top of page

Học AI Agent không cần code: Dựng Agentic AI Analytics bằng Microsoft Fabric và Power BI

10 phút trước
15 phút đọc

Bạn có thể dựng một hệ thống Agentic AI Analytics không cần viết code bằng Microsoft Fabric và Power BI: nạp dữ liệu bằng Dataflow Gen2, chuẩn hóa semantic model, cấu hình Fabric Data Agent bằng ngôn ngữ tự nhiên, rồi nối với Teams hoặc Power Automate để chạy tự động.

Trong chương trình Agentic AI Analytics, semantic model (lớp ngữ nghĩa, nơi khai báo quan hệ, measure và mô tả để AI hiểu đúng nghiệp vụ) quyết định việc AI Agent (tác tử AI, phần mềm tự nhận câu hỏi, truy vấn dữ liệu rồi trả lời hoặc hành động) trả lời đúng hay đoán mò [1]. Hiểu lầm phổ biến là "no-code" nghĩa là không cần suy nghĩ. Thực tế bạn bỏ phần lập trình, còn phần tư duy bài toán và kiểm thử vẫn là việc của bạn. Bài này đi qua từng bước trên dữ liệu mô phỏng, theo thứ tự bạn có thể làm ngay.

Mục lục

Sơ đồ hệ thống Agentic AI Analytics no-code trên Microsoft Fabric và Power BI

I. Chuẩn bị: license, capacity, workspace và quyền dữ liệu

Trước khi mở Fabric, hãy viết ra câu hỏi kinh doanh mà agent phải trả lời. Chương trình của MDA yêu cầu học viên làm chủ bài toán bằng framework TOSCAR và phân rã nguyên nhân theo chuẩn MECE (KPI Tree, Logic Tree, Metric Tree) trước khi thao tác trên dữ liệu [1]. Làm ngược lại, bạn sẽ có một agent trả lời nhanh nhưng không ai biết nó đang trả lời cho quyết định nào.

Phần license thay đổi thường xuyên. Hãy đối chiếu tài liệu Microsoft Learn tại thời điểm tháng 11/2026 trước khi đăng ký hoặc xin ngân sách, và đừng dựa vào bài viết cũ.

1. License và capacity

Các tính năng AI như Copilot và Fabric Data Agent thường cần capacity Fabric trả phí hoặc capacity Power BI Premium, chứ không chạy chỉ với license Pro cá nhân. Quản trị viên tenant còn phải bật các tenant setting tương ứng. Bạn nên xác nhận với bộ phận IT các điểm sau:

  • Capacity đang gán cho workspace có thuộc loại được hỗ trợ cho Copilot và Data Agent hay không.

  • Tenant setting cho Copilot, Data Agent và việc xử lý dữ liệu bằng dịch vụ AI đã được bật, và bật cho nhóm người dùng nào.

  • Người dùng cuối cần license gì để mở report và hỏi agent.

2. Workspace và quyền dữ liệu

Tạo một workspace riêng cho dự án và gán capacity cho nó. Nên tách workspace phát triển (nơi bạn thử nghiệm) khỏi workspace chạy thật (nơi người dùng hỏi agent). Quyền cũng cần rõ ngay từ đầu: người hỏi agent phải có quyền đọc đúng phần dữ liệu họ được xem, nếu không agent sẽ báo thiếu quyền hoặc trả lời thiếu.

3. Dữ liệu mô phỏng để luyện tập

Bài này dùng dữ liệu mô phỏng gồm các bảng đơn hàng, khách hàng, sản phẩm, khu vực, chi phí marketing và ngân sách. Nếu muốn thử với dữ liệu công ty, hãy xin phê duyệt trước, vì agent sẽ cho nhiều người truy cập dữ liệu bằng câu hỏi tự do.

