Como a ontologia do Genie aprimora o AI Cowork | Demonstração do Databricks Genie One

Autoria: Databricks · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: How Genie Ontology Enhances AI Cowork | Databricks Genie One Demo · Canal: Databricks · 13:39 · Assistir no YouTube

Tópicos: Agentes de IA, Aplicações empresariais de IA, Automação de tarefas e workflows, Dados, bancos de dados e embeddings, Privacidade e proteção de dados

Resumo

Elise demonstra como usa o Genie para analisar a adoção do produto, combinando dados operacionais, documentos, tickets e conhecimento organizado pela ontologia. A ontologia ajuda o Genie a encontrar definições confiáveis, consultar dados atualizados e apresentar as fontes usadas, respeitando as permissões do Unity Catalog. A demonstração também mostra previsões, skills, tarefas agendadas e a criação de um agent especializado que pode ser compartilhado com a equipe. Por fim, o Genie responde a perguntas no Slack, mantendo o mesmo contexto, a mesma ontologia e as mesmas regras de acesso.

Pontos-chave

A ontologia combina definições de negócio, dados selecionados por pessoas e conhecimento extraído de dashboards, notebooks e consultas salvas.
O Genie consulta dados operacionais atualizados e fontes externas, como Google Drive e Jira, para responder a perguntas sobre adoção.
As citações permitem inspecionar tabelas, consultas, tickets, documentos e elementos da ontologia usados na resposta.
Metric views oferecem definições governadas de KPIs, enquanto páginas e ontology snippets registram conhecimento qualitativo e fatos do negócio.
Os ontology snippets podem ser aprendidos e avaliados automaticamente, e depois formalizados como semântica do Unity Catalog.
Previsões e análise de causa raiz podem ser solicitadas diretamente; skills permitem padronizar workflows personalizados.
O Genie pode executar ações, como enviar e-mails e abrir tickets, sob as políticas de governança do Unity gateway.
É possível agendar análises recorrentes e criar agents especializados, compartilháveis e atualizados com respostas calculadas a partir de dados ativos.
O Genie também pode ser usado no Slack, com a mesma ontologia e as mesmas permissões disponíveis na interface.

Capítulos

Início	Capítulo	Resumo
00:00	Análise de adoção e contexto da ontologia	Elise apresenta a análise de adoção e explica por que o Genie precisa combinar definições, dados operacionais e fontes externas.
03:38	Fontes, citações e confiança nos resultados	A demonstração mostra como inspecionar as fontes usadas, as permissões do Unity Catalog e os elementos governados da ontologia.
07:14	Investigação do crescimento e ações recorrentes	Elise investiga o aumento de novos usuários, solicita uma previsão e apresenta skills, ações em ferramentas externas e análises agendadas.
10:22	Criação e compartilhamento de um agent especializado	Elise transforma o contexto das conversas em um agent que pode ser compartilhado, testado, ajustado e certificado.
12:36	Uso do Genie no Slack e encerramento	O Genie responde no Slack com a mesma ontologia e permissões, concluindo a demonstração de um colega de trabalho de IA governado.

Citações

O Genie foi direto à fonte confiável. — 03:38

O Genie não está apenas fazendo buscas nem pensando apenas nos números: está combinando os dois. — 07:44

Este agent é um colega especialista que outras pessoas podem usar para fazer perguntas e realizar ações relacionadas ao desempenho do Genie. — 11:00

Em vez de fazer com que venham até o Genie, levamos o Genie até eles. — 13:08

Conceitos e entidades

Genie (ferramenta): Produto de IA do Databricks demonstrado para analisar dados, responder a perguntas e executar tarefas.
Databricks (empresa): Empresa cujo produto Genie é apresentado na demonstração.
Genie ontology (conceito): Camada de conhecimento que ajuda o Genie a interpretar conceitos de negócio, encontrar dados relevantes e usar contexto governado.
Unity Catalog (ferramenta): Sistema usado para governar o acesso a dados, arquivos e objetos compartilhados, incluindo páginas e skills.
Unity gateway (ferramenta): Camada de governança que controla o acesso a ferramentas MCP e pode aplicar políticas granulares.
MCP (conceito): Mecanismo usado nos bastidores para consultar fontes externas, como Google Drive e Jira, com dados atualizados.
ontology snippets (conceito): Fatos de negócio que o Genie aprende e avalia automaticamente a partir de fontes como dashboards.
Metric Views (conceito): Definições governadas de métricas que permitem que a organização calcule KPIs de maneira consistente.
Google Drive (ferramenta): Fonte de documentos consultada pelo Genie durante a análise demonstrada.
Jira (ferramenta): Fonte de tickets consultada pelo Genie e destino de um ticket criado na demonstração.
Slack (ferramenta): Plataforma em que o Genie responde a perguntas usando a mesma ontologia e as mesmas permissões da interface.
skills (conceito): Recursos que padronizam workflows personalizados e podem ser compartilhados como objetos do Unity Catalog.
Agent (conceito): Assistente especializado criado a partir do contexto e das orientações de conversas anteriores, que pode ser compartilhado com outras pessoas.

