Formula 1 uvádza, že agentická AI skrátila prípravu dátového zdroja na 40 minút

Od osemtýždňového procesu ku generovaniu za desiatky minút

Formula 1 a Amazon Web Services predstavili Data Accelerator, interný systém na pripájanie nových zdrojov do marketingovej dátovej platformy Customer 360. Podľa spoločnej prípadovej štúdie trvalo manuálne začlenenie jedného zdroja šesť až osem týždňov. Nové riešenie má príslušný kód vygenerovať približne za 40 minút, po ktorých však ešte nasledujú hodiny nasadenia, testovania a ľudskej kontroly. Titulkové číslo preto nevyjadruje celý čas od zadania požiadavky po bezpečnú prevádzku. Presnejšie opisuje zrýchlenie štandardizovanej inžinierskej fázy, nie úplné odstránenie práce dátového tímu.

Customer 360 spája interakcie fanúšikov z predaja vstupeniek a tovaru, streamovania F1 TV, sociálnych sietí, partnerstiev a ďalších kanálov. Každý nový zdroj si predtým vyžadoval mapovanie schémy, ingestnú pipeline, transformačnú logiku, testy kvality, klasifikáciu osobných údajov a prístupové pravidlá. Formula 1 uvádza, že dvanásť čakajúcich integrácií vytvorilo backlog odhadovaný na 18 mesiacov. Pri športe s krátkymi marketingovými oknami nejde iba o pohodlie vývojárov: oneskorené dáta obmedzujú segmentáciu publika, personalizáciu a vyhodnocovanie kampaní v čase, keď sú ešte obchodne relevantné.

Zverejnené výsledky sú konkrétnejšie než bežné tvrdenia o produktivite AI. AWS a Formula 1 hovoria o približne 95 percentách onboardingových úloh vykonaných agentmi, skrátení riešenia zmien schémy z dní na hodiny a odstránení integračného backlogu v priebehu týždňov. Zároveň ide o údaje dodávateľa a zákazníka zapojených do projektu, nie o nezávislý audit. Nie sú zverejnené porovnateľné údaje o chybovosti, nákladoch na jednu integráciu, počte zásahov recenzentov ani o tom, aká časť vygenerovaného kódu musela byť upravená.

Agent pripravuje zmeny, človek ich púšťa ďalej

Prvá fáza sa začína dokumentom s obchodnými požiadavkami uloženým v Amazon S3. Udalosť spustí AWS Lambda a agenta prevádzkovaného v Amazon Bedrock AgentCore Runtime. Agent z podkladov pripraví konfiguračné súbory, cez GitHub App otvorí pull request a cez rozhranie Jira založí prepojenú úlohu. Pridelený inžinier môže návrh skontrolovať, opraviť alebo zamietnuť. Až po schválení konfigurácie človek spustí ďalšiu fázu, v ktorej systém vytvorí samostatné návrhy pre infraštruktúru a aplikáciu AWS Glue, transformácie DBT a pravidlá dátovej správy.

Rozdelenie výstupu do pull requestov je dôležitejšie než samotný výber jazykového modelu. GitHub vo svojej dokumentácii uvádza, že kontrolované vetvy môžu pred zlúčením vyžadovať schválenie recenzentom; pripomienky a rozhodnutia pritom zostávajú v časovej osi návrhu. V prípade Formula 1 tak agent nevykonáva neprehľadnú jednorazovú zmenu priamo v produkcii, ale vstupuje do existujúceho procesu kontroly verzií. Oddelené repozitáre a spoločný tiket navyše pomáhajú spojiť aplikačný kód, infraštruktúru a pravidlá správy do jednej auditovateľnej zmeny.

Data Accelerator podľa AWS nepoužíva pevne previazanú skupinu špecializovaných agentov. Jeden agent si vyberá modulárne zručnosti podľa úlohy, napríklad mapovanie schémy, odhad dátových typov, testovanie kvality alebo označovanie citlivých údajov. Viacpriechodové spracovanie najskôr čistí vstup a reguluje objem kontextu, potom sumarizuje výsledky nástrojov a napokon skladá celkové posúdenie. Takýto návrh môže byť jednoduchší na údržbu než komplikovaná sieť agentov, stále však vyžaduje verziovanie promptov, regresné testy a sledovanie toho, ako sa správanie mení po výmene modelu.

