Данные банка растут с каждым днём, и вместе с ними растёт спрос на дата-слой: регуляторные отчёты, фрод-модели, customer-360, а за последние два года — волна AI-ассистентов. Когда дата-команда просыпается с вопросом "почему этот отчёт сегодня другой?", часто нельзя ответить, какому из звеньев стека доверять. CentraQL измеряет, объясняет и защищает это доверие.
CentraQL — не движок правил
Классический подход к DQ: написать библиотеку SQL-правил, прогнать ночью, утром раскрасить дашборд. CentraQL объединяет более широкий контур в одну платформу: каталог, качество данных на контрактах, обнаружение KPI-аномалий, lineage, аудит-отчётность — плюс AI-Copilot, отвечающий на естественном языке.
Что он решает?
- Надёжность пайплайна: trust-score, нарушения контрактов, freshness и аномалии — на одном дашборде.
- Время до решения: "топ-5 самых прибыльных филиалов прошлого месяца" получает ответ от Copilot, заземлённого на семантический слой, с проверенным SQL и нарративом — без тикета в IT.
- Регуляторная совместимость: PromptAuditLog, маскирование через ColumnPolicy и профиль RegulatedFinance закрывают поверхность запроса под BDDK, KVKK и EU AI Act.
Архитектура
CentraQL — модульный монолит на .NET 9. Модули: Catalog, DataQuality, KpiAnomaly, SemanticLayer, Embeddings, Copilot, Insights, AuditAnalytics, Onboarding и Worker. Под капотом SQL Server, Qdrant для векторов, Redis для кэша. LLM-слой может работать полностью on-prem (Ollama, vLLM, TEI); по желанию доступна Anthropic Cloud за EgressGuard.
AI BI Copilot — кратко
Вопрос на естественном языке проходит управляемый 11-стадийный конвейер с полным аудитом: Guard → Intent → Retrieve (Qdrant) → Plan (LLM, QuerySpec JSON) → Validate → Synthesize (SQL) → Execute (read-only) → Mask (PII) → Chart → Narrate (LLM) → Audit. Ответ всегда проходит через семантический слой и границу каталога; sanitization (числа, валюта, итог) — в конце.
Почему это важно для банка?
Банку нужен не просто BI-дашборд, а доказуемый ответ. Слоистая дисциплина CentraQL (Trust Score + PromptAuditLog + ColumnPolicy + ComplianceProfile) делает ответ прослеживаемым на уровне регулятора. Сверху аналитик или CRO может задать вопрос на естественном языке и получить ответ за минуты, без IT-узкого места.
С чего начать?
Типичный старт:
- Discover — schema discovery и профилирование выборок по подключённым источникам.
- Contracts + Rules — первая волна на 5-10 критичных таблиц, контракты + правила; рекомендации профилирования помогают расширить набор.
- Определения KPI + пороги аномалий — 10-15 KPI на старте, threshold + z-score одновременно.
- Пилот Copilot — domain pack banking-tr или banking-en, несколько сертифицированных few-shots, фокусный двухнедельный пилот.
- Включение Audit & Compliance — профиль RegulatedFinance, EgressGuard, политики хранения.
Для живой демо CentraQL свяжитесь с нами (https://bi-art.com.tr/ru/kontakty) — поднимаем стенд с демо-данными в банковской форме под ваш сценарий. Эта статья — первая в серии в этой категории; в следующих разберём конвейер Copilot, формулу Trust Score, модели аномалий и обучение под банк через LoRA.
