«اتصال زنده»؛ راهکار eMondrian برای یکپارچگی DAX و عامل‌های هوش مصنوعی

تصور کنید یک تعریف واحد از «درآمد» را هم‌زمان مدیر مالی در اکسل، مدیر محصول در Power BI و یک عامل هوش مصنوعی در Claude مشاهده کنند و هیچ‌کدام عدد متفاوتی نبینند. eMondrian، محصول شرکت BIS (Business Intelligence Solutions)، لایه‌ای معنایی را معرفی کرده است که بدون تکثیر داده‌ها یا منطق محاسباتی، این سه کلاینت متمایز را به‌صورت زنده به هم متصل می‌کند.

صنعت تحلیل داده سال‌هاست با پدیده‌ای به نام «انحراف معیار» (Metric Drift) دست‌وپنجه نرم می‌کند؛ وضعیتی که در آن ابزارهای مختلف، یک شاخص کلیدی عملکرد (KPI) را با فرمول‌های متفاوتی محاسبه می‌کنند. این اتفاق معمولاً زمانی رخ می‌دهد که تیم‌ها داده‌های خام را در ابزارهای جداگانه وارد کرده و معیارها را به‌صورت محلی بازسازی می‌کنند. eMondrian این مشکل را با ایجاد یک مدل مرکزی حل می‌کند؛ به‌طوری که Power BI از طریق یک ماژول DAX و عامل‌های هوش مصنوعی از طریق پروتکل زمینهٔ مدل (MCP) — که شبیه به یک مترجم استاندارد برای ارتباط مدل‌های زبانی با داده‌های ساختاریافته است — به این مدل متصل می‌شوند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی استانداردهای تبادل داده در سیستم‌های عامل‌محور اشاره کردیم، یکپارچگی در لایه‌ی معنایی، کلید عبور از توهمات مدل‌های زبانی در تحلیل داده است.

اتصال زنده به Power BI

به نقل از مستندات فنی BIS، Power BI پیش از این نمی‌توانست به‌صورت زنده به موتورهای OLAP متن‌باز مانند Mondrian متصل شود، زیرا این ابزار پرس‌وجوهای DAX ارسال می‌کند، در حالی که Mondrian کلاسیک تنها زبان MDX را می‌فهمید. این محدودیت تیم‌ها را مجبور می‌کرد داده‌ها را وارد Power BI کرده و تمام معیارها را دوباره تعریف کنند؛ یعنی دقیقاً همان تکراری که یک لایه‌ی معنایی باید حذف کند.

برای حل این چالش، eMondrian یک ماژول DAX معرفی کرد که درخواست‌های Power BI را به SQL تبدیل کرده و مستقیماً روی پایگاه‌داده اجرا می‌کند. کاربران اکنون می‌توانند از طریق Analysis Services در Power BI Desktop، با انتخاب گزینه "Get data" و سپس "Analysis Services"، وارد کردن آدرس سرور (مثلاً http://<your-server>/xmla) و انتخاب گزینه Connect live، بدون وارد کردن هیچ داده‌ای به مدل متصل شوند.

در این ساختار، هیچ داده‌ای به داخل Power BI Desktop وارد نمی‌شود؛ در عوض، مکعب‌های داده (Cubes) به‌صورت یک مدل معنایی با ابعاد، معیارها و سلسله‌مراتب آماده در Power BI ظاهر می‌شوند که می‌توان آن‌ها را به راحتی در بصری‌سازی‌ها کشید و رها کرد (Drag and Drop). هر بصری‌سازی (Visual) یک پرس‌وجوی DAX به eMondrian می‌فرستد، این موتور آن را بر اساس اسکیمای مشترک ارزیابی کرده و در نهایت دستور SQL را به پایگاه‌داده شما ارسال می‌کند.

مزایای فنی اتصال زنده

این معماری نیاز به به‌روزرسانی‌های زمان‌بندی‌شده (Scheduled Refresh) را از بین می‌برد و از تکرار منطق تجاری جلوگیری می‌کند. از آنجا که ماژول DAX و MDX از یک موتور واحد استفاده می‌کنند، یک معیار تعریف‌شده در اسکیما، نتایج یکسانی را در اکسل و Power BI نمایش می‌دهد.

