Jak zrozumienie danych może przekształcić platformę danych AI dla przedsiębiorstw?

Artykuł ten jest opracowaniem wystąpienia autora na konferencji prasowej dotyczącej produktu MIP, która miała miejsce 20 października. 20 października firma Jingzhou Technology zorganizowała konferencję prasową, na której ogłoszono, że strategia produktu zmienia się z analizy w czasie rzeczywistym na zintegrowaną platformę analizy danych i inteligencji, a także oficjalnie zaprezentowano błyskawiczną, zintegrowaną platformę danych AI dla przedsiębiorstw MIP. MIP oparty jest na technologii StarRocks, łącząc zintegrowaną bazę danych, warstwę semantyczną dla przedsiębiorstw oraz zaufanego agenta danych, wspieranych przez zdolności zarządzania w całej platformie, co pomaga przedsiębiorstwom wykorzystywać dane w kontekście biznesowym AI, a wyniki są weryfikowalne i śledzone.

Autor | Dong Yingtian, kierownik produktu w Jingzhou Technology

Produkcja | Przemysłowy Dom

Trzy pytania dotyczące wdrożenia AI Agenta w przedsiębiorstwie

Gdy Agent wchodzi w prawdziwe operacje biznesowe, nie można uniknąć problemów związanych z danymi, kontekstem i wiedzą. Na podstawie naszych własnych praktyk podsumowaliśmy trzy dość powszechne problemy i przedstawiliśmy nasze przemyślenia po każdym z nich.

Problem 1: Dane są wielomodalne i rozproszone.

Agent, wykonując zadanie, może jednocześnie uzyskiwać dostęp do dwuwymiarowych tabel biznesowych, dokumentów niestrukturalnych, obrazów i danych wektorowych. Te dane często znajdują się w różnych nośnikach i systemach, a po ich odzyskaniu wymagają dalszej analizy powiązań. To stwarza trudności w budowaniu systemu AI Agenta.

Nasza myśl: różne rodzaje danych powinny być powiązane w SQL. Dane z tabel biznesowych, danych w jeziorze i niestrukturalnych danych w obiektach przechowywania powinny być zintegrowane w wyszukiwaniach i zapytaniach, a wyniki zapytań powinny być dalej analizowane. To normalne, że dane znajdują się w różnych miejscach, ale koszty przenoszenia są wysokie, więc pozwólmy obliczeniom znaleźć dane, a problem rozproszenia można rozwiązać na poziomie zapytań.

Problem 2: Kontekst wymaga wielokrotnego wyjaśnienia.

Na przykład w analizie danych, "jak oblicza się przychody" i "które zamówienia są brane pod uwagę w obliczeniach" muszą być najpierw jasno zdefiniowane. Jednak ta wiedza często jest rozproszona w historycznych SQL, dokumentach, a nawet osobistych doświadczeniach analityków. W związku z tym ten sam problem może prowadzić do różnych odpowiedzi.

Nasza myśl: definiowanie kontekstu biznesowego w bazie danych. Taka definicja może być bezpośrednio przekształcona w wykonalne obliczenia. Poprzez Semantic View przypisujemy wskaźniki do wyraźnych wyrażeń, a wyniki zapytań mogą być śledzone do odpowiadających formuł, zakresów statystycznych i ostatecznych SQL, co ułatwia jednolite wyjaśnienie kontekstu.

Problem 3: Proces budowy jest bardzo powtarzalny.

Podczas budowy wielu Agentów, napotykamy różne źródła danych, co wymaga ponownego uporządkowania związanej wiedzy i kontekstu. W przypadku poprawek, trudno jest synchronizować różne Agenty, co prowadzi do wielu powtarzających się prac w procesie budowy Agenta.

Nasza myśl: zarządzanie kontekstem przedsiębiorstwa, które można ponownie wykorzystać, powinno być obsługiwane przez bazę danych, a MirrorMind powinien zorganizować wiedzę oraz jej powiązania, wersje i uprawnienia dostępu, aby różne Agenty mogły korzystać z nich w razie potrzeby; stan sesji i zadań powinien być zarządzany przez MirrorPilot.

