OpenAI च्या इन-हाऊस डेटा एजंटमध्ये

डेटा प्रणाली कसे शिकतात, उत्पादने कशी विकसित होतात आणि कंपन्या कसे निर्णय घेतात याला सामर्थ्य देतो. पण उत्तरं लवकर, अचूक आणि योग्य संदर्भासह मिळवणे अनेकदा जितके सोपे असायला हवे तितके कठीण असते. OpenAI च्या विस्तारासोबत हे अधिक सोपे करण्यासाठी, आम्ही आमचा स्वतःचा खास इन-हाऊस AI डेटा एजंट तयार केला आहे, जो आमच्या प्लॅटफॉर्मचा शोध घेतो आणि त्यावर विचार करतो.

आमचा एजंट हे केवळ अंतर्गत वापरासाठीचे सानुकूल साधन आहे (बाह्य ऑफरिंग नाही), जे OpenAI च्या डेटा, परवानग्या आणि कार्यप्रवाहांभोवती विशेषतः तयार केलेले आहे. आम्ही ते कसे तयार केले आणि वापरतो हे दाखवत आहोत, जेणेकरून आमच्या संघांमध्ये दैनंदिन कामाला समर्थन देण्यासाठी AI कसे वास्तविक आणि प्रभावी पद्धतीने मदत करू शकते याची उदाहरणे समोर आणता येतील. ते तयार करण्यासाठी आणि चालवण्यासाठी आम्ही वापरलेली OpenAI साधने (Codex, आमचे GPT‑5 फ्लॅगशिप मॉडेल, Evals API⁠(नवीन विंडोमध्ये उघडेल), आणि Embeddings API⁠(नवीन विंडोमध्ये उघडेल)) हीच साधने आम्ही सर्वत्र विकसकांसाठी उपलब्ध करून देतो.

आमचा डेटा एजंट कर्मचाऱ्यांना प्रश्नांपासून अंतर्दृष्टीपर्यंत काही मिनिटांत पोहोचू देतो, दिवसांमध्ये नाही. यामुळे केवळ आमच्या डेटा संघाकडूनच नाही, तर सर्व कार्यांमध्ये डेटा मिळवणे आणि सूक्ष्म विश्लेषण करणे अधिक सोपे होते. आज, OpenAI मधील इंजिनिअरिंग, डेटा सायन्स, गो-टू-मार्केट, वित्त आणि संशोधन विभागातील संघ महत्त्वपूर्ण डेटा प्रश्नांची उत्तरे देण्यासाठी एजंटवर अवलंबून असतात. उदाहरणार्थ, नैसर्गिक भाषेच्या सहज समजणाऱ्या स्वरूपात, लॉन्चचे मूल्यांकन कसे करावे आणि व्यवसायाच्या आरोग्याची समज कशी घ्यावी यासारख्या प्रश्नांची उत्तरे देण्यात ते मदत करू शकते. एजंट Codex-चालित टेबल-स्तरीय ज्ञानाला उत्पादन आणि संस्थात्मक संदर्भासोबत एकत्र करतो. त्याची सतत शिकणारी मेमरी प्रणाली म्हणजे ती प्रत्येक वळणासोबत सुधारते.

या पोस्टमध्ये, आम्ही सानुकूल AI डेटा एजंटची आवश्यकता का होती, त्याचा कोड-समृद्ध डेटा संदर्भ आणि स्व-शिक्षण इतके उपयुक्त का आहे, आणि या प्रवासात आम्ही कोणते धडे शिकलो याचे विश्लेषण करू.

OpenAI चे डेटा प्लॅटफॉर्म अभियांत्रिकी, उत्पादन आणि संशोधन या क्षेत्रांमध्ये कार्यरत असलेल्या 3.5k हून अधिक अंतर्गत वापरकर्त्यांना सेवा पुरवते, आणि 70k हून अधिक डेटासेटमध्ये पसरलेल्या 600 पेटाबाइट्सपेक्षा जास्त डेटाचा विस्तार करते. त्या आकारात, विश्लेषण करताना योग्य टेबल शोधणे हे सर्वात वेळखाऊ भागांपैकी एक असू शकते.