Tradução completa (pt-BR)

00:00 [música] Oi, pessoal. Meu nome é Elise e sou gerente de produto do Genie. Uma parte importante do meu trabalho é acompanhar a adoção do produto: o que está funcionando e o que não está. Na verdade, uso o Genie para fazer boa parte desse trabalho, com a ajuda da ontologia nos bastidores. Então, vou mostrar como isso funciona. Claro, todos os números que vocês verão foram inventados para esta demonstração, mas é assim mesmo que fazemos esse tipo de trabalho aqui na Databricks. Vou começar no aplicativo web do Genie, embora pudesse estar igualmente no aplicativo para computador

00:32 ou no aplicativo para dispositivos móveis. Como vocês podem ver, a interface é simples. Há uma caixa de chat aqui no meio. Abaixo, tenho algumas ações sugeridas. No lado esquerdo, posso consultar alguns dos meus chats anteriores, além de todos os agents e recursos disponíveis para mim. Mas já falo mais sobre isso. Vou começar perguntando sobre adoção. Parece uma pergunta simples, mas, na verdade, não é. Os usuários alternam entre a web, o computador e o celular, além do Slack, do Teams e do Genie, e o Genie precisa saber disso. Também temos um monte de dashboards desatualizados

01:05 que ficam circulando por aí, e não quero que o Genie os use. E, claro, não me preocupo apenas com a adoção do Genie. Também me preocupo com a adoção de recursos individuais, MCPs e skills, e o Genie precisa saber quais são esses recursos. E é ainda mais complicado do que isso, porque não basta saber onde estão todos esses dados no lakehouse. O Genie também precisa saber que nossos planos estão no Google Docs, nossos bugs estão no Jira e nossa equipe de campo compartilha feedback no Slack. Para responder de verdade a essa pergunta, o agent precisa

01:35 entender as definições corretas dos nossos produtos e métricas. Precisa consultar os dados certos e buscar o contexto adequado nas nossas fontes de terceiros. Então, vamos iniciar o Genie. Vocês vão notar que, apesar de toda essa complexidade, dei a ele um prompt bem simples. Só pedi que criasse a análise seguindo um modelo padronizado usado por todas as equipes da Databricks. Isso porque o Genie já tem uma boa noção de como gosto de escrever esse tipo de documento, pois já fiz isso antes. E também vai

02:05 ser muito bom em lidar com todas as nuances que acabei de descrever, porque habilitamos a ontologia. E posso até acompanhar o raciocínio do Genie enquanto ele trabalha. Posso clicar aqui. Parece que começou com alguns recursos de dados potencialmente relevantes e depois consultou a ontologia. Está examinando algumas das nossas páginas e também alguns trechos da nossa ontologia. Mais uma vez, está combinando o contexto que selecionamos manualmente com o que aprendeu com nossos dashboards, notebooks e

02:36 consultas SQL salvas. Acho que vi um trecho do GitHub. Sim, isso é o Genie consultando o índice de busca, para que o grafo de contexto possa abranger nossos dados próprios e de terceiros, depois de passar pela ontologia. Parece que também consultou alguns desses dados em tempo real. Encontrou alguns documentos no Google Drive, buscou alguns tickets no Jira e, como isso usa MCP nos bastidores, todos esses dados estarão superatualizados. Por fim, executou um pouco de SQL em tabelas que parecem conter dados de uso. E