بر اساس بررسی قابلیت‌های این سیستم، مزایای کلیدی عبارتند از:

• حذف تکرار منطق تجاری: معیارها در اسکیمای eMondrian تعریف می‌شوند، نه در فایل‌های مجزای Power BI.
• عدم نیاز به کپی داده‌ها: داده‌ها در پایگاه‌داده (مانند ClickHouse) باقی می‌مانند و نیاز به برنامه‌ریزی برای Import داده‌ها حذف می‌شود.
• یکپارچگی مطلق: هر دو ابزار اکسل (از طریق XMLA/MDX) و Power BI (از طریق XMLA/DAX) از یک مدل واحد پرس‌وجو می‌کنند.

کاربران می‌توانند این فرآیند را با استفاده از Performance analyzer در Power BI Desktop تأیید کنند. با رفرش کردن یک بصری‌سازی، می‌توان پرس‌وجوی DAX ارسالی را کپی کرد. برای مثال، در نمونه FoodMart، پرس‌وجویی شبیه به EVALUATE ROW("Org_Salary", 'HR'[Org Salary]) ارسال می‌شود.

عامل‌های هوش مصنوعی و استاندارد MCP

فراتر از ابزارهای سنتی BI، شرکت eMondrian یک سرور MCP را ادغام کرده است تا شکاف بین مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — و داده‌های ساختاریافته را پر کند. پروتکل زمینهٔ مدل (MCP) استاندارد فعلی برای اتصال عامل‌هایی مانند Claude به ابزارها و داده‌ها است. این رویکرد در راستای تسهیل تبدیل ایده‌های مبتنی بر عامل به محصولات عملیاتی است، مشابه آنچه پلتفرم Volcano برای کوتاه کردن مسیر تولید عامل‌های هوش مصنوعی ارائه داده است.

وقتی یک عامل به جداول خام دسترسی دارد، باید نحوه اتصال جداول (Join) و فرمول‌ها را حدس بزند که منجر به تضاد در گزارش‌ها یا اختلاف نظر بین عامل‌های مختلف درباره معنای «درآمد» می‌شود. اما در اتصال به یک مدل معنایی، عامل از تعاریفی استفاده می‌کند که سازمان پیش‌تر بر سر آن‌ها توافق کرده است.

از طریق MCP، یک عامل می‌تواند وظایف حیاتی زیر را انجام دهد:

• list_catalogs: مشاهده اینکه چه کاتالوگ‌هایی (مدل‌های معنایی) وجود دارند.
• get_schema: خواندن مکعب‌ها، ابعاد، معیارها و تعاریف آن‌ها در یک مدل.
• execute_query: اجرای پرس‌وجوهای MDX یا DAX روی یک کاتالوگ برای استخراج اعداد واقعی.
• get_cube_authoring_guide: یادگیری نحوه نوشتن اسکیماهای eMondrian.
• validate_schema: بررسی اسکیما برای یافتن مشکلات پیش از استفاده.
• save_schema: ذخیره یک اسکیمای جدید یا به‌روزرسانی شده.
• save_catalog: ثبت یک کاتالوگ جدید و نوشتن فایل اسکیمای آن.
• read_logs / get_properties: بررسی لاگ‌های سرور و تنظیمات برای عیب‌یابی.

اتصال Claude Code تنها با یک دستور ساده انجام می‌شود: claude mcp add --transport sse emondrian http://localhost/emondrian/mcp/sse. پس از اتصال، کاربر می‌تواند بپرسد: «نرخ لغو پروازهای American Airlines و Delta را در ژانویه ۲۰۲۲ مقایسه کن و تفاوت را توضیح بده». عامل مدل OnTime را می‌خواند، معیار Cancellation Rate را پیدا می‌کند (که به صورت لغو شده‌ها تقسیم بر کل پروازها تعریف شده است)، پرس‌وجوی MDX را می‌نویسد، آن را از طریق eMondrian روی ClickHouse اجرا می‌کند و پاسخ را بدون ابداع فرمول شخصی ارائه می‌دهد.

از تنظیمات دستی تا مکعب‌های ساخته‌شده توسط عامل

یکی از مهم‌ترین تغییرات، حرکت به سمت نویسندگی اسکیما توسط عامل‌ها است. پیش از این، توصیف اولین «مکعب» (ساختار چندبعدی داده‌ها) سخت‌ترین بخش ارزیابی eMondrian بود.

اکنون یک عامل می‌تواند این فرآیند را خودکار کند. کاربر می‌تواند دستور دهد: «در کاتالوگ MySales، یک مکعب Sales روی جدول ClickHouse با ستون‌های (sale_date, region, product, quantity, amount) بساز. یک بعد زمان از sale_date، ابعاد منطقه و محصول، و معیارهای Amount و Quantity را اضافه کن و Avg Price را برابر با Amount تقسیم بر Quantity قرار بده». عامل سپس راهنمای نویسندگی را دنبال کرده، اسکیما را اعتبارسنجی و در کاتالوگ ذخیره می‌کند. این نوع اتوماسیون در تحلیل‌های پیچیده، یادآور بهره‌وری پلتفرم Target Atlas در پژوهش‌های دارویی است که زمان تحلیل داده‌های حجیم را به شدت کاهش داده است.