Checklist license, capacity, workspace và quyền dữ liệu trước khi dựng Fabric Data Agent

II. Dựng Lakehouse và nạp dữ liệu bằng Dataflow Gen2 hoặc Pipeline

Bước 1 của quy trình là có một nơi chứa dữ liệu sạch, ổn định. Toàn bộ thao tác dưới đây làm bằng giao diện kéo thả.

1. Tạo Lakehouse

Lakehouse là nơi lưu dữ liệu trong Fabric, chứa được cả file lẫn bảng và các công cụ khác trong Fabric đều đọc được. Trong workspace, chọn New item, chọn Lakehouse và đặt tên theo quy ước, ví dụ lh_sales_demo. Tên rõ nghĩa giúp bạn đỡ nhầm khi sau này có nhiều Lakehouse.

2. Nạp và làm sạch dữ liệu

Dataflow Gen2 là công cụ Power Query chạy trên nền web, quen thuộc với ai đã dùng Power BI Desktop. Bạn kết nối nguồn (Excel, CSV, SharePoint, database), làm sạch rồi đặt đích là Lakehouse. Những việc nên làm trong dataflow:

  • Chuẩn hóa kiểu dữ liệu, nhất là cột ngày và cột số tiền.

  • Loại dòng trùng, xử lý giá trị rỗng và thống nhất cách viết tên khu vực, tên kênh bán.

  • Tách bảng thành một bảng fact (đơn hàng) và các bảng dimension (khách hàng, sản phẩm, ngày, khu vực).

Pipeline với hoạt động Copy data phù hợp khi nguồn lớn hoặc bạn cần lịch chạy rõ ràng. Với nguồn nhỏ và cần làm sạch nhiều, Dataflow Gen2 tiện hơn. Chương trình MDA cũng đi theo chuỗi này: Ingestion, Dataflow, Cleaning rồi Modeling theo Star Schema [1].

Giao diện Dataflow Gen2 nạp dữ liệu bán hàng vào Lakehouse trong Microsoft Fabric

III. Xây semantic model sạch để AI hiểu đúng

Bước 2 là bước quyết định chất lượng của mọi thứ phía sau. Semantic model là "trái tim" cung cấp ngữ cảnh cho AI, và việc chuẩn hóa metadata cùng synonyms giúp AI hiểu đúng nghiệp vụ thay vì đoán số liệu [1]. Agent chỉ giỏi ngang mức model bạn đưa cho nó.

1. Quan hệ và measure

Nối bảng fact với các bảng dimension theo quan hệ một-nhiều, lọc một chiều từ dimension sang fact. Đây là Star Schema quen thuộc. Sau đó tạo các measure cốt lõi: Doanh thu, Số đơn hàng, Giá trị đơn trung bình, Biên lợi nhuận.

Cần nói thẳng: "không cần code" ở đây nghĩa là không cần lập trình. Measure vẫn là công thức DAX (ngôn ngữ công thức của Power BI). Bạn có thể dùng Quick measure hoặc nhờ Copilot gợi ý, nhưng phải đọc hiểu và kiểm tra lại logic trước khi dùng. Với người đã làm Power BI, đây là phần quen thuộc.

2. Mô tả, tên cột và synonyms

Đây là phần nhiều người bỏ qua, và cũng là phần khiến agent trả lời sai nhiều nhất. Một số nguyên tắc:

  • Đặt tên bảng, cột, measure bằng tiếng Việt có dấu, nhất quán một kiểu. Nếu người dùng hỏi bằng tiếng Việt, tên tiếng Việt giúp khớp câu hỏi dễ hơn.

  • Viết description cho mọi measure quan trọng, nói rõ công thức tính, đơn vị tiền và điều kiện loại trừ.

  • Ẩn các cột kỹ thuật (ID, cột trung gian) để agent không chọn nhầm.

  • Khai báo synonyms cho các cách gọi khác nhau của cùng một khái niệm.