Trzy problemy wskazują na ten sam korzeń: dane, kontekst i wiedza, brak jednolitego nośnika.

20 października na konferencji prasowej Jingzhou Technology oficjalnie zaprezentowaliśmy MIP - błyskawiczną, zintegrowaną platformę danych AI dla przedsiębiorstw. Jako rdzeń bazy danych, jego projekt architektoniczny rozwija się w dwóch kierunkach: w dół: dodanie zdolności AI do bazy danych, aktualizacja bazy danych; w górę: baza danych dla AI, aby wiedza przedsiębiorstwa i zdolności AI Agenta mogły służyć większej liczbie operacji biznesowych.

Gdzie są dane, tam powinno być zrozumienie i obliczenia. Umieszczając dane, kontekst i wiedzę w bazie danych, ponieważ te trzy braki w zdolnościach muszą wyrosnąć z bazy danych.

Trójwarstwowa architektura: MIP organizuje dane i wiedzę w zdolności współdzielone

MIP organizuje dane i wiedzę przedsiębiorstwa w trzech warstwach, tworząc zestaw zdolności współdzielonych.

Dolna warstwa to MirrorData, silnik zapytań danych dla przedsiębiorstw oparty na otwartym StarRocks, oferujący błyskawiczne wyszukiwanie i zdolności analizy wielomodalnej.

Środkowa warstwa to MirrorMind, oparta na Semantic View, łącząca wiedzę biznesową z odpowiednich dziedzin oraz osobiste doświadczenia analityków, dostępne dla Agentów w razie potrzeby.

Górna warstwa to MirrorPilot, środowisko uruchomieniowe dla Agentów biznesowych.

Powyżej trzech warstw znajdują się różne aplikacje biznesowe. Powszechnie stosowane analizy operacyjne, diagnostyka posprzedażowa, wybór produktów mogą być zbudowane na tej zintegrowanej bazie.

W kolejnych rozdziałach szczegółowo omówimy te trzy warstwy, prezentując sposób użycia całej bazy.

• Użyj "zdjęcia posprzedażowego" do zaprezentowania możliwości wyszukiwania wielomodalnego MirrorData i powiązań biznesowych.

• Użyj "porównania budżetu wydarzenia" do wyjaśnienia roli definicji semantycznych w MirrorMind.

• Połącz "analizę operacyjną w handlu detalicznym" z konfiguracją, zapytaniami, analizą i pełnym procesem raportowania.

MirrorData: zintegrowana baza danych

Standardowe połączenie SQL, jedna zdolność obliczeniowa dla wszystkich aplikacji

MirrorData to baza danych MIP, której rdzeniem jest silnik zapytań.

Górne raporty BI, analizy interaktywne, aplikacje danych i Agenty mogą być podłączone za pomocą standardowego SQL. Ta sama zdolność obliczeniowa obsługuje różne aplikacje, a MirrorData działa jako zintegrowany punkt zapytań.

Silnik zapytań kontynuuje wysokowydajną zdolność zapytań StarRocks. Na tej podstawie wprowadziliśmy ulepszenia dla przedsiębiorstw: zarządzanie uprawnieniami, kontrola zasobów i izolacja zasobów.

Wsparcie dla zintegrowanego dostępu do tabel wewnętrznych, tabel jeziornych i treści wielomodalnych

Dostęp do danych ma trzy sposoby.

1. Tradycyjne tabele wewnętrzne. Tabele wewnętrzne zawierają pola biznesowe, JSON, tekst i dane wektorowe; dla obrazów, dokumentów itp. można nawiązać powiązania za pomocą odniesień do plików i identyfikatorów obiektów biznesowych.

2. Dane w jeziorze. Wiele danych klientów już znajduje się w jeziorze danych. MirrorData łączy się z nimi za pomocą zewnętrznego katalogu, wspierając główne formaty tabel jeziorowych, takie jak Paimon, Iceberg, Hive, oferując efektywny dostęp do tabel jeziorowych.