03:07 com isso, eu já tinha um documento pronto antes mesmo de terminar de falar sobre o registro do raciocínio. Como vocês podem ver, é muito completo. Há algumas visualizações interessantes. Ele sabe destacar os pontos sobre os quais vou perguntar, além de alguns destaques positivos e negativos, tickets e recomendações. Percebo que também está escrevendo de forma bem concisa, provavelmente porque já salvei uma memória pessoal pedindo ao Genie que escreva em um estilo específico quando crio documentos. E posso

03:38 até ver isso se clicar nas citações: faz parte da minha memória pessoal. E reparem que o Genie fez tudo isso bem rápido. Em vez de avançar por um loop agentic de tentativa e erro e gastar muitos tokens no processo, o Genie foi direto à fonte da verdade. É a ontologia do Genie em ação. Agora, quero destacar uma coisa: tudo o que aparece aqui são dados aos quais eu já tenho acesso. Não existe um modelo de acesso separado e específico do Genie para cada

04:08 fonte que vocês veem aqui. O Genie aplicou nossas permissões por meio do Unity Catalog. Então, só vejo as tabelas e os arquivos aos quais tenho acesso, ou os e-mails da minha caixa de entrada. O mesmo vale para os trechos da ontologia criados com base nos nossos dados. Isso é ótimo. Mas como sei que posso confiar no resultado? Para isso, vou examinar melhor estas citações. Aqui está tudo o que o Genie realmente usou para realizar minha tarefa. Novamente, vemos tabelas, consultas, tickets e documentos. Também podemos ver que ele acabou usando várias partes

04:39 da ontologia. Por exemplo, acho que vi algumas metric views no registro do raciocínio. E, como Chad mencionou, metric views são KPIs certificados. Elas permitem criar uma definição governada para algo como usuários ativos semanais, para que a empresa inteira faça a contagem da mesma maneira. As páginas que vejo aqui também são o equivalente qualitativo: basicamente, um conjunto de wikis governadas no Unity Catalog. Parece que o Genie usou algumas daquelas páginas que vi antes no registro do raciocínio. Não é surpreendente, já que o Genie

05:10 costuma priorizar os recursos certificados por uma pessoa antes de explorar outros. E, se eu clicar em um deles, posso ver que minha colega Rea parece ter acrescentado muitos detalhes sobre as várias interfaces do Genie. Não é de surpreender que o Genie tenha encontrado algo útil ali. E vocês podem ver que há muitos dados ricos. Por isso, é difícil, se não impossível, tentar organizar manualmente cada conceito para toda a empresa. É por isso que também temos trechos da ontologia. São fatos

05:40 sobre nosso negócio que o Genie aprendeu e avaliou automaticamente. Neste caso, parece que temos um trecho sobre excluir espaços de trabalho internos. Há também um trecho sobre como diferenciamos um usuário novo de um usuário recorrente. E há outro sobre como definimos a ativação de usuários. Nossa equipe de ciência de dados tem trabalhado bastante com crescimento ultimamente, então aposto que esse trecho vem desse trabalho. Mas vamos clicar nele para saber mais. Aqui posso ver a definição completa do trecho. Estamos analisando a proporção de

06:12 usuários provisionados recentemente que ficam ativos por dois ou mais dias durante a primeira semana. Faz sentido. E, sim, parece que o Genie extraiu esse trecho de um dashboard criado pelo nosso colega Jeffrey. E ele realmente é o cientista de dados que está trabalhando no crescimento do Genie. Isso é realmente especial. Imaginem todas as equipes da Databricks que provavelmente estão criando dashboards relacionados ao uso de seus produtos específicos. O Genie encontrou o dashboard certo para a nossa equipe. E, com essa pontuação de autoridade tão alta, fica claro que o ranking da ontologia parece até saber

06:42 que Jeffrey é um dos usuários em quem mais confiamos, provavelmente com base no histórico dele como cientista de dados e também na rapidez com que esse dashboard está ganhando popularidade. Assim, quando Jeffrey faz um ótimo trabalho, toda a equipe se beneficia, mesmo antes de esses conceitos serem formalizados como semântica do Unity Catalog. Claro, a equipe de dados também pode formalizar alguns desses trechos, se quiser. Assim, pode promovê-los facilmente para UC Semantics com o Genie Code. Agora, se quiser conferir mais uma vez a autoridade sobre esse assunto, posso clicar no