Ví dụ một dòng khai báo trong semantic model:

Measure

Mô tả

Synonyms

Doanh thu thuần

Tổng giá trị đơn đã giao, trừ chiết khấu và hàng trả lại, đơn vị VND

doanh số, revenue, sales

Biên lợi nhuận gộp

(Doanh thu thuần trừ giá vốn) chia doanh thu thuần

gross margin, GM, lãi gộp

Power BI cũng có các tùy chọn chuẩn bị dữ liệu cho AI, như khai báo hướng dẫn và giới hạn những trường agent được ưu tiên dùng. Tên và vị trí các tùy chọn này thay đổi theo bản cập nhật, nên hãy mở tài liệu Microsoft Learn để làm theo đúng giao diện hiện tại.

Mô hình Star Schema trong Power BI với bảng Fact Doanh thu và các bảng Dimension

IV. Dùng Copilot trong Power BI tạo report và hỏi đáp dữ liệu

Bước 3 giúp bạn kiểm tra semantic model trong thực tế trước khi tạo agent. Nếu Copilot trả lời sai trên model của bạn, Data Agent nhiều khả năng cũng sai.

1. Copilot, Q&A và Data Agent khác nhau thế nào

Ba công cụ này hay bị nhầm vì đều cho bạn hỏi bằng ngôn ngữ tự nhiên:

Công cụ

Làm gì

Phù hợp khi

Copilot trong Power BI

Tạo trang report, tóm tắt, trả lời câu hỏi trên semantic model

Bạn đang làm việc trong Power BI và cần dựng report nhanh

Q&A

Visual hỏi đáp dựa trên từ vựng (linguistic schema) bạn khai báo, không sinh nội dung bằng AI

Cần câu trả lời có kiểm soát chặt trong một report cố định

Fabric Data Agent

Agent cấu hình được hướng dẫn, nguồn dữ liệu, câu hỏi mẫu, dùng được ngoài Power BI

Cần chia sẻ khả năng hỏi dữ liệu cho nhiều nhóm hoặc nối với kênh khác

Tên gọi và phạm vi của từng tính năng có thể đã đổi, nên kiểm tra tài liệu Microsoft trước khi quyết định công cụ nào đưa vào quy trình.

Bảng so sánh Copilot, Q&A và Data Agent trong hệ sinh thái Power BI và Fabric

2. Tạo report bằng Copilot và duyệt lại

Mở report trên semantic model đã chuẩn bị, mở Copilot và nhập yêu cầu cụ thể:

  • "Tạo một trang tổng quan doanh thu thuần theo tháng, theo khu vực, kèm biên lợi nhuận gộp."

  • "Tóm tắt 3 điểm đáng chú ý nhất của trang này cho giám đốc bán hàng."

  • "Khu vực nào có doanh thu thuần giảm so với cùng kỳ năm trước?"

Sau đó bạn kiểm tra từng visual: measure có đúng không, bộ lọc ngày có đúng không, tiêu đề có nói đúng điều biểu đồ thể hiện không. Đây là Human-in-the-loop (con người kiểm soát tại các chốt chặn), một nguyên tắc nằm trong kiến trúc của chương trình MDA [1]. Copilot dựng nhanh, còn trách nhiệm với con số vẫn thuộc về bạn.

V. Tạo và cấu hình Fabric Data Agent

Bước 4 biến semantic model thành một agent mà đồng nghiệp có thể hỏi. Fabric Data Agent là tác tử trả lời câu hỏi về dữ liệu bằng ngôn ngữ tự nhiên, dựa trên các nguồn trong Fabric mà bạn chọn.

1. Tạo agent và chọn nguồn

Trong workspace, tạo item Data Agent, rồi thêm nguồn như Lakehouse, Warehouse hoặc semantic model. Nguyên tắc ở đây là ít mà đúng. Chỉ chọn những bảng cần cho nhóm câu hỏi định trước, vì nguồn càng rộng thì agent càng dễ chọn nhầm bảng. Mỗi loại nguồn có giới hạn và hành vi riêng, nên hãy đọc phần giới hạn trong tài liệu Microsoft trước khi thiết kế.

