作为软件工程的员工经理， Matteo Vasirani负责GitHub的产品分析和数据科学。大型数据和分析组织通常难以真正自助访问数据和洞察。几十年来，这个行业一直试图解决这个问题，但都没有成功，但现在人工智能为我们提供了一种可靠的方法。
在GitHub规模上，为数十个产品团队提供专门的分析支持具有挑战性，因此许多团队只能自己解决这个问题。
虽然产品和工程团队可以使用许多有价值的产品遥测来做出决策，但如果没有数据分析师的支持，确定哪个数据模型，哪个颗粒，哪个过滤器，然后编写查询并验证结果一直很困难。进入Qubot，这是我们的内部GitHub Copilot支持的分析代理。
Qubot允许任何Hubber （我们称之为GitHub员工）以简单的语言询问有关GitHub数据仓库中任何数据模型的问题，并在几秒钟内得到答案。Qubot不是报告工具或仪表板替代品。
相反，它适用于探索性问题，例如“哪一组用户对此功能的留存率最高？”或“上周哪些产品对提升此指标的贡献最大？” “Qubot的维护成本为零，并帮助团队快速提升他们可能不熟悉的数据集。在这篇博客文章中，我们将介绍我们如何构建Qubot，它是如何变化的，以及我们学到了什么。