Datafundamentet, forklaret
Hvordan ser et datafundament for AI-agenter ud? Data pipelines henter data fra de systemer, I allerede bruger, og samler dem i ét data warehouse i jeres egen cloud. Her kan hvert tal spores tilbage til sit bilag, og det er herfra, alle AI-vidensarbejdere læser. Datafundamentet er det første, der er værd at bygge, uanset hvad I beslutter om AI.
Begynd med datafundamentet
Få styr på jeres data. Det er datafundamentet.
Man kan ikke lægge en femårsplan for AI, for teknologien ser anderledes ud om fem år. Spørg i stedet, hvad I kan gøre nu, som hjælper jer i dag og samtidig gør jer klar til en fremtid, I endnu ikke kender. Svaret er næsten altid det samme: få styr på jeres data.
AI-modeller er raketmotorer, og jeres data er brændstoffet. Ingen AI-løsning bliver nogensinde bedre end de data, den bygger på. Datafundamentet omfatter stamdata, CRM, ERP, regnskabsdata og filer. Når I får styr på det, har I gavn af det to gange: I får bedre rapportering og bedre beslutninger nu, med eller uden AI, og I er klar til det, der kommer.
Vi begynder med data pipelines. Vi forbinder de systemer, I allerede bruger, og samler deres data i ét data warehouse i jeres egen cloud. Det kan være Google Cloud eller Microsoft Azure og Fabric. Her kan hvert tal spores tilbage til det bilag, det kommer fra. Pipelines kører på faste tidspunkter, gemmer de rå filer som dokumentation og giver besked, når en kilde ændrer sig. AI-vidensarbejderne læser fra det samme data warehouse. Når I spørger "hvorfor steg omkostningerne?", bygger svaret derfor på de samme tal som månedsrapporten. I styrer adgangen, data bliver i jeres cloud, og intet flyttes over på en platform, vi ejer.
Har I set et dataprojekt løbe løbsk, var det som regel det manuelle arbejde, der var årsagen. Folk sad og strukturerede, rensede og berigede data i hånden. Det arbejde klarer AI nu. Den læser den ustrukturerede tekst i e-mails og dokumenter, standardiserer poster og fjerner dubletter på tværs af systemer, og den supplerer, hvor data er mangelfulde. Vi bruger AI til at bygge datafundamentet. Har I sagt nej til et dataprojekt, før AI kom til, holder den vurdering derfor ikke længere.
De tech stacks, vi bygger i
Her kan I se, hvor vi kan hjælpe i den tech stack, I allerede har.
Google Cloud
- Google Cloud
- BigQuery
- Cloud Run
- Workflows
Microsoft
- Microsoft 365
- Azure
- Fabric
- Business Central
- Power BI
- Copilot
AI-værktøjer og connectors
- Claude
- Gemini
- OpenAI
- Model Context Protocol
- GitHub
- Cloudflare
Produkt- og firmanavne tilhører deres respektive ejere og bruges til at identificere de omtalte produkter. Omtalen er ikke udtryk for anbefaling eller partnerskab. Microsoft, Microsoft 365, Azure, Fabric, Dynamics 365 Business Central, Power BI, SharePoint og Copilot er varemærker tilhørende Microsoft-koncernen. Google, Google Cloud, Google Workspace, Gemini, BigQuery og Cloud Run er varemærker tilhørende Google LLC. Model Context Protocol er et varemærke tilhørende LF Projects, LLC.
Cases
Cases: hvad vi byggede, og hvordan.
DuffBeauty på Google Cloud
En bogholderiagent forbereder posteringerne, og bogholderen godkender dem.
Før: For at besvare et spørgsmål om omkostninger måtte nogen trække data ud af tre systemer, og det tog to dage. Efter: Medarbejderen spørger i Claude Team og får svaret med de tilhørende bilag.
Vores eget værktøj · Google Cloud eller Azure
En fakturalæser, der aflæser fakturalinjerne og kontrollerer dem.
Før: Hver fakturalinje blev indtastet manuelt eller læst af en tjeneste med pris pr. side. Efter: Fakturalæseren aflæser linjerne, og bogholderen godkender dem samlet og ser på de markerede.