जसे एका अंतर्गत वापरकर्त्याने म्हटले:

“आमच्याकडे बरेच टेबल्स आहेत जे बऱ्यापैकी सारखे आहेत, आणि ते कसे वेगळे आहेत आणि कोणते वापरायचे हे समजून घेण्याचा प्रयत्न करण्यात मी खूप वेळ घालवतो. काहींमध्ये लॉग-आऊट वापरकर्ते समाविष्ट आहेत, तर काहींमध्ये नाहीत. "काहींमध्ये एकमेकांवर ओव्हरलॅप होणारी क्षेत्रे आहेत; काय काय आहे हे ओळखणे कठीण आहे.”

योग्य तक्ते निवडले असतानाही, योग्य निकाल तयार करणे कठीण ठरू शकते. विश्लेषकांनी टेबल डेटा आणि टेबल संबंधांबद्दल विचार करून रूपांतरे आणि फिल्टर्स योग्यरित्या लागू होत आहेत याची खात्री करणे आवश्यक आहे. सामान्य अपयश प्रकार—अनेक-ते-अनेक जॉइन्स, फिल्टर पुशडाउन त्रुटी, आणि न हाताळलेले नल्स—परिणामांना गुपचूप अवैध ठरवू शकतात. OpenAI च्या प्रमाणावर, विश्लेषकांनी SQL सेमॅंटिक्स किंवा क्वेरी कार्यक्षमता डिबग करण्यात वेळ घालवू नये: त्यांचे लक्ष मेट्रिक्स परिभाषित करणे, गृहितकांची पडताळणी करणे, आणि डेटा-आधारित निर्णय घेणे यावर असावे.

चला, तुमच्या एजंटचे स्वरूप, तो संदर्भ कसा तयार करतो आणि स्वतःला कसा सतत सुधारतो हे पाहूया.

आमचा एजंट GPT‑5.2 द्वारे समर्थित आहे आणि OpenAI च्या डेटा प्लॅटफॉर्मवर विचार करण्यासाठी डिझाइन केलेला आहे. हे कर्मचारी आधीच जिथे काम करतात तिथेच उपलब्ध आहे: Slack एजंट म्हणून, वेब इंटरफेसद्वारे, IDEs मध्ये, Codex CLI MCP द्वारे⁠(नवीन विंडोमध्ये उघडेल), आणि थेट MCP कनेक्टरद्वारे OpenAI च्या अंतर्गत ChatGPT ॲपमध्ये⁠(नवीन विंडोमध्ये उघडेल).

वापरकर्ते जटिल, खुल्या स्वरूपाचे प्रश्न विचारू शकतात, ज्यासाठी सामान्यतः मॅन्युअल अन्वेषणाच्या अनेक फेऱ्या आवश्यक असतात. हा उदाहरण प्रॉम्प्ट घ्या, जो चाचणी डेटा सेट वापरतो: “NYC टॅक्सी प्रवासांसाठी, कोणत्या पिकअप-टू-ड्रॉपऑफ ZIP जोड्या सर्वात अविश्वसनीय आहेत, ज्या सामान्य आणि सर्वात वाईट-केस प्रवास वेळांमधील सर्वात मोठे अंतर दर्शवतात, आणि ती बदलतीपणा कधी घडतो?”

एजंट विश्लेषण एंड-टू-एंड हाताळतो, प्रश्न समजून घेण्यापासून डेटा एक्सप्लोर करण्यापर्यंत, क्वेरीज चालवणे आणि निष्कर्षांचे संश्लेषण करणे.

एजंटच्या सुपरपॉवर्सपैकी एक म्हणजे तो समस्यांमधून विचारपूर्वक निर्णय कसा घेतो. निश्चित स्क्रिप्टचे अनुसरण करण्याऐवजी, एजंट स्वतःच्या प्रगतीचे मूल्यांकन करते. जर एखादा मधला परिणाम चुकीचा दिसत असेल (उदा., चुकीच्या जोडणी किंवा फिल्टरमुळे त्यात शून्य पंक्ती असतील), तर एजंट काय चूक झाली ते तपासतो, तुम्हाला दृष्टिकोन समायोजित करतो, आणि पुन्हा प्रयत्न करतो. या प्रक्रियेदरम्यान, हे पूर्ण संदर्भ कायम ठेवते आणि टप्प्यांदरम्यान शिकलेले पुढे नेते. ही क्लोज्ड-लूप, स्व-शिकणारी प्रक्रिया पुनरावृत्ती वापरकर्त्याकडून एजंटमध्येच हलवते, ज्यामुळे मॅन्युअल कार्यप्रवाहांपेक्षा जलद परिणाम आणि सातत्याने उच्च-गुणवत्तेची विश्लेषणे मिळतात.