2. Viết hướng dẫn cho agent

Hướng dẫn (instructions) là nơi bạn nói cho agent biết nó là ai, trả lời thế nào. Một mẫu thiết thực:

  • Vai trò: "Bạn là trợ lý phân tích bán hàng của công ty X, trả lời bằng tiếng Việt, ngắn gọn."

  • Định nghĩa nghiệp vụ: "Doanh thu nghĩa là Doanh thu thuần, không phải doanh thu gộp. Năm tài chính bắt đầu từ tháng 1."

  • Quy tắc từ chối: "Nếu câu hỏi nằm ngoài các bảng được cấp, hãy nói rõ không có dữ liệu, không suy đoán."

  • Cách trình bày: "Luôn nêu kỳ thời gian và đơn vị tiền tệ kèm con số."

3. Câu hỏi mẫu

Với những nguồn hỗ trợ, bạn thêm cặp câu hỏi và truy vấn mẫu cho các câu hỏi hay gặp. Đây là cách dạy agent cách tính đúng các chỉ số khó, ví dụ tăng trưởng so với cùng kỳ. Một số loại nguồn có thể không hỗ trợ tính năng này, nên đối chiếu tài liệu.

Màn hình cấu hình Fabric Data Agent với nguồn dữ liệu, hướng dẫn và câu hỏi mẫu

4. Thử nghiệm rồi mới xuất bản

Hỏi thử vài chục câu ngay trong giao diện, sửa instructions rồi mới publish. Đừng chia sẻ link cho cả phòng khi chưa qua bước kiểm thử ở mục VII.

VI. Điều phối nhiều agent và tự động hóa

Bước 5 đưa bạn từ người tự tay làm từng báo cáo sang người điều phối. MDA gọi đó là chuyển từ Executor sang Orchestrator (nhạc trưởng điều phối hệ thống AI Agents) [1]. Chương trình thiết kế hệ thống 14 AI Agents chuyên biệt, vận hành qua giao thức MCP trên hệ sinh thái Microsoft Fabric và Power BI, luôn có con người kiểm soát tại các chốt chặn [1]. Bài này chỉ dựng phiên bản nhỏ để bạn hiểu cách làm.

1. Chia vai cho từng agent

Thay vì một agent biết mọi thứ, hãy tạo vài agent hẹp, mỗi agent một miền: Sales, Marketing, Finance. Agent hẹp có ít bảng hơn, instructions ngắn hơn và dễ kiểm thử hơn. Người dùng (hoặc một lớp điều phối bạn thiết kế) chọn đúng agent cho từng câu hỏi. Tùy cấu hình hiện hành, agent có thể được dùng trong Teams hoặc các công cụ agent khác của Microsoft, và bạn cần kiểm tra điều kiện này trên tài liệu mới nhất.

2. Cảnh báo tự động bằng Data Activator

Data Activator là công cụ kích hoạt hành động khi dữ liệu thỏa một điều kiện. Trong Fabric, tính năng này hiện nằm dưới tên Activator, nên hãy đối chiếu tên trên giao diện của bạn. Ví dụ điều kiện: doanh thu thuần của một khu vực giảm quá ngưỡng bạn đặt so với tuần trước. Khi điều kiện đúng, Activator gửi thông báo vào kênhTeams của nhóm Sales, kèm liên kết tới báo cáo để người nhận mở ngay phần dữ liệu liên quan. Bạn thiết lập điều kiện này bằng giao diện, không cần viết code.

3. Tự động hóa tiếp theo bằng Power Automate

Khi cảnh báo đã bắn ra, bước sau thường là một việc thủ công: tạo ticket, gửi email cho quản lý khu vực, ghi nhận vào danh sách theo dõi. Power Automate nối các việc này thành một luồng kéo thả. Activator phát hiện, Power Automate tạo việc, Teams thông báo cho người chịu trách nhiệm. Tùy tình huống, bạn có thể thêm bước phê duyệt để con người xác nhận trước khi luồng chạy tiếp.