Prevádzková hodnota sa ukáže pri zmenách a chybách

Najzaujímavejšou časťou projektu nie je prvé vytvorenie pipeline, ale reakcia na neskoršie zmeny. Dodávateľ môže premenovať stĺpec, pridať pole, zmeniť formát alebo posunúť čas doručenia súboru. Systém má takéto odchýlky zachytiť cez udalosti AWS Lambda a Amazon EventBridge, vyhodnotiť ich vplyv na nadväzujúce spracovanie a pripraviť opravy v dotknutých repozitároch. Výsledkom má byť opäť tiket a kontrolovateľný pull request, nie automatický zásah bez vedomia tímu. Práve schopnosť udržiavať pipeline po nasadení rozhoduje, či automatizácia iba zrýchli vznik technického dlhu, alebo skutočne zníži prevádzkovú záťaž.

Projekt zároveň zjednocuje observabilitu dát. Inžinieri predtým prehľadávali oddelene cesty v S3, riadiace tabuľky v Amazon Redshift, logy Airflow a výstupy DBT. Nové rozhranie má ukazovať dátovú líniu od surového zdroja po transformované výsledky vrátane stavu behov a dosahu poruchy. Nástroj na analýzu koreňovej príčiny kombinuje logy s kontextovým grafom. Namiesto samotného hlásenia o chýbajúcom súbore tak môže navrhnúť vysvetlenie, že dodávateľ posunul jeho doručenie za čas spustenia pipeline. Kvalita takého záveru však závisí od úplnosti grafu a správnosti prevádzkových metadát.

AWS opisuje aj krátkodobé prístupové údaje, minimálne oprávnenia, audit akcií, automaticky generované testy, možnosť vrátiť zmeny a prevádzku v privátnych podsieťach. Tieto vrstvy sú podstatné, pretože agent pracujúci s repozitármi, dátovým katalógom a ticketovacím systémom môže pri príliš širokých oprávneniach znásobiť následky chyby. Ľudské schválenie samo osebe nestačí, ak je návrh priveľký na dôkladnú kontrolu alebo ak recenzent nevidí vplyv na dáta. Praktické nasadenie preto potrebuje malé a čitateľné zmeny, povinné testy, ochranu vetiev, oddelenie rolí a meranie úspešnosti návratu po chybe.

Poučenie pre slovenské a európske tímy

Pre organizácie na Slovensku je tento vzor relevantný najmä tam, kde sa pravidelne pripájajú dáta od partnerov, pobočiek alebo verejných registrov. Automatizovať možno opakované mapovanie, dokumentáciu, testy či návrhy klasifikácie, no zodpovednosť za zákonnosť spracúvania sa na agenta neprenáša. Článok 25 GDPR vyžaduje primerané technické a organizačné opatrenia ochrany údajov už pri návrhu a v predvolenom nastavení. Automatické označenie stĺpca ako osobného alebo pseudonymizovaného údaja je preto užitočný návrh, nie právne rozhodnutie. Európsky prevádzkovateľ musí samostatne vyriešiť účel, minimalizáciu, dobu uchovávania, prístup aj vzťahy so sprostredkovateľmi.

Skúsenosť Formula 1 zapadá aj do širších zistení DORA o vývoji podporovanom AI. Správa DORA za rok 2025, založená na odpovediach takmer 5 000 technologických pracovníkov a kvalitatívnom výskume, našla pozitívny vzťah medzi používaním AI, priepustnosťou vývoja a výkonom produktu, ale negatívny vzťah so stabilitou dodávky. Jej záver je, že AI zosilňuje existujúce schopnosti aj slabiny tímu. Data Accelerator tento problém rieši internou platformou, štandardizovanými repozitármi, rýchlou spätnou väzbou a kontrolnými bodmi. Bez podobných základov by samotné generovanie väčšieho množstva kódu nemuselo priniesť rovnaký výsledok.

Otvorenou otázkou zostáva prenositeľnosť. Formula 1 budovala riešenie nad rokmi štandardizovanou platformou a s pomocou AWS Professional Services; menší podnik môže mať nejednotné schémy, slabé testy a chýbajúcu dátovú líniu. Pred širším nasadením by mal preto najskôr zmerať dnešný čas integrácie, počet incidentov, rozsah ručných opráv a náklady na kontrolu. Dôležité bude sledovať celý čas do produkcie, nie iba minúty generovania. Overený prínos projektu spočíva v architektonickom vzore, kde AI pripravuje opakovanú prácu, ale verzovanie, testy, audit a človek zostávajú hranicou produkčnej zmeny; presnú ekonomickú návratnosť z verejných podkladov určiť nemožno.