07:14 perfil dele. Aqui vejo que ele interagiu com vários dos domínios importantes para a nossa equipe. Um domínio é apenas uma tag que agrupa recursos de forma lógica. Ele restringe o espaço de busca do Genie, o que ajuda a otimizar a latência e o custo. Também posso clicar nos trechos da ontologia e vejo que o Genie realmente extraiu muitos trechos da ontologia do trabalho de Jeffrey. Posso clicar neles e saber mais. Mas, de modo geral, sei que posso confiar nessa primeira resposta. Só tenho uma pergunta complementar: por que os usuários novos

07:44 crescido tanto nos últimos meses? Vamos perguntar ao Genie. Esse tipo de trabalho só é realmente possível porque o Genie calcula os resultados com base nos nossos dados operacionais em tempo real. Em contraste, muitos agents genéricos apenas recitam informações que já estão em um documento, mas não existe um documento com os números desta semana. É por isso que estou perguntando ao Genie. Então, o Genie não está apenas fazendo buscas nem pensando apenas nos números: ele está combinando o poder dos dois.

08:17 E parece que temos um resultado. O aumento é bastante amplo. Parece que há dezenas de contas adicionando novos usuários. Há alguns meses, lançamos os apps do Genie para Teams e Slack, e isso parece estar relacionado. Eles agora são as plataformas com crescimento mais rápido, porque tendem a levar à adoção por muitos grupos de usuários. Então, o crescimento está acontecendo mais rapidamente do que antes. Faz sentido. Se isso for real, a próxima coisa que quero saber é para onde estamos indo. Vou pedir ao Genie que faça uma previsão rápida e acrescente algumas recomendações.

08:48 Essa previsão normalmente levaria um tempo para eu fazer manualmente, mas a previsão e a análise de causa raiz já vêm integradas ao Genie, então basta pedir. Mas e uma análise totalmente personalizada para a nossa equipe? Por exemplo, talvez criemos um scorecard padronizado de lançamento. Sabe, toda vez que lançamos um recurso, ele avalia as primeiras semanas em relação à curva de adoção dos nossos lançamentos anteriores. É para isso que servem as skills. Elas executam o mesmo workflow de forma consistente. E, depois de criar uma skill, também posso compartilhá-la com meus

09:18 colegas de equipe, para que eles também possam aproveitá-la. E, claro, uma skill compartilhada é simplesmente um objeto do Unity Catalog. Assim, voltamos àquela governança centralizada. Muito bom. Agora tenho minha previsão. Com isso, acho que estou pronto para enviar tudo à nossa equipe executiva e responder a quaisquer perguntas que possam ter. Também vou abrir um ticket para promover os apps do Teams e do Slack para GA, já que essa versão beta está claramente

09:50 funcionando. Então, o Genie está escrevendo no Gmail e no Jira em meu nome, usando minhas credenciais. Nos bastidores, tudo isso é governado pelo Unity Gateway. Nossos administradores podem decidir quais usuários e grupos têm acesso a quais ferramentas MCP e até definir políticas supergranulares, por exemplo, bloqueando gravações em canais específicos do Slack. Não quero ter que pedir essas análises de acompanhamento toda semana. Então, vou pedir ao Genie que investigue anomalias proativamente sempre que eu fizer esse tipo de análise.

10:22 Também não quero ter que me lembrar de executar isso toda semana. E, por exemplo, talvez eu queira que isso aconteça quando estiver fora do escritório. Então, vou programar a execução. É claro que essa análise de adoção não é a única ocasião em que as pessoas me perguntam sobre a adoção do Genie. Então, também vou transformar isso em um agent que possa responder a perguntas sobre o assunto usando o contexto não só desta conversa, mas também de outras conversas recentes que tive sobre o crescimento do Genie.

11:00 Vou dar ao meu agent o nome de Great. Pronto, agora tenho um agent. Este é um colega de trabalho especialista que outras pessoas podem usar para fazer perguntas e tomar medidas relacionadas ao desempenho do Genie. E, ao contrário de um documento de OKRs, que pode ficar desatualizado bem rápido, este agent permanece atualizado e consegue calcular respostas em tempo real.

