بازطراحی یک انبار داده بینظم برای عاملهای هوش مصنوعی با ایجاد لایه معنایی، قابلیتهای متن-به-SQL، ارزیابی و حاکمیت، MCP و عملیات تولید. مباحثی که در این دوره پوشش داده میشوند شامل تشخیص دقیق اینکه چرا تبدیل متن به SQL با استفاده از مدلهای زبان بزرگ (LLM) خام دچار توهم میشود و چگونه با استفاده از یک سامانه ارزیابی واقعی شکست را اندازهگیری میکنیم. طراحی و نگارش یک لایه معنایی که معیارها، ابعاد، موجودیتها و گراف پیوستن را مشخص میکند تا مدل زبان را grounded کند و پیوستهای توهمآمیز را از بین ببرد. بهبود دقت Text-to-SQL از حدود ۴۰٪ به حدود ۹۰٪ از طریق grounding و مهندسی زمینه برای مخزن داده. انتخاب موتور لایه معنایی با ماتریس تصمیمگیری (dbt Semantic Layer، Cube، Snowflake Semantic Views، Databricks Metric Views، LookML) و دفاع از آن. اعمال حاکمیت در لایه معنایی بهگونهای که عاملها از RBAC، امنیت سطری و ستونی و ماسکگذاری PII به ارث برند و از کنار زدن آنها پرهیز کنند. ساخت و ایمنسازی یک سرور MCP با حاکمیت که Snowflake، dbt و Databricks را بهصورت ایمن در اختیار عاملها قرار دهد. اجرای تحلیلهای مبتنی بر عامل در تولید با ردیابی، کنترل هزینه، دفاع در برابر انحراف معنایی و یک دفترچه اجرای rollout. به کارگیری صحیح الگوهای عامل و تشخیص زمان استفاده نکردن از عامل در هرزگاهی.