یک مدل، سه کلاینت

ارزش واقعی در این است که یک مدل معنایی اکنون به سه نوع کلاینت سرویس می‌دهد:

• اکسل: استفاده از XMLA/MDX برای PivotTableها و تحلیل‌های Ad-hoc.
• Power BI: استفاده از XMLA/DAX برای داشبوردها و گزارش‌ها.
• عامل‌های هوش مصنوعی: استفاده از MCP برای پرسش‌های زبان طبیعی و مدیریت اسکیما.

چه بخش مالی در اکسل باشد، چه مدیریت در Power BI و چه یک دستیار هوش مصنوعی، همه از یک تعریف واحد برای «درآمد» استفاده می‌کنند.

استقرار و لایسنس

طبق اعلام BIS، موتور اصلی تحت لایسنس EPL-1.0 متن‌باز است، اما ماژول‌های DAX و MCP تجاری هستند:

• نسخه Community: رایگان (شامل موتور، XMLA و MDX). ماژول‌های DAX و MCP برای ارزیابی ۳۰ روزه با یک کلید رایگان در دسترس هستند. پشتیبانی از طریق GitHub Issues انجام می‌شود.
• لایسنس تجاری: ۴۹۰۰ یورو برای هر سرور در سال (شامل ماژول‌های DAX و MCP و پشتیبانی ایمیلی).
• نسخه Enterprise: پشتیبانی اولویت‌دار و کمک در گزارش‌های DAX. شامل قابلیت‌های امنیتی پیشرفته مانند دسترسی سطح کاربر و لاگ‌های حسابرسی (Audit Logs) برای پرس‌وجوهای عامل‌ها.

محدودیت‌ها و تست

شرکت BIS اشاره کرده است که پشتیبانی از DAX برای Power BI در حال حاضر در حالت بتا است. کاربران تشویق می‌شوند گزارش‌های خود را در دوره ارزیابی تست کرده و پرس‌وجوهای ناموفق را گزارش کنند. همچنین باید توجه داشت که مایکروسافت رسماً تنها تعداد محدودی از مدل‌های معنایی شخص ثالث را پشتیبانی می‌کند و eMondrian جزو آن‌ها نیست، بنابراین پشتیبانی رسمی مایکروسافت در این پیکربندی در دسترس نخواهد بود.

علاوه بر این، نقطه اتصال MCP در نسخه Community فاقد احراز هویت است و شامل ابزارهایی است که می‌توانند اسکیماها را تغییر دهند؛ بنابراین تنها باید در محیط localhost یا شبکه‌های مورد اعتماد مستقر شود. ساعات پشتیبانی در روزهای کاری و در منطقه زمانی UTC+4 است (پشتیبانی ۲۴/۷ ارائه نمی‌شود).

سازمان‌ها می‌توانند این گردش کار را از طریق دمو عمومی در https://demo.emondrian.com/xmla برای بررسی نمونه‌های FoodMart و OnTime (روی ClickHouse) تست کنند. عامل‌های هوش مصنوعی نیز می‌توانند از دمو در حالت read-only استفاده کنند: claude mcp add --transport sse emondrian-demo https://demo.emondrian.com/emondrian/mcp/sse.

گام بعدی شما

• اگر از Power BI استفاده می‌کنید، دمو عمومی https://demo.emondrian.com/xmla را برای تست مدل‌های FoodMart و OnTime بررسی کنید.
• برای تجربه اتصال عامل هوش مصنوعی، دستور اتصال دمو را در Claude اجرا کنید: claude mcp add --transport sse emondrian-demo https://demo.emondrian.com/emondrian/mcp/sse.
• در صورت استقرار سازمانی، لایسنس Enterprise را برای دسترسی به لاگ‌های پرس‌وجوی عامل‌ها (Audit Logs) بررسی کنید تا از صحت استنتاج‌های مدل مطلع شوید.

اما چالش اصلی در این مسیر، مدیریت حافظه در مدل‌های زبانی برای تحلیل‌های حجیم است — به بررسی ما درباره‌ی پنجره‌های متنی گسترده، مانند قابلیت‌های Kimi K3 در Amazon Bedrock، مراجعه کنید.