Sơ đồ điều phối agent và tự động hóa bằng Activator, Power Automate và Teams

4. Giữ con người tại chốt chặn

Tự động hóa không có nghĩa là bỏ kiểm soát. Hãy chọn những điểm bắt buộc có người duyệt: gửi số liệu ra ngoài công ty, thay đổi dữ liệu nguồn, hoặc hành động ảnh hưởng đến khách hàng. Cách thiết kế này cũng là nguyên tắc Human-in-the-Loop mà chương trình của MDA áp dụng [1].

VII. Kiểm thử độ chính xác, bảo mật và governance

Một agent trả lời trôi chảy chưa chắc đã đúng. Bước 6 là bước phân biệt một bản demo với một hệ thống bạn dám giao cho đồng nghiệp dùng.

1. Xây bộ câu hỏi test

Lập một bảng tính gồm khoảng 30 đến 50 câu hỏi thật mà phòng ban hay hỏi, kèm đáp án đúng bạn tự tính từ báo cáo đã được duyệt. Con số này là gợi ý thực hành của người viết, không phải chuẩn của Microsoft. Chia câu hỏi thành ba nhóm:

  • Câu hỏi đơn giản: tổng doanh thu tháng này, số đơn theo khu vực.

  • Câu hỏi khó: tăng trưởng so với cùng kỳ, tỷ trọng theo nhóm sản phẩm, top N có điều kiện.

  • Câu hỏi bẫy: hỏi về dữ liệu không tồn tại, hỏi bằng từ viết tắt, hỏi mơ hồ không nêu kỳ thời gian.

Chạy lại toàn bộ bộ test mỗi lần bạn sửa instructions, đổi bảng hoặc đổi measure. Ghi lại tỷ lệ đúng để biết thay đổi nào làm agent tốt lên hay tệ đi.

2. Row-Level Security (RLS)

RLS giới hạn dòng dữ liệu mỗi người được thấy, ví dụ trưởng vùng Miền Nam chỉ thấy doanh thu Miền Nam. Hãy tự kiểm tra bằng cách dùng tài khoản thật của một người dùng bị giới hạn rồi hỏi agent những câu đáng lẽ không được trả lời. Cách bảo mật áp dụng cho từng loại nguồn có thể khác nhau, nên đối chiếu tài liệu Microsoft hiện hành trước khi triển khai.

3. Sensitivity label và quyền truy cập

Sensitivity label (nhãn độ nhạy cảm) gắn mức bảo mật cho dữ liệu và báo cáo, ví dụ Nội bộ hoặc Bảo mật. Hãy gắn nhãn cho semantic model và lakehouse chứa dữ liệu lương, giá vốn, hợp đồng. Chỉ cấp cho agent những bảng cần thiết, và chỉ chia sẻ agent cho nhóm người dùng đã được phân quyền.

Bảng kiểm thử độ chính xác của Fabric Data Agent bằng bộ câu hỏi mẫu

4. Ghi lại và rà soát định kỳ

Đặt một người chịu trách nhiệm cho từng agent. Người này xem lại các câu hỏi thực tế của đồng nghiệp, thêm những câu agent trả lời sai vào bộ test và cập nhật instructions hằng tháng. Governance nghe có vẻ nặng nề, nhưng với một agent nhỏ, nó chỉ là một bảng tính và một cuộc rà soát ngắn.

VIII. Ví dụ thực tế: Sales, Marketing, Finance với dữ liệu mô phỏng

Các tình huống dưới đây dùng dữ liệu mô phỏng. Thời gian tiết kiệm phụ thuộc vào quy trình hiện tại của bạn, nên bài không đưa con số cụ thể.