3. Niewykorzystane pliki historyczne. Istniejące obrazy, dokumenty i multimedia w przedsiębiorstwie często trudno jest bezpośrednio włączyć do analizy biznesowej. Oryginalne pliki mogą być przechowywane w obiektach, a po zakończeniu analizy i generacji wektorów, odniesienia do plików, wyodrębniony tekst i wektory są zapisywane w tabelach, powiązane z polami biznesowymi. MirrorData łączy wyszukiwanie, filtrowanie, powiązania i agregację.

Jedno SQL, aby zakończyć mieszane wyszukiwanie

Na podstawie błyskawicznej analizy i zapytań w jeziorze danych, MirrorData dalej rozwija możliwości wyszukiwania wielomodalnego i analizy powiązań. Ten sam obiekt biznesowy może mieć jednocześnie pola strukturalne, atrybuty JSON, tekst, osadzenia i odniesienia do plików, łącząc treści z faktami biznesowymi za pomocą identyfikatorów obiektów biznesowych, co pozwala na dalsze uczestnictwo wyników wyszukiwania w analizie.

Podstawowe trzy rodzaje zdolności zapytań:

• Dane strukturalne: połączenie przycinania partycji i skanowania kolumnowego, aby zakończyć błyskawiczną analizę.

• Wyszukiwanie pełnotekstowe: dopasowywanie terminów na podstawie indeksu odwrotnego, na przykład poprzez MATCH_ANY dopasowując rekordy zawierające "otwieranie" lub "rozpakowywanie".

• Wyszukiwanie wektorowe: wyszukiwanie powiązanych treści na podstawie podobieństwa lub odległości.

Jedno SQL może połączyć te trzy elementy, a konkretna ścieżka dostępu zależy od metody zapytania i metody indeksowania.

Demonstracja: Wyszukiwanie zamówień posprzedażowych

Aby wizualnie zaprezentować SQL i wyniki zapytań, stworzyliśmy stronę operacyjną do wyszukiwania posprzedażowego. Użytkownik przesyła zdjęcie uszkodzonego ekranu, aby znaleźć niedawne rekordy posprzedażowe o podobnym uszkodzeniu, a następnie powiązać zamówienia, partie, przewoźników i informacje o zwrotach, aby dostarczyć podstawy do dalszej analizy.

Najpierw przekształcamy zdjęcie referencyjne w wektor zapytania, który służy jako parametr dla SQL wyszukiwania. Następnie w SQL obliczamy podobieństwo obrazów, a poprzez powiązania między zamówieniami posprzedażowymi a szczegółami zamówień uzupełniamy informacje o partiach, przewoźnikach i zwrotach, dodając również warunki czasowe, kategorie oraz pełnotekstowe warunki "otwierania/rozpakowywania".

Te warunki ostatecznie tworzą pełne SQL. Oznacza to, że jedno SQL może zakończyć zintegrowane wyszukiwanie danych strukturalnych i niestrukturalnych.

Wyszukiwanie obrazów zamówień

MirrorMind: pozwól Agentowi używać właściwego kontekstu

Po tym, jak dane są dostępne, następny krok: Agent musi zrozumieć definicje biznesowe i wiedzę kontekstową przedsiębiorstwa. MirrorMind, oparty na Semantic View, rozwiązuje ten problem.

Aby uzyskać więcej informacji, można przeczytać serię artykułów na temat Semantic View

• Analiza technologii Semantic View (część 1)

• Analiza technologii Semantic View (część 2)

• Analiza technologii Semantic View (część 3)

Co definiuje Semantic View

Semantic View rejestruje strukturalne definicje potrzebne Agentowi do zrozumienia biznesu, w tym:

• Tabele i powiązania: definiują zakres tabel danych oraz powiązania między tabelami.

• Wymiary: według jakich wymiarów można agregować lub drążyć wskaźniki. Na przykład budżet wydarzenia można podzielić według kanałów, typów wydarzeń lub podsumować według daty.