एजंट संपूर्ण विश्लेषण कार्यप्रवाह कव्हर करतो: डेटा शोधणे, SQL चालवणे, आणि नोटबुक्स व अहवाल प्रकाशित करतो. ते अंतर्गत कंपनीचे ज्ञान समजते, बाह्य माहितीसाठी वेबवर शोध घेऊ शकते, आणि शिकलेल्या वापर व स्मृतीद्वारे कालांतराने सुधारते.

उच्च-गुणवत्तेची उत्तरे समृद्ध, अचूक संदर्भावर अवलंबून असतात. संदर्भाशिवाय, अगदी मजबूत मॉडेल्सही चुकीचे परिणाम देऊ शकतात, जसे की वापरकर्त्यांची संख्या मोठ्या प्रमाणात चुकीची मोजणी करणे किंवा अंतर्गत संज्ञांचा चुकीचा अर्थ लावणे.

या अपयश पद्धती टाळण्यासाठी, एजंटची रचना अनेक स्तरांच्या संदर्भांभोवती केली आहे, जे त्याला OpenAI च्या डेटामध्ये आणि संस्थात्मक ज्ञानामध्ये आधार देतात.

• मेटाडेटा ग्राउंडिंग: एजंट SQL लिहिण्यासाठी स्कीमा मेटाडेटा (कॉलम नावे आणि डेटा प्रकार) वर अवलंबून असतो आणि विविध तक्ते कसे संबंधित आहेत याचा संदर्भ देण्यासाठी टेबल वंशावळ (उदा., अपस्ट्रीम आणि डाउनस्ट्रीम टेबल संबंध) वापरतो.
• क्वेरी अनुमान: ऐतिहासिक क्वेरींचा समावेश केल्याने एजंटला स्वतःच्या क्वेरी कशा लिहायच्या आणि कोणते टेबल्स सहसा एकत्र जोडले जातात हे समजण्यास मदत होते.

• डोमेन तज्ज्ञांनी दिलेली तक्ते आणि स्तंभांची क्युरेट केलेली वर्णने, जी उद्देश, अर्थ, व्यावसायिक अर्थ, आणि स्कीमा किंवा मागील क्वेरीजमधून सहज अनुमान न करता येणाऱ्या ज्ञात चेतावण्या टिपतात.

फक्त मेटाडेटा पुरेसा नाही. टेबल्समधील खरा फरक ओळखण्यासाठी, त्यांची निर्मिती कशी झाली आणि त्यांचे मूळ कुठे आहे हे समजून घेणे आवश्यक आहे.

• टेबलची कोड-स्तरीय व्याख्या तयार करून, एजंटला डेटा प्रत्यक्षात काय समाविष्ट करतो याची अधिक सखोल समज मिळते. 
  • टेबलमध्ये काय साठवले जाते आणि ते अ‍ॅनालिटिक्स इव्हेंटमधून कसे व्युत्पन्न केले जाते यावरील सूक्ष्मता अतिरिक्त माहिती प्रदान करते. उदाहरणार्थ, हे मूल्यांच्या अद्वितीयतेबद्दल संदर्भ देऊ शकते, टेबल डेटा किती वेळा अद्ययावत केला जातो, डेटाची व्याप्ती (उदा., जर टेबल काही फील्ड्स वगळत असेल, तर त्यात इतक्या स्तराची सूक्ष्मता आहे), इत्यादी.
• हे Spark, Python आणि इतर डेटा प्रणालींमध्ये SQL च्या पलीकडे टेबल कसे वापरले जाते हे दाखवून वापराचा संदर्भ अधिक समृद्ध करते.
• याचा अर्थ असा की एजंट समान दिसणाऱ्या पण महत्त्वाच्या बाबींमध्ये वेगळ्या असलेल्या सारण्यांमधील फरक ओळखू शकतो. उदाहरणार्थ, एखाद्या टेबलमध्ये फक्त फर्स्ट-पार्टी ChatGPT ट्रॅफिक समाविष्ट आहे की नाही हे ते ओळखू शकते. हा संदर्भ आपोआप अद्ययावत केला जातो, त्यामुळे तो हाताने देखभाल न करता अद्ययावत राहतो.