1. Sales: hỏi nhanh trước cuộc họp tuần

Trưởng nhóm Sales trước đây nhờ analyst xuất báo cáo doanh thu theo khu vực và nhân viên mỗi sáng thứ Hai. Với agent Sales, chị hỏi trực tiếp: "Khu vực nào giảm doanh thu thuần so với tuần trước, và nhóm sản phẩm nào đóng góp nhiều nhất vào mức giảm?" Agent trả về bảng kèm kỳ thời gian. Analyst không còn mất thời gian cho yêu cầu lặp lại, và dành thời gian đó cho việc tìm nguyên nhân.

2. Marketing: theo dõi hiệu quả chiến dịch

Một marketer cần biết kênh nào có chi phí trên mỗi khách hàng mới thấp nhất trong quý. Nếu semantic model đã định nghĩa sẵn measure chi phí và khách hàng mới, agent chỉ việc dùng lại. Vì vậy phần việc của bạn nằm ở Bước 2: thống nhất định nghĩa "khách hàng mới" trước khi cho AI trả lời. Nếu mỗi bộ phận hiểu một kiểu, agent sẽ trả lời đúng theo một kiểu và sai theo các kiểu còn lại.

3. Finance: cảnh báo biến động chi phí

Kế toán quản trị muốn biết ngay khi chi phí của một trung tâm chi phí vượt ngân sách. Activator theo dõi điều kiện này, Power Automate gửi yêu cầu giải trình cho người phụ trách, và agent Finance trả lời các câu hỏi chi tiết về khoản mục. Chốt chặn con người nằm ở bước phê duyệt trước khi gửi bất kỳ số liệu nào ra ngoài phòng.

Ví dụ ứng dụng Agentic AI Analytics cho Sales, Marketing và Finance

IX. Lỗi thường gặp và cách khắc phục

1. Agent trả lời sai con số

Nguyên nhân thường gặp là measure bị định nghĩa không rõ hoặc có hai measure gần giống nhau. Cách xử lý: đổi tên và thêm mô tả cho measure ở semantic model, ẩn các cột kỹ thuật, rồi bổ sung câu hỏi mẫu cho các chỉ số khó. Đây là lý do semantic model được MDA coi là "trái tim" cung cấp ngữ cảnh cho AI [1].

2. Agent "bịa" câu trả lời khi không có dữ liệu

Hiện tượng này gọi là hallucination (ảo giác của AI). Hãy thêm quy tắc từ chối vào instructions, giảm số bảng được cấp, và đưa câu hỏi bẫy vào bộ test. Không có cách nào đảm bảo loại bỏ hoàn toàn rủi ro này, vì vậy việc kiểm thử và có người duyệt vẫn cần thiết.

3. Thiếu quyền hoặc không thấy dữ liệu

Người dùng báo "agent không trả lời được" thường do chưa có quyền trên nguồn dữ liệu, hoặc RLS đang lọc hết dòng. Kiểm tra quyền workspace, quyền trên semantic model hoặc lakehouse, và vai trò RLS của người đó.

4. Không thấy tính năng trên tenant

Nếu không thấy Copilot hoặc Data Agent, hãy kiểm tra capacity, các thiết lập do quản trị viên tenant bật, và điều kiện license ở phần chuẩn bị. Những điều kiện này thay đổi thường xuyên, nên luôn đối chiếu tài liệu Microsoft vào thời điểm bạn triển khai.

5. Câu trả lời đúng nhưng người dùng không tin

Hãy yêu cầu agent nêu kỳ thời gian, đơn vị và định nghĩa chỉ số trong mỗi câu trả lời, đồng thời cho phép người dùng so với báo cáo gốc. Niềm tin được xây bằng khả năng đối chiếu, không phải bằng giọng văn tự tin của agent.

X. Câu hỏi thường gặp

1. Học AI Agent không cần code thì có cần biết SQL hay DAX không?

Bạn có thể dựng hệ thống ở mức cơ bản bằng giao diện mà không cần viết code. Tuy vậy, hiểu logic của measure và cách mô hình dữ liệu hoạt động giúp bạn kiểm tra agent trả lời đúng hay sai. Với người đi làm đã quen Power BI, khoảng cách này thường nhỏ.

