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團隊構建新檢視或更新報告。Amazon Quick的Dataset Q&A功能彌合了這一差距。使用者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，只需與現有資料集進行互動式對話，且不會干擾團隊已依賴的儀表盤。
AWS技術領域社群（TFC）專案每年支援數十萬客戶互動。隨著規模增長，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，提供統一的對話介面，允許使用者透過自然語言探索多個整合資料集、即時系統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，基於資料集本身的語義定義（而非單獨維護的主題）。這意味著資料的業務含義（欄位描述、同義詞和資料集指令）定義一次即可重用。對於SDL團隊，這是一個重大突破。專案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欄位對映。
架構差異在於：Dataset Q&A動態解釋使用者意圖，識別相關資料集，並在查詢時生成最佳化SQL，從而處理複雜多維分析。透過結構化真實測試，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，包括四個緊密整合的層：使用者訪問和編排層、Dataset Q&A和工作區整合層、透過自定義代理指令實現的語義智慧層，以及連線系統和操作層。它能夠統一結構化分析、作業系統和機構知識。
實施包括四個階段：自定義聊天代理配置、資料集準備和整合、使用MCP的操作整合，以及自然語言查詢處理。使用者可以直接提問，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轉向直接資料集Q&A，消除了語義中間層。新列立即可查詢，跨資料集查詢自動解析，業務邏輯上下文應用，維護開銷降至零。這使TARA從支援少量預建模查詢模式擴充套件到處理數千個獨特的、多維的問題。
直接資料集Q&A徹底改變了使用者與資料的互動方式，透過消除配置開銷和實現動態查詢生成，不僅支援複雜多維分析，還與企業安全策略保持一致，同時顯著降低維護成本。AWS建議使用者開始使用Dataset Q&A，並提供了相關文件和整合指南。