ビジネスインテリジェンス（BI）の分野では、ダッシュボード操作と大規模言語モデル（LLM）ベースの支援を組み合わせることが増えているが、多段階の分析中にこれら二つのモードはしばしば同期を失う。ユーザーが直接的なダッシュボード操作と自然言語クエリを切り替えると、フィルタ、階層、メトリクス、チャートコンテキストにわたる一貫した分析状態を維持することが難しくなる。この問題に対処するため、研究者らはTwinBIを提案した。これは、LLMベースのエージェントシステムと実行可能なBIダッシュボード状態を結合するエージェント型デジタルツインフレームワークである。
TwinBIの核心的な革新は、統一されたインタラクションログから共有分析状態を再構築することにより、会話型インタラクション、ダッシュボード操作、セマンティックグラウンディング、来歴追跡を統合する点にある。このフレームワークはまた、スキーマビュー、SQL、ログ、および状態に基づく分析サマリーを生成するための/insightsコマンドなど、さまざまなアーティファクトを公開する。これらのアーティファクトにより、エージェントは可視のダッシュボード状態だけでなく、豊富で実用的なコンテキストにアクセスできる。
TwinBIの有効性を評価するため、研究チームは二つの補完的な方法を採用した。まず、同じバックボーンエージェントを用いた制御されたA/Bベンチマークでは、ダッシュボード単独と比較して、TwinBIは完全一致精度を43.3%から63.3%に、部分一致精度を48.3%から70.8%に向上させ、タイムアウト率を40.0%から10.0%に大幅に削減した。次に、ユーザビリティ調査では、参加者は統合されたダッシュボードとチャットのワークフローから恩恵を受け、高いタスク精度、適度なワークロード、状態認識型インタラクション機構に対する好意的な評価を示した。
これらの結果は、TwinBIが可視のダッシュボード状態をより豊富で実用的なコンテキストに変換することで、エージェントレベルの分析信頼性とユーザー向け分析支援の両方を向上させることを示唆している。この研究のデータセットとソースコードはGitHubで公開されており、コミュニティによるさらなる研究と再現が可能である。