• Wskaźniki: wyrażenia obliczeniowe i opisy dla każdego wskaźnika. Oprócz wskaźników atomowych można również definiować wskaźniki pochodne oraz złożoną logikę obliczeniową, taką jak funkcje okna.

• Synonimy: utrzymują nazwy biznesowe, aliasy i opisy dla wskaźników, na przykład "całkowity budżet rynkowy" i "całkowita kwota dotacji promocyjnych". Agent może korzystać z tych definicji, aby zidentyfikować wskaźniki, do których odnosi się użytkownik, zmniejszając różnice w zrozumieniu wynikające z różnych nawyków wyrażania.

Agent otrzymuje pytanie, najpierw znajduje odpowiednią definicję w Semantic View, a następnie przekształca je w instrukcje wykonawcze, które przekazuje do bazy danych.

Porównanie: Czy istnieje Semantic View

Porównując to samo pytanie: "Jaki jest budżet wydarzenia firmy?"

Bez Semantic View Agent bezpośrednio przeszukuje tabelę podstawową. W tabeli znajdują się cztery pola kwotowe, Agent nie rozumie, które z nich jest budżetem wydarzenia, więc sumuje wszystkie pola kwotowe, uzyskując około 29,161,800 juanów. Ten wynik jest błędny, ponieważ nieistotne pola również zostały uwzględnione.

W używanym w demonstracji campaign_analytics, "całkowity budżet kampanii" odpowiada total_bbbb_amount, a wyrażenie obliczeniowe to SUM(bbbb_amount). Agent odczytuje tę definicję, wybiera odpowiednie pola do zsumowania i uzyskuje 1 980 000 juanów; nie dodaje innych pól kwotowych. Ostatecznie w nagraniu wykonano zapytanie SQL z podstawowej tabeli, a Semantic View dostarcza podstawy biznesowe do wyboru i obliczania wskaźników.

Semantic View organizuje nazwy biznesowe, formuły wskaźników i wymiary analizy w definicje, które można ponownie wykorzystać, co pozwala różnym Agentom korzystać z wspólnych podstaw obliczeniowych, zmniejszając odchylenia wynikające z indywidualnych interpretacji pól i ścieżek interfejsów. Wyniki zapytań można weryfikować w połączeniu z definicjami wskaźników i wykonanym SQL.

Przykład: Obszar zamówień klienta detalicznego

Na przykładzie analizy zamówień klienta detalicznego. W obszarze zamówień należy najpierw rozróżnić zamówienia i szczegóły zamówień. Jedno zamówienie może zawierać wiele szczegółowych produktów, a ich granice statystyczne nie są takie same. Semantic View tworzy tematy biznesowe według zamówień i szczegółów produktów:

• Temat zamówienia definiuje "liczbę zamówień" i "wskaźnik anulacji", analizując według sklepu i miesiąca;

• Temat szczegółów sprzedaży definiuje "kwotę po rabacie", analizując według kanału, kategorii i produktu.

Granice statystyczne obu tematów są również jasno zapisane w definicji: sprzedaż dotyczy zamówień opłaconych, używając kwoty po rabacie z tematu szczegółów sprzedaży; wskaźnik anulacji to liczba anulowanych zamówień podzielona przez całkowitą liczbę zamówień.

Semantic View definiuje, jak obliczać wskaźniki i według jakich wymiarów można je analizować; zasady biznesowe uzupełniają granice statystyczne i wyjątki; materiały biznesowe dostarczają polityki, wydarzenia i podstawy tekstowe; metody analizy określają kroki rozbicia i weryfikacji; pamięć zadań zachowuje potwierdzone warunki i wnioski. Te treści mogą być niezależnie zarządzane, a MirrorMind centralnie zarządza powiązaniami, źródłami, wersjami i uprawnieniami dostępu, a następnie Agent używa ich w kombinacji z zadaniami. To pokazuje, że kontekst nie ogranicza się tylko do Semantic View, ale także wspiera ciągłą iterację wiedzy w biznesie.

