Konzeption einer konversationellen Datenanalyse-Plattform mit agentenbasiertem KI-Workflow und Datenqualitätspipeline.
Projektdurchführung
A. Baskircev, A. Shanmugavel, B. Tamer, M. Karakilic, V. Becker, Studiengang Digital Business Technology,
Einführung
• Datenanalyse in klassischen BI-Systemen erfordert häufig fundierte technische Kenntnisse (SQL, Modellierung)
• Zugang zu datenbasierten Erkenntnissen bleibt dadurch für nicht-technische Nutzer eingeschränkt
• Eine durchgängige Verbindung von Dialog und mitwachsender Analysefläche fehlt bislang
Zielsetzung
- Konzeption, Entwicklung und Usability-Evaluation eines KI-gestützten Analysesystems
- Automatisierte Datenaufbereitung und dialogbasierte Analyse in einem Ansatz
- FF1: Wie gebrauchstauglich ist die durchgängige Verbindung aus Chat-Dialog und Dashboard
- FF2: Welchen Einfluss haben Alter und technische Vorerfahrung auf die wahrgenommene Usability?
Methodik
Conversational-Analytics-Ansatz
- Vollständige Interaktion über eine Chat-Oberfläche in natürlicher Sprache mit einem projektbasierten Aufbau: Prepare (Datenvorschau & Qualitätsbericht), Explore (Chat & Dashboard), Predict
- Zweischichtige Client-Server-Architektur: React-Frontend (ChatPanel, DashboardCanvas) kommuniziert per REST (/api/v1/datasets, /api/v1/chats) mit modularem FastAPI-Backend.
Datenqualitäts-Pipeline
- Pipeline zur automatisierten Bereinigung von Datensätzen durch Ingestion-, Header-, Schema- und Type-Erkennung sowie Inconsistency Detection
- Verarbeitung erfolgt auf einer duplizierten cleaned-Kopie, der Originaldatensatz bleibt unverändert, ein strukturierter Quality Report fasst alle Ergebnisse zusammen.
LangGraph-Agent
- Interpretiert die Nutzeranfrage und steuert den Analyseprozess als gerichteten Zustandsgraph, mit einer regelbasierten Policy Engine für Rückfragen und Freigaben zur Erstellung der Graphen und Dashboards
- Text- oder FREE_CODE-Pfad je nach Anfrage — generierter Code läuft isoliert in einer Sandbox; GPT-4o-mini via LangChain mit
Ergebnisse
Conversational-Analytics-Ansatz
Die Explore-Ansicht von MNEMOS.AI: Chat und Dashboard-Fläche liegen nebeneinander im selben Arbeitsbereich.
Datenqualitäts-Pipeline
Nach dem Upload durchläuft jeder Datensatz diese 7-Stufige Pipeline.
LangGraph-Agent
Der agentische Workflow interpretiert die Nutzeranfrage, holt bei Bedarf über die Gates eine Rückfrage oder Freigabe ein und verzweigt je nach Ausgabemodus in einen Textoder einen Code-Pfad mit isolierter Sandbox-Ausführung, bevor das Ergebnis final zusammengeführt wird.
Zusammenfassung
- Evaluation der Methodik im universitären Umfeld durch ausführende Tests
- Theoretischer Beitrag zur Verbindung von konversationeller Analyse und persistenter Visualisierung mit mitwachsenden Dashboards
- Praktischer Nutzen durch Konzeption eine zugänglichen Analyseplattform die nicht technischen Usern vereinfachte Datenanalyse ermöglicht
Ressourcen
- Code Repository: https://github.com/abi2310/mnemos
- Webseite: https://abi2310.github.io/mnemos/