• एजंट Slack, Google Docs, आणि Notion मध्ये प्रवेश करू शकतो, जे लॉन्चेस, विश्वासार्हता घटना, अंतर्गत कोडनेम्स आणि साधने, तसेच प्रमुख मेट्रिक्ससाठी कॅनॉनिकल व्याख्या आणि गणना लॉजिक यांसारख्या महत्त्वाच्या कंपनी संदर्भांना कॅप्चर करतात.
• हे दस्तऐवज इनजेस्ट केले जातात, एम्बेड केले जातात आणि मेटाडेटा आणि अनुमतिपूर्ण परवानग्यांसह साठवले जातात. रिट्रीव्हल सेवा रनटाइममध्ये प्रवेश नियंत्रण आणि कॅशिंग हाताळते, ज्यामुळे एजंटला ही माहिती कार्यक्षमतेने आणि सुरक्षितपणे मिळवता येते.

• जेव्हा एजंटला दुरुस्त्या दिल्या जातात किंवा काही डेटा प्रश्नांबाबत सूक्ष्म बारकावे आढळतात, तेव्हा तो पुढच्या वेळी वापरण्यासाठी ही शिकवण जतन करू शकतो, ज्यामुळे तो तुमच्या वापरकर्त्यांसोबत सतत सुधारत राहतो. 
  • परिणामी, भविष्यातील उत्तरे वारंवार त्याच समस्यांना सामोरे जाण्याऐवजी अधिक अचूक आधाररेषेपासून सुरू होतात.
  • मेमरीचे उद्दिष्ट म्हणजे डेटा अचूकतेसाठी अत्यंत महत्त्वाच्या पण इतर स्तरांवरून अंदाज लावणे कठीण असलेल्या सूक्ष्म सुधारणा, फिल्टर्स आणि निर्बंध जतन करणे आणि पुन्हा वापरणे. 
  • उदाहरणार्थ, एका प्रकरणात, एजंटला एखाद्या विशिष्ट विश्लेषण प्रयोगासाठी फिल्टर कसे करायचे हे माहीत नव्हते (ते प्रयोग गेटमध्ये परिभाषित केलेल्या विशिष्ट स्ट्रिंगशी जुळवण्यावर अवलंबून होते). इथे मेमरी अत्यंत महत्त्वाची होती, जेणेकरून ती अस्पष्टपणे स्ट्रिंग मॅच करण्याचा प्रयत्न करण्याऐवजी योग्यरीत्या फिल्टर करू शकेल.
• जेव्हा तुम्ही एजंटला दुरुस्ती देता किंवा ते तुमच्या संभाषणातून काही शिकते, तेव्हा ते पुढच्या वेळी लक्षात ठेवण्यासाठी ती स्मृती सेव्ह करण्यासाठी तुम्हाला प्रॉम्प्ट करेल. 
  • मेमरी वापरकर्त्यांद्वारे मॅन्युअली तयार आणि संपादित देखील केल्या जाऊ शकतात.
  • स्मृती जागतिक आणि वैयक्तिक स्तरावर निश्चित केल्या जातात, आणि एजंटचे साधन त्यांना संपादित करणे सोपे बनवते.

• जेव्हा एखाद्या तक्त्यासाठी कोणताही पूर्वसंदर्भ उपलब्ध नसतो किंवा विद्यमान माहिती कालबाह्य असते, तेव्हा एजंट डेटा वेअरहाऊसला थेट क्वेरी करून तक्त्याची तपासणी करू शकतो आणि थेट तक्त्यावर क्वेरी करू शकतो. हे स्कीमा सत्यापित करण्यास, रिअल-टाइममध्ये डेटा समजण्यास, आणि त्यानुसार प्रतिसाद देण्यास सक्षम करते.
• एजंट आवश्यकतेनुसार इतर डेटा प्लॅटफॉर्म प्रणालींशी (metadata service, Airflow, Spark) संवाद साधू शकतो, जेणेकरून गोदामाबाहेरील व्यापक डेटा संदर्भ मिळवता येईल.

We run a daily offline pipeline that aggregates table usage, human annotations, and Codex-derived enrichment into a single, normalized representation. This enriched context is then converted into embeddings using the OpenAI embeddings API⁠(नवीन विंडोमध्ये उघडेल) and stored for retrieval. At query time, the agent pulls only the most relevant embedded context via retrieval-augmented generation⁠(नवीन विंडोमध्ये उघडेल) (RAG) instead of scanning raw metadata or logs. This makes table understanding fast and scalable, even across tens of thousands of tables, while keeping runtime latency predictable and low. Runtime queries are issued to our data warehouse live as needed.

Together, these layers ensure the agent’s reasoning is grounded in OpenAI’s data, code, and institutional knowledge, dramatically reducing errors and improving answer quality.

