業務領導者依賴運營儀表盤作為日常執行的共享真相來源。但儀表盤只能回答已知問題。當團隊需要進一步探索臨時、多維或不可預見的問題時，就會遇到瓶頸——他們需要等待數小時或數天讓BI團隊構建新視圖或更新報告。Amazon Quick的Dataset Q&A功能彌合了這一差距。用户可以用自然語言提問，在幾秒內獲得準確答案，無需構建新儀表盤或排隊等待，只需與現有數據集進行交互式對話，且不會干擾團隊已依賴的儀表盤。
AWS技術領域社區（TFC）項目每年支持數十萬客户互動。隨着規模增長，領導者需要回答的問題變得複雜。傳統靜態儀表盤難以應對多維查詢。AWS開發了TARA（技術分析研究代理），利用Amazon Quick的Dataset Q&A功能作為語義查詢生成和洞察交付的基礎。TARA是一個AI驅動的分析助手，提供統一的對話界面，允許用户通過自然語言探索多個集成數據集、實時系統API和專門的研究代理。
在2026年第一季度，SDL團隊成為Dataset Q&A功能的早期採用者。核心上，Dataset Q&A在查詢時將自然語言翻譯成SQL，基於數據集本身的語義定義（而非單獨維護的主題）。這意味着數據的業務含義（字段描述、同義詞和數據集指令）定義一次即可重用。對於SDL團隊，這是一個重大突破。項目領導者終於可以提出真正重要的問題，無需等待BI團隊更新業務術語定義或配置新字段映射。
架構差異在於：Dataset Q&A動態解釋用户意圖，識別相關數據集，並在查詢時生成優化SQL，從而處理複雜多維分析。通過結構化真實測試，團隊測量了以下改進：準確率提升約48%，複雜分析查詢成功執行（故障率降至接近零），響應時間從約2-3分鐘降至約10秒（減少超過90%）。
TARA的架構建立在Amazon Quick之上，包括四個緊密集成的層：用户訪問和編排層、Dataset Q&A和工作區集成層、通過自定義代理指令實現的語義智能層，以及連接系統和操作層。它能夠統一結構化分析、操作系統和機構知識。
實施包括四個階段：自定義聊天代理配置、數據集準備和集成、使用MCP的操作集成，以及自然語言查詢處理。用户可以直接提問，TARA會自動處理。
結果影響巨大：查詢成功率從80-85%提升至超過95%，複雜問題的平均解決時間從約90分鐘降至不到5分鐘，每月減少2-3天的語義維護工作，超過15,000名TFC成員和AWS領導者使用自然語言查詢訪問分析。
該架構的關鍵區別在於從基於主題的Q&A轉向直接數據集Q&A，消除了語義中間層。新列立即可查詢，跨數據集查詢自動解析，業務邏輯上下文應用，維護開銷降至零。這使TARA從支持少量預建模查詢模式擴展到處理數千個獨特的、多維的問題。
直接數據集Q&A徹底改變了用户與數據的交互方式，通過消除配置開銷和實現動態查詢生成，不僅支持複雜多維分析，還與企業安全策略保持一致，同時顯著降低維護成本。AWS建議用户開始使用Dataset Q&A，並提供了相關文檔和集成指南。