Data Insights and Visualization Engine

Kontext

Dashboards stehen im Zentrum vieler Arbeitsprozesse, doch ihre Erstellung bleibt an Engineering-Teams gebunden, und Template-Tools wie Power BI opfern genau die Flexibilität, die Domain-Experten brauchen. DIVE löst diesen Engpass: Es ermöglicht Nicht-Entwicklern, ein vollständig individualisiertes Dashboard allein durch Beschreiben zu erstellen. User verbinden sich mit einem Knowledge Graph, wählen und filtern Daten in natürlicher Sprache – etwa die CO₂-Emissionen von Deutschland und Frankreich von 2014 bis 2023 – und generieren Panels (Tabellen, Charts und Formulare) im Dialog mit der Engine, bis jedes Panel passt. Fertige Panels fließen in einen geteilten, wiederverwendbaren Katalog und fügen sich zu einem live deployten Dashboard zusammen. Die Architektur ist hybrid neuro-symbolisch mit einem Retrieval-Augmented-Generation-Kern: Die symbolische Seite übersetzt die Absicht in präzise Queries und liefert dem Modell exakt den nötigen Code-Kontext, sodass die generierten UI-Komponenten korrekt und konsistent entstehen statt improvisiert. Ich habe DIVE mit genau den Menschen gestaltet und evaluiert, für die es gedacht ist – Einkaufs- und Nachhaltigkeitsfachleuten sowie Domain-Experten – und über alle Erfahrungsstufen hinweg lösten sie analytische Aufgaben, die sie sonst ans Engineering abgeben würden, empfanden das System als sehr gut nutzbar bei geringem Aufwand und hoben reale Zeit- und Kostenersparnisse hervor. Der eigentliche Beitrag ist die Demokratisierung von Daten: Menschen, die keine Query schreiben können, erhalten individuelle, kontextbezogene Visualisierungen, ohne Code anzufassen – und derselbe Ansatz lässt sich von Knowledge Graphs auf relationale Datenbanken übertragen.