Zarządzanie wiedzą jak kodem

Kontekst potrzebny Agentowi nie dotyczy tylko jednego Semantic View. Na przykład, analizując zmianę wskaźnika, często trzeba powiązać wiedzę biznesową i standardowy proces analizy. Nazywamy to kontekstem przedsiębiorstwa. MirrorMind centralnie zarządza tymi kontekstami: powiązania treści, źródła i wersje, uprawnienia dostępu.

Sposób zarządzania jest podobny do kodu, wzorujemy się na myśli Git: wiedza może tworzyć gałęzie, każda gałąź ma różne wersje; można cofnąć się do wersji, zobaczyć zrzut dowolnej wersji w danym czasie; po potwierdzeniu przez biznes, poprawna wersja jest wdrażana. Biznes się rozwija, wiedza również, ale każdy Agent otrzymuje wersję potwierdzoną przez biznes, która została wdrożona. Opinie użytkowników pozostawiają pełne zapisy śladów, które stają się wkładem do następnej rundy iteracji wiedzy.

Wiele zadań ponownie wykorzystuje potwierdzone definicje biznesowe i wiedzę, zmniejszając odchylenia w definicjach; aktualizacje wiedzy są przyjmowane po weryfikacji i zachowują wersje oraz podstawy rewizji, aby mogły być ponownie wykorzystywane i śledzone w przyszłych zadaniach.

MirrorPilot: Środowisko działania i dostarczania Agentów

Dane są dostępne, definicje są wiarygodne, ostatnim krokiem jest zorganizowanie ich w Agentów i dostarczenie do biznesu. To jest odpowiedzialność MirrorPilot. Jest to środowisko działania i dostarczania Agentów w przedsiębiorstwie, łącząc MirrorData i MirrorMind, dostarczając wyniki na zewnątrz.

Cztery kroki do wykonania zadania

Po stronie użytkownika są dwie ścieżki do wydawania zadań. Jedna to bezpośrednia rozmowa, w której analizy dokonuje się za pomocą platformy produktowej; druga to integracja z istniejącym systemem biznesowym przez API, ponownie wykorzystując możliwości Agentów.

Wykonanie zadania składa się z czterech kroków. Najpierw zrozumienie celu; następnie połączenie kontekstu i istniejących umiejętności, organizacja planu wykonania; potem wywołanie narzędzi, na przykład zapytania o konkretne definicje w Semantic View; na końcu przetworzenie wyników. Proste zadania są tutaj bezpośrednio dostarczane, złożone zadania będą wymagały wielokrotnego przeszukiwania i wieloetapowego wykonania, a następnie zwrócenia ostatecznych wyników do biznesu.

MirrorMind dostarcza kontekst w zależności od potrzeb zadania, a MirrorData odpowiada za wyszukiwanie wyników i ich potwierdzenie. Wokół samego działania istnieje cały zestaw zarządzania: zarządzanie sesjami, status zadań, zakres zasobów, budżet, przekroczenia czasu i rejestry działań, wszystko to jest wbudowane w MirrorPilot.

Dostarczanie nie tylko odpowiedzi

Dostarczane przez MirrorPilot materiały mogą być odpowiedzią, raportem lub API. Proces wykonania będzie ściśle dokumentowany: które SQL zostało użyte do obliczeń, jakie były zasady definicji, wszystko jest jasno dostępne. Użytkownik może kontynuować zadawanie pytań lub prześledzić całe zadanie.

Otwarte połączenie, akumulacja możliwości

Połączenie jest otwarte. MirrorPilot oferuje API Agentów, przedsiębiorstwa mogą inicjować zadania z istniejących systemów BI, portali operacyjnych lub systemów biznesowych, uzyskując wyniki zadań lub linki do sesji po autoryzacji serwera, a następnie integrować je zgodnie z istniejącymi metodami interakcji. Niestandardowe umiejętności służą do rozszerzenia kroków analizy, MCP do integracji z zewnętrznymi narzędziami.

Możliwości będą się akumulować. Istniejąca logika analizy może być przekształcona w szablony SQL, podobne problemy mogą ponownie wykorzystywać logikę zapytań według czasu, wymiarów itp., a