Claude, Codex, Antigravity, Copilot) może teraz projektować organizację zadań CARTO, jakie Agent Skills wykorzystuje, aby stać się ekspertem w dziedzinie przestrzeni, a także jakie elementy platformy CARTO sprawiają, że każda analiza jest możliwa do audytu, ponownego wykorzystania i gotowa do udostępniania w całej organizacji.
Dzięki CARTO for Agents , agent kodujący może utworzyć workflow CARTO od początku do końca na podstawie komunikatu w języku naturalnym. Przeprowadza inspekcję danych za pomocą carto sql query, przegląda komponenty przygotowania i analizy danych dostępne w magazynie danych za pomocą carto workflows components, szkicuje DAG, weryfikuje go offline za pomocą carto workflows validate i w odniesieniu do połączonego zbioru danych za pomocą carto workflows verify, a następnie wysyła workflow za pomocą carto workflows create. Kilka minut później w organizacji CARTO znajduje się wersjonowana, udostępnialna i uruchamialna procedura analityczna.
Co najważniejsze, umiejętność, która pozwala agentowi biegle posługiwać się workflow CARTO, to „carto-create-workflow” . Uczy ona agenta procesu projektowania jako sekwencji decyzji: wyszukiwanie danych, doprecyzowanie celu, identyfikacja dostawcy magazynu danych, pobieranie schematów komponentów przed ich utworzeniem, walidacja w hurtowni danych i wdrożenie gotowej do uruchomienia procedury analizy. W porównaniu z innymi platformami GIS, kluczowe decyzje analityczne nie są improwizowane przez agenta — są one zakodowane w CARTO Agent Skills w formie przewodników, które agent wczytuje na żądanie, aby dostarczać bardziej spójne i wiarygodne wyniki.
Umiejętność carto-create-workflow uczy agenta , jak projektować wydajny workflow geoprzestrzennej. Dodatkowe use-case skills idą o krok dalej: uczą agenta istoty konkretnych analiz przestrzennych, które Twój zespół stale przeprowadza. Analiza punktów aktywnych to nie tylko wywołanie Getis-Ord Gi*; to zbiór decyzji dotyczących konstrukcji siatki, macierzy wag przestrzennych i interpretacji istotności. Błędne wybranie tych elementów może sprawić, że wynik będzie wyglądał wiarygodnie, ale będzie wprowadzał błędy operacyjne. Kompetencje do konkretnych zadań kodują właściwe kroki, kompromisy i wybory , dzięki czemu wyniki agenta są wiarygodne i wyglądają jak praca wykonana przez starszego analityka.
Pakiet use-case skills katalogu CARTO Agent Skills obejmuje kluczowe analizy, których potrzebuje większość zespołów, a wkrótce pojawi się więcej:
Każda umiejętność w danym przypadku użycia to przepis opracowany w oparciu o nasze wieloletnie doświadczenie w pracy z analityką przestrzenną, z trigger keywords agent używa do kierowania ruchem zgodnie z intencją użytkownika. Na przykład, powiedzmy, że chodzi hotspoty aktywności , a agent ładuje carto-hotspot-analysis; powiedzmy, że chodzi o obszary oddziaływania, a sięga po carto-trade-area-analysis. Agent nie musi na nowo wymyślać, jak przeprowadzić wzbogacenie przestrzenne ani jak utworzyć wynik zbiorczy dla każdego polecenia; postępuje zgodnie z podręcznikiem, który napisałby starszy analityk, gdyby miał czas. I nic z tego nie wymaga od Ciebie wiedzy o tym, która umiejętność istnieje ani kiedy ją wywołać; agenci ładują je automatycznie, interpretując Twoje żądanie. Wystarczy, że opiszesz, czego potrzebujesz.
Workflow dostarczany przez agenta ds. kodowania to prawdziwy atut CARTO: wersjonowany, udostępniany i otwierany w CARTO workflows przez każdego członka zespołu. Ponieważ workflow CARTO to wizualny pipeline, który kompiluje się do natywnego dialektu SQL magazynu danych, analiza jest odczytywana jako osobna dokumentacja: tabele źródłowe, transformacje, logika łączenia, wagi punktacji, progi filtrów itp. Workflow odczytywany przez recenzenta zespołu to ten sam workflow, który wygenerował agent i ten sam, który użytkownik końcowy wykonuje w bazie danych.
Poniżej znajdują się fragmenty analizy uruchamiane w zestawie narzędzi analitycznych CARTO (setki przestrzennych funkcji i procedur SQL natywnych dla BigQuery, Snowflake, Redshift, Databricks i Oracle), rozszerzonych o pakiety rozszerzeń Workflows, które agent może zainstalować dla każdego połączenia, aby dodać komponenty specyficzne dla domeny. Wszystkie obliczenia są wykonywane w magazynie danych, ponieważ CARTO jest cloud native w ścisłym tego słowa znaczeniu. Zabezpieczenia na poziomie wierszy, maskowanie kolumn i skonfigurowane wcześniej mechanizmy kontroli dostępu są egzekwowane automatycznie, bez konieczności przenoszenia danych ani oddzielnej warstwy dostępu.