11:32 E, para isso, vou compartilhar com os outros PMs. Agora vou testá-lo. Vou abrir o agent. Como podem ver, vou poder conversar diretamente com ele. Este agent herdou o contexto e as orientações que dei ao Genie na conversa anterior. Então, quando eu fizer uma dessas perguntas de exemplo, não precisarei especificar de qual produto estamos falando, porque o agent já foi personalizado para esse tema. E, de forma mais ampla, vocês provavelmente conseguem imaginar como

12:03 outras equipes poderiam usar algo assim. Pensem em qualquer pessoa que receba muitas perguntas. Sabe, equipes de TI, RH e finanças. Agora, todos na organização podem criar e colaborar com esses colegas de trabalho especialistas em um único lugar. A partir daqui, posso gerenciar o agent ainda mais. Talvez eu queira restringir o escopo. Quero aprimorar as instruções. Também posso certificá-lo. Assim, quando eu acessar a página da lista de agents, vou vê-lo marcado como certificado, e o Genie Ontology vai priorizá-lo. Agora, só mais uma coisa. Tudo o que acabei de fazer começou no app do Genie, mas muitos

12:36 dos meus colegas de equipe passam o dia no Slack. Então, vou voltar ao meu canal de demonstração e fazer mais uma pergunta ao Genie. Agora, o Genie está respondendo diretamente nesta conversa do Slack, usando a mesma ontologia e as mesmas permissões que teria na interface. Provavelmente também vai precisar fazer uma busca na web para encontrar os benchmarks do setor que pedi. E, sinceramente, esse é um dos meus recursos favoritos. A maioria dos meus colegas de equipe não vai sair do Slack para abrir outro app. Eles ficam aqui o dia todo, todos os dias. Então, em vez de fazê-los vir até o Genie, nós

13:08 levamos o Genie até eles. É o mesmo cérebro. É a mesma ontologia, a mesma estrutura de permissões, tudo contextualizado. Pronto. Em apenas alguns minutos, me preparei para uma análise executiva. Fiz uma previsão de para onde nosso produto está indo. Dei início a novos trabalhos. E ensinei o Genie a fazer tudo isso com ainda mais eficiência no futuro, sem que eu

13:39 precise estar sempre envolvido. Isso é um colega de trabalho de IA de alta qualidade. E só é possível porque o Genie entende nosso negócio por meio da ontologia. Ele calcula resultados em vez de apenas recitar documentos. E aplica a governança da nossa organização ao longo do processo. Incentivamos vocês a testar isso com seus próprios dados e compartilhar feedback enquanto continuamos a moldar juntos este roadmap.

Transcrição original

[00:00] [music] Hi everyone, my name is Elise and I’m a product manager for Genie. And a big part of my job is keeping a pulse on the product’s adoption. You know, what’s working, what’s not, and I actually use Genie to do a lot of that work powered by the ontology behind the scenes. So, I’m going to walk you through it. Of course, every number that you’ll see is completely made up for this demo, but this is really how we do this kind of work here at Data Bricks. So, I’m starting in the Genie1 web app, though I could just as easily be in the desktop

[00:32] or or mobile app. And as you can see, it’s a simple interface. There’s a chat box here in the middle. I’ve got some suggested actions down below. On the left side, I can look at some of my prior chats as well as all the agents and the assets that are available to me. But more on that in just a second. I’m going to start by asking about adoption. And that sounds like a simple question, but it’s actually not. users move between web and desktop and mobile, Slack, Teams, and Genie needs to know that. We also have a bunch of outof-date

[01:05] dashboards that are just flowing around and I don’t want Genie to pick those up. And of course, I don’t just care about Genie adoption. I also care about individual feature adoption, MCPS, skills, and Genie needs to know what those features are. And it’s even more complicated than that because it’s not just about knowing where all that data is in the lakehouse. G also needs to know that our plans live in Google Docs and our bugs live in Jira and our field team shares feedback on Slack. So to really answer this, the agent needs to

[01:35] understand the right definitions of our products and our metrics. It needs to query the right data and it needs to pull the right context from our third party sources. So with that, let’s get Genie started. You’ll notice that in spite of all that complexity, I gave it a really simple prompt. I just asked it to create the review with a standardized template that every team uses at datab bricks. That’s because Genie already has a good sense for how I like to write these kinds of docs because I’ve already done it in the past. And it’s also going

[02:05] to be really good at navigating all those nuances that I just laid out because we have the ontology enabled. And I can actually see that thinking as Genie works. I can click in here. Looks like it started with some potentially relevant data assets and then it went into the ontology. It’s looking at some of our pages as well as some of our ontology snippets. Again, it’s combining the context that we curated by hand with whatever it’s learned from our dashboards and our notebooks and our

