"Похвастаюсь тем, что мы в Datanomix.pro сделали свой MCP к on-prem версии Qlik Sense Локальные LLM клиентов, благодаря этому, теперь могут ""видеть"" приложения, листы, модели данных, меры, измерения и т.п., и генерировать новые дашборды по запросам в чате благодаря подготовленным skills: изобрели Qlik-вайбкодинг, получается Результат: На одном пилотном проекте мы за счёт этой штуковины умудрились сделать объём работ за месяц, который ранее занимал полгода Интересное наблюдение: такие BI-проекты для меня начали больше напоминать ML-проекты. 80-85% времени уходит не на разработку дашбордов и показателей, а на подготовку данных, формализацию метрик, очистку справочников, описание бизнес-логики и формирование модели данных. А когда этот фундамент готов - дальше AI действительно ускоряет сборку результата по экспоненте Однако, сгенерировать осмысленный дашборд поверх плохой модели данных невозможно. Особенно, если запрос не уровня “посчитай показатель X за период Y”, а что-то вроде “найди топ-3 инсайта по теме X”. Для таких задач LLM должна не просто иметь хорошую модель данных, но и понимать семантику данных, бизнес-контекст, методологии в домене По подходящим для таких задач LLM: По нашему опыту, для хорошего результата в таких сценариях стоит смотреть минимум в сторону моделей класса 32–35B параметров, а лучше - 70B-класса Чем слабее модель, тем больше работы приходится переносить в skills: подробнее описывать контекст, правила, шаблоны, ограничения и проверки, чтобы при добавлении нового листа в Qlik-приложение агент не поломал вам все предыдущие"