2. Copilot, Q&A và Data Agent khác nhau thế nào?

Copilot trong Power BI hỗ trợ tạo report và hỏi đáp trong ngữ cảnh báo cáo. Q&A là tính năng hỏi đáp bằng ngôn ngữ tự nhiên dựa trên semantic model. Data Agent là agent bạn cấu hình riêng, với nguồn dữ liệu và instructions riêng, để người khác dùng. Tên gọi và phạm vi từng tính năng thay đổi theo thời gian, nên hãy xem tài liệu Microsoft mới nhất.

3. Dữ liệu doanh nghiệp có an toàn khi dùng agent không?

An toàn phụ thuộc vào cách bạn thiết kế: phân quyền, RLS, sensitivity label và chính sách của tổ chức. Hãy phối hợp với quản trị viên tenant và bộ phận bảo mật trước khi cho agent truy cập dữ liệu nhạy cảm.

4. Cần bao lâu để dựng được một agent đầu tiên?

Tùy chất lượng dữ liệu và semantic model hiện có. Nếu mô hình đã sạch, phần cấu hình agent khá nhanh. Phần tốn thời gian nhất thường là làm sạch dữ liệu, thống nhất định nghĩa chỉ số và kiểm thử.

5. Tôi nên học gì trước khi học Agentic AI Analytics?

Hãy bắt đầu từ tư duy bài toán kinh doanh và mô hình dữ liệu, sau đó mới đến công cụ. Đây cũng là triết lý "Tư duy trước, công cụ sau" của chương trình MDA [1].

XI. Kết luận

Dựng Agentic AI Analytics không cần code là làm được, nhưng không đồng nghĩa với dễ. Phần khó nằm ở dữ liệu sạch, semantic model rõ nghĩa, instructions cụ thể và một quy trình kiểm thử nghiêm túc. Sáu bước trong bài đi theo thứ tự đó: chuẩn bị điều kiện, nạp dữ liệu, xây semantic model, dùng Copilot, cấu hình Data Agent, điều phối và kiểm soát.

Tuần này, bạn có thể làm một việc nhỏ: chọn một báo cáo bạn hay phải xuất lặp lại, viết ra 20 câu hỏi mà đồng nghiệp thường hỏi về nó, rồi kiểm tra semantic model hiện tại đã trả lời đúng được bao nhiêu câu. Kết quả sẽ cho bạn biết nên sửa mô hình trước hay đã sẵn sàng dựng agent.

Nếu bạn muốn học theo lộ trình bài bản từ tư duy bài toán, Data Pipeline, Semantic Layer đến điều phối agent và đồ án Capstone, có thể tham khảo chương trình Agentic AI Analytics của MDA, hoặc đọc thêm các bài khác tại Blog Mastering Data Analytics.

Lưu ý: phần dưới đây giới thiệu chương trình đào tạo của Mastering Data Analytics.

📚 Bắt đầu sự nghiệp Analytics vững vàng trong kỷ nguyên AI

Mastering Data Analytics (MDA) là một trong những đơn vị đào tạo phân tích dữ liệu tại Việt Nam, mang chương trình Agentic AI Analytics đến với người học. Sau hơn 6 năm đào tạo phân tích dữ liệu, MDA đã đồng hành cùng 3.000+ học viên và 250+ doanh nghiệp lớn như Heineken, Prudential, P&G, AEON, BIDV, Coca-Cola, Unilever. Điểm khác biệt của MDA không nằm ở những lời hứa kiểu '5 phút phân tích data với ChatGPT' hay 'vibe coding dashboard'. Chúng tôi rèn đúng bộ ba tạo nên lợi thế cạnh tranh thật sự thời AI: tư duy phân tích hệ thống, chuyên môn vững chắc và năng lực điều phối AI Agents.

Nguồn tham khảo

Bình luận


bottom of page