[02:36] saved SQL queries. And I think I saw a snippet from GitHub. Yes, that’s actually Genie reaching into the search index so that the context graph can span our first party and third-party data after it went through the ontology. Looks like it also did query some of that data live. So, it found some documents in Google Drive, pulled some tickets in Jira, and because that’s using MCP behind the scenes, all that data is going to be super fresh. And then finally, it ran some SQL against what looks like our usage tables. And

[03:07] with that, I already had a dock before I could even finish talking about the thinking trace. And as you can see, it’s it’s super robust. There’s some nice visualizations. It knows to click in on the things that I’m going to ask about, some highlights, some low lightss, tickets, recommendations. I notice that it’s also writing really concisely and that’s probably because I’ve already saved some personal memory asking Genie to write in a particular style when I create docs. And I can

[03:38] actually see that if I click into the citations, it’s part of my personal memory. And notice that Genie did all of that fairly quickly. You know, rather than grinding through an agentic loop of trial and error and eating up a lot of tokens along the way, Genie just went straight to the ground truth. That is really the genie ontology at work. Now, one thing I do want to call out is that everything here is data that I already have access to. There’s no separate genie specific access model for every

[04:08] source that you see here. Genie enforced our permissions through Unity catalog. So, I only see, you know, the tables and files that I have access to or the emails in my inbox. And the same goes for the ontology snippets that are built on top of our data. So, that’s awesome. But how do I know that I can actually trust it? For that, I’m going to dig further into these citations. This is everything that Genie actually used to handle my task again, we see tables, queries, tickets, and docs. We can also see that it ended up using several parts

[04:39] of the ontology. So, for example, I think I saw in the thinking trace there were some metric views. And as as Chad mentioned, metric views are certified KPIs. They allow you to create one governed definition for something like, you know, weekly active users. So the whole company counts it in the same way. The pages that I see here are also the they’re kind of the qualitative equivalent essentially a set of governed wikis in Unity catalog. And it looks like Genie did use some of those pages that I saw earlier in the thinking trace. That’s not surprising since Genie

[05:10] often favors the assets that a human has certified before it explores. And if I click into one of these, I can see that, you know, my teammate Rea seems to have added a bunch of details about the various Genie surfaces. So, not surprising that Genie ended up finding some value in this. And you can see that this is a lot of rich data. So, it’s hard, if not impossible, to try to curate every concept for the whole company by hand. And that’s why we also have ontology snippets. These are facts

[05:40] about our business that Genie has learned and evaluated automatically. And in this case, it looks like we have a snippet about excluding internal workspaces. Uh there’s a snippet about how we differentiate a new user from a returning one. And there’s a snippet for how we define user activation. Now, our data science team has been doing a bunch of work on growth lately, so I bet that this snippet comes from that work. But let’s click on it to find out more. Here I can see the full definition of the snippet. We’re looking at the share of

[06:12] newly provisioned users who are active for two or more days in their first week. Makes sense. And yes, it does look like Genie pulled this snippet from a dashboard that was authored by our colleague Jeffrey. And he is indeed the data scientist who’s working on Genie growth. And that’s actually super special. Imagine all the different teams at data bicks that are probably building dashboards related to the usage of their individual products. Genie found the right one for our team. And and with this really high authority score, it’s clear that onto rank even seems to know

[06:42] that Jeffrey is one of our more trusted users, probably based on, you know, his track record as a data scientist, as well as how fast this dashboard is climbing in popularity. So when Jeffrey does great work, the whole team benefits even before they’ve codified these concepts as Unity catalog semantics. Of course, the data team can also formalize some of these snippets if they’d like to. so they can easily promote them to UC Semantics with Genie Code. Now, if I want to triple check authority on this topic, I can always click into his

[07:14] profile. And here I’m seeing that he’s engaged with several of the domains that our team cares about. A domain is just a tag that groups assets logically. And it marrows Genie search space, which helps to optimize latency and cost. I can also click into the ontology snippets, and I see that Genie’s actually pulled a ton of ontology snippets from Jeffrey’s work. I can click in, I can learn more. But in general, I know I can trust this first pass. But I do have one follow-up question. You know, why did new users

[07:44] spike so much in the past few months? Let’s ask Genie. Now, this kind of work is really only possible because Genie is computing the results based on our live operational data. In contrast, a lot of generic agents are are just reciting information that already lives in a document, but there’s no document with this week’s numbers. That’s the whole reason I’m asking Genie. So, Genie is not only doing search and it’s not only thinking about numbers, but it’s really combining the power of both.