One-shot answers work when the problem is clear, but most questions aren’t. More often, arriving at the correct result requires back-and-forth refinement and some course correction.

The agent is built to behave like a teammate you can reason with. It’s a conversational, always-on and handles both quick answers and iterative exploration.

It carries over complete context across turns, so users can ask follow-up questions, adjust their intent, or change direction without restating everything. If the agent starts heading down the wrong path, users can interrupt mid-analysis and redirect it, just like working with a human collaborator who listens instead of plowing ahead.

When instructions are unclear or incomplete, the agent proactively asks clarifying questions. If no response is provided, it applies sensible defaults to make progress. For example, if a user asks about business growth with no date range specified, it may assume the last seven or 30 days. These priors allow it to stay responsive and non-blocking while still converging on the right outcome.

The result is an agent that works well both when you know exactly what you want (e.g., “Tell me about this table”) and just as strong when you’re exploring (e.g., “I’m seeing a dip here, can we break this down by customer type and timeframe?”). 

After rollout, we observed that users frequently ran the same analyses for routine repetitive work. To expedite this, the agent's workflows package recurring analyses into reusable instruction sets. Examples include workflows for weekly business reports and table validations. By encoding context and best practices once, workflows streamline repeat analyses and ensure consistent results across users.

Building an always-on, evolving agent means quality can drift just as easily as it can improve. Without a tight feedback loop, regressions are inevitable and invisible. The only way to scale capability without breaking trust is through systematic evaluation.

In this section, we’ll discuss how we leverage OpenAI’s Evals API⁠(नवीन विंडोमध्ये उघडेल) to measure and protect the agent’s response quality.

Its Evals are built on curated sets of question-answer pairs. Each question targets an important metric or analytical pattern we care deeply about getting right, paired with a manually authored “golden” SQL query that produces the expected result. For each eval, we send the natural language question to its query-generation endpoint, execute the generated SQL, and compare the output against the result of the expected SQL.

Evaluation doesn’t rely on naive string matching. Generated SQL can differ syntactically while still being correct, and result sets may include extra columns that don’t materially affect the answer. To account for this, we compare both the SQL and the resulting data, and feed these signals into OpenAI’s Evals grader. The grader produces a final score along with an explanation, capturing both correctness and acceptable variation.

These evals are like unit tests that run continuously during development to identify regressions as canaries in production; this allows us to catch issues early and confidently iterate as the agent's capabilities expand.

Our agent plugs directly into OpenAI’s existing security and access-control model. It operates purely as an interface layer, inheriting and enforcing the same permissions and guardrails that govern OpenAI’s data. 

All of the agent’s access is strictly pass-through, meaning users can only query tables they already have permission to access. When access is missing, it flags this or falls back to alternative datasets the user is authorized to use.

Finally, it's built for transparency. Like any system, it can make mistakes. It exposes its reasoning process by summarizing assumptions and execution steps alongside each answer. When queries are executed, it links directly to the underlying results, allowing users to inspect raw data and verify every step of the analysis.

Building our agent from scratch surfaced practical lessons about how agents behave, where they struggle, and what actually makes them reliable at scale.

Early on, we exposed our full tool set to the agent, and quickly ran into problems with overlapping functionality. While this redundancy can be helpful for specific custom cases and is more obvious to a human when manually invoking, it’s confusing to agents. To reduce ambiguity and improve reliability, we restricted and consolidated certain tool calls.

We also discovered that highly prescriptive prompting degraded results. While many questions share a general analytical shape, the details vary enough that rigid instructions often pushed the agent down incorrect paths. By shifting to higher-level guidance and relying on GPT‑5’s reasoning to choose the appropriate execution path, the agent became more robust and produced better results.

Schemas and query history describe a table’s shape and usage, but its true meaning lives in the code that produces it. Pipeline logic captures assumptions, freshness guarantees, and business intent that never surface in SQL or metadata. By crawling the codebase with Codex, our agent understands how datasets are actually constructed and is able to better reason about what each table actually contains. It can answer “what’s in here” and “when can I use it” far more accurately than from warehouse signals alone. 

We’re constantly working to improve our agent by increasing its ability to handle ambiguous questions, improving its reliability and accuracy with stronger validations, and integrating it more deeply into workflows. We believe it should blend naturally into how people already work, instead of functioning like a separate tool.

While our tooling will keep benefiting from underlying improvements in agent reasoning, validation, and self-correction, our team’s mission remains the same: seamlessly deliver fast, trustworthy data analysis across OpenAI’s data ecosystem.