Ponadto, obecnie workflow CARTO można również opublikować jako narzędzie MCP za pomocą jednego polecenia carto workflows mcp publish. Każda platforma agentowa zgodna z MCP, taka jak Claude, ChatGPT, Claude Desktop, Antigravity i inne, może następnie wywołać go, uruchamiając workflow zbudowany i zatwierdzony przez Twój zespół, zamiast ponownie tworzyć analizę od podstaw. Rozwiązuje to podstawowy problem w systemach agentowych : lukę między deterministycznym a probabilistycznym wykonywaniem. Udostępniając najważniejsze procedury jako narzędzia MCP, agenci AI muszą jedynie decydować o parametrach wejściowych lub je przechwytywać; logika, metodologia i zgodność z zasadami zarządzania w całej organizacji są już zakodowane w workflow. W związku z tym ten sam workflow ostatecznie pełni trzy role: wizualną dokumentację analizy, uruchamialną procedurę, którą Twój zespół może wykonać na żądanie lub zgodnie z harmonogramem, oraz narzędzie wywoływane przez AI.
Projektowanie workflow to proces iteracyjny. Nawet przy solidnym planie, analitycy muszą sprawdzić wyniki pośrednie, aby zweryfikować połączenia, sprawdzić rozkłady wyników i potwierdzić, że wzbogacanie działa zgodnie z oczekiwaniami, zanim przejdą dalej: czy to połączenie wygląda poprawnie? Czy wyniki są zgodne z oczekiwaniami?
W tym miejscu z pomocą przychodzą aplikacje MCP serwera CARTO MCP. Podczas tworzenia workflow agent może uruchamiać poszczególne kroki i generować dane wyjściowe w ramach konwersacji view_map, korzystając z interaktywnej mapy wzbogaconej siatki, ocenionych komórek, potencjalnych lokalizacji lub dowolnego innego wyniku pośredniego, który ma sens dla danego kroku. Agent analizuje każdy krok, analityk analizuje każdy krok, a workflow jest kształtowany iteracyjnie, gdzie zarówno człowiek, jak i agent pracują na podstawie tego samego wyniku pośredniego.
Przyjrzyjmy się dwóm poleceniom, które łączą wszystko w całość i pokazują, w jaki sposób interfejs wiersza poleceń CARTO, umiejętności praktyczne i aplikacje MCP umożliwiają agentom kodującym wykonywanie zaawansowanych zadań analitycznych.
Sieć supermarketów w Nowym Jorku planuje kolejny etap ekspansji i chce szybko zidentyfikować dziesięć najlepszych lokalizacji sklepów, maksymalizując popyt klientów i minimalizując nakładanie się na istniejącą sieć, aby ograniczyć kanibalizację, a jednocześnie zapewnić pełną transparentność w zakresie wpływu każdego czynnika oceny na ostateczny wynik. Analityk po prostu pyta agenta:
Jestem analitykiem ds. planowania w nowojorskiej sieci supermarketów i planujemy ekspansję. Pomóż mi wybrać dziesięć najlepszych lokalizacji, biorąc pod uwagę popyt klientów w okolicy każdej lokalizacji oraz to, jak bardzo powierzchnia handlowa nowego sklepu pokrywałaby się z naszą obecną siecią. Chciałbym, aby wyrażenie punktacji było czytelne w SQL, aby mój zespół mógł kontrolować, jak każda waga się przyczynia.
Następnie agent buduje workflow CARTO oparty na umiejętnościach carto-site-selection oraz carto-trade-area-analysis, automatycznie dzieląc proces na regulowane, wielokrotnego użytku kroki.
W trakcie workflow zarówno analityk, jak i agent analizują dane pośrednie, takie jak powierzchnie popytu, nakładanie się obszarów handlowych oraz komponenty scoringowe. Ta współdzielona widoczność umożliwia szybką iterację i udoskonalanie, czego efektem jest wielokrotny użytek analityczny, który można ponownie uruchomić, udostępniać między zespołami lub wywoływać za pomocą agentów AI w celu generowania spójnych rekomendacji dotyczących ekspansji na dużą skalę.
Planista logistyczny musi wskazać najlepsze lokalizacje dla nowego centrum dystrybucji w Teksasie, równoważąc popyt klientów z ryzykiem wystąpienia niekorzystnych warunków pogodowych, aby zmaksymalizować odporność i wydajność. Pytają agenta:
Jestem planistą logistycznym i rozważamy otwarcie centrum dystrybucji gdzieś w Teksasie. Pomóż mi znaleźć obszary o największym zapotrzebowaniu klientów i niskim narażeniu na trudne warunki pogodowe.
W tym celu agent wykorzystuje umiejętność carto-composite-scoring do łączenia sygnałów popytu i ryzyka w przejrzysty, weryfikowalny model, a następnie automatycznie buduje i audytuje workflow CARTO. Rezultatem jest zasób analityczny wielokrotnego użytku, zarządzany z w pełni generowaną logiką SQL.
Następnie planista uruchamia obieg pracy w CARTO, uzyskując szybkie i pewne wsparcie decyzyjne oraz w pełni śledzoną metodologię, którą można ponownie wykorzystać lub dostosować do przyszłych scenariuszy planowania.
Wszystko w tym poście jest już dostępne dla każdego użytkownika CARTO. Zainstaluj interfejs wiersza poleceń CARTO, dodaj umiejętności agenta CARTO i połącz wybranego agenta AI z serwerem CARTO MCP:
npm install -g @carto/carto-cli
npx skills dodają CartoDB/agent-skills
Następnie wskaż Claude Code, Codex, Cursor, Antigravity lub Copilot w obszarze roboczym CARTO, opisz potrzebną analizę i obserwuj, jak workflow nabiera kształtu. Każdy workflow jest automatycznie sprawdzany pod kątem Twojego magazynu danych, wersjonowany w Twojej organizacji i gotowy do ponownego wykorzystania w całym zespole. Zapoznaj się z dokumentacją CARTO for Agents , aby rozpocząć, lub skontaktuj się, aby poprosić o demo.
OPGK RZESZÓW S.A.
Geodetów 1
Rzeszów 35-328
Polska