[08:17] And it looks like we have a result. The spike is pretty broad. Looks like there’s dozens of accounts and they’re adding new users. A few months ago, we opened the Genie apps for both Teams and Slack and that seems like it might be correlated. They’re now our fastest growing surfaces because it tends to lead to a lot of groups of users adopting. So growth is happening more quickly than before. It makes sense. So if it’s real, the next thing I want to know is where it’s going. So I’m going to ask Genie to do a quick forecast and add any recommendations.

[08:48] That forecast would normally take me a while to model by hand, but forecasting and and root cause analysis are built right into Genie, so I can just ask. But what about an analysis that’s totally custom to our team? For example, maybe we build a a standardized launch scorecard. You know, every time we ship a feature, it grades the first few weeks against an adoption curve of our past launches. Well, that’s what skills are for. It runs the same workflow consistently. And once I’ve created a skill, I can also share it with my

[09:18] teammates so that they can take advantage, too. And of course, a shared skill is simply a Unity catalog object. are always going back to that nice centralized governance. Nice. Now I have my forecast. With that, I think I’m ready to send this out to our exec team and answer any questions that they might have. I’m also going to open a ticket to graduate the Teams and Slack apps to G since that beta is is

[09:50] clearly working. So, Genie is writing to Gmail and Jira as me with my credentials. So, behind the scenes, this is all governed via Unity gateway. Our admins can decide which users and groups get access to, you know, which MCP tools, and they can even set super granular policies, for example, blocking rights to particular Slack channels. Now, I don’t want to have to ask for these follow-up analyses every week. So, I’m going to ask Genie to always investigate anomalies proactively when I’m doing this kind of reveal.

[10:22] I also don’t want to have to remember to run this every week. And for example, I might want this to happen when I’m out of office. So, I’m going to put this on a schedule. Of course, this adoption review isn’t the only time people ask me about Genie adoption. So, I’m also going to turn this into an agent that can answer questions about it using the context from not only this conversation, but also the other conversations that I’ve recently had about Jeanie’s growth.

[11:00] I’m going to name my agent Great. Now I have an agent. This is an expert co-worker that other people can use to ask questions and take action related to Genie’s performance. And unlike an OKR doc that’s going to go stale pretty quickly, this agent remains up toate and can compute answers live.

[11:32] And to that end, I’m actually going to share this with the other PMS. And now I’m going to test it. I’m going to click into the agent. And as you can see, I’m going to be able to chat directly with it. This agent has inherited the context and the guidance that I gave Genie in the last conversation. So when I ask one of these sample questions, I’m not going to have to specify what product we’re talking about because the agent is already customized to this topic. And more broadly, you can probably imagine how

[12:03] other teams might use something like this. Think about anyone who fields a ton of questions. You know, IT, HR, finance. Now, everyone in the organization can create and collaborate on these expert co-workers in one single place. From here, I can I can further manage the agent. Maybe I want to tighten the scope. I want to sharpen the instructions. I can also certify it. So, when I go to the agents list page, I’ll see it marked as certified and the Geneontology will prioritize it. Now, one last thing. Everything that I just did started in the Genie app, but a lot

[12:36] of my teammates live in Slack. So, I’m going to hop over here into my demo channel and ask Genie one last question. Genie is now answering right inside this Slack thread using the same ontology and the same permissions as if I were in the UI. It’s probably also going to have to do a web search uh to get those industry benchmarks that I asked for. And this is honestly one of my favorite features. Most of my teammates aren’t going to leave Slack to open up another app. They’re in here all day, every day. So instead of making them come to Genie, we

[13:08] bring Genie to them. It’s the same brain. It’s the same ontology, the same permission structure, all in context. There we have it. So, in just a few minutes, I prepped for an exec review. I forecasted where our product’s going. I kicked off some new work. And I taught Genie how to do all of this even more effectively for the future without me

[13:39] always having to be in the loop. That is a highquality AI coworker. And it’s only possible because Genie understands our business through the ontology. It computes results instead of just reciting docs. And it enforces our organization’s governance along the way. We’d encourage you to try this on your own data and share your feedback as we continue to shape this road map together.