业务领导者依赖运营仪表盘作为日常执行的共享真相来源。但仪表盘只能回答已知问题。当团队需要进一步探索临时、多维或不可预见的问题时，就会遇到瓶颈——他们需要等待数小时或数天让BI团队构建新视图或更新报告。Amazon Quick的Dataset Q&A功能弥合了这一差距。用户可以用自然语言提问，在几秒内获得准确答案，无需构建新仪表盘或排队等待，只需与现有数据集进行交互式对话，且不会干扰团队已依赖的仪表盘。
AWS技术领域社区（TFC）项目每年支持数十万客户互动。随着规模增长，领导者需要回答的问题变得复杂。传统静态仪表盘难以应对多维查询。AWS开发了TARA（技术分析研究代理），利用Amazon Quick的Dataset Q&A功能作为语义查询生成和洞察交付的基础。TARA是一个AI驱动的分析助手，提供统一的对话界面，允许用户通过自然语言探索多个集成数据集、实时系统API和专门的研究代理。
在2026年第一季度，SDL团队成为Dataset Q&A功能的早期采用者。核心上，Dataset Q&A在查询时将自然语言翻译成SQL，基于数据集本身的语义定义（而非单独维护的主题）。这意味着数据的业务含义（字段描述、同义词和数据集指令）定义一次即可重用。对于SDL团队，这是一个重大突破。项目领导者终于可以提出真正重要的问题，无需等待BI团队更新业务术语定义或配置新字段映射。
架构差异在于：Dataset Q&A动态解释用户意图，识别相关数据集，并在查询时生成优化SQL，从而处理复杂多维分析。通过结构化真实测试，团队测量了以下改进：准确率提升约48%，复杂分析查询成功执行（故障率降至接近零），响应时间从约2-3分钟降至约10秒（减少超过90%）。
TARA的架构建立在Amazon Quick之上，包括四个紧密集成的层：用户访问和编排层、Dataset Q&A和工作区集成层、通过自定义代理指令实现的语义智能层，以及连接系统和操作层。它能够统一结构化分析、操作系统和机构知识。
实施包括四个阶段：自定义聊天代理配置、数据集准备和集成、使用MCP的操作集成，以及自然语言查询处理。用户可以直接提问，TARA会自动处理。
结果影响巨大：查询成功率从80-85%提升至超过95%，复杂问题的平均解决时间从约90分钟降至不到5分钟，每月减少2-3天的语义维护工作，超过15,000名TFC成员和AWS领导者使用自然语言查询访问分析。
该架构的关键区别在于从基于主题的Q&A转向直接数据集Q&A，消除了语义中间层。新列立即可查询，跨数据集查询自动解析，业务逻辑上下文应用，维护开销降至零。这使TARA从支持少量预建模查询模式扩展到处理数千个独特的、多维的问题。
直接数据集Q&A彻底改变了用户与数据的交互方式，通过消除配置开销和实现动态查询生成，不仅支持复杂多维分析，还与企业安全策略保持一致，同时显著降低维护成本。AWS建议用户开始使用Dataset Q&A，并提供了相关文档和集成指南。