एंटरप्राइज़ डेटा की दुनिया में सबसे मुश्किल हिस्सा हमेशा code लिखना नहीं होता। असली चुनौती अक्सर यह होती है कि सवाल का सही मतलब क्या है, कौन-सा dataset भरोसेमंद है, metric की आधिकारिक परिभाषा क्या है और जवाब किस business context में देना है। यही वह जगह है जहां Databricks Genie अपने आपको सामान्य coding agents से अलग पेश करता है।
Databricks का बड़ा दावा यह है कि Genie ने real-world data analysis tasks के एक internal benchmark में leading coding agent की 32% accuracy के मुकाबले 90% से अधिक accuracy दिखाई [3]। लेकिन इस दावे को पढ़ते समय एक जरूरी बात याद रखनी चाहिए: यह benchmark Databricks द्वारा reported है, स्वतंत्र third-party evaluation नहीं [
3]। यानी इसे strong signal माना जा सकता है, final proof नहीं।
मूल फर्क: code fluency बनाम data context
Generic coding agents SQL या Python लिखने में मदद कर सकते हैं। लेकिन किसी बड़ी कंपनी में एक साधारण दिखने वाला सवाल—जैसे, “revenue क्यों गिरा?”—अपने आप में पूरा सवाल नहीं होता। इसका जवाब इस बात पर निर्भर हो सकता है कि revenue की approved definition क्या है, कौन-सा customer segment देखना है, time window क्या है, कौन-सी table canonical है और कौन-सा dashboard पहले से trusted माना जाता है।
Microsoft की Azure Databricks documentation Genie को ऐसी generative AI capability के रूप में बताती है जो organization की terminology और data के हिसाब से tuned होती है। Genie spaces को domain experts datasets, sample queries और text guidelines के साथ configure करते हैं, ताकि business questions को analytical queries में बदला जा सके [7]। यही narrowing of context Genie की accuracy story का केंद्र है।
1. Genie सिर्फ prompt नहीं पढ़ता, business semantics समझने की कोशिश करता है
एक coding agent को अगर prompt दिया जाए—“इस महीने sales गिरने की वजह बताओ”—तो वह technically सही SQL लिख सकता है। फिर भी जवाब गलत हो सकता है, अगर उसने गलत table चुन ली, gross sales की जगह net revenue ले लिया या ऐसे filter लगा दिए जो business में मान्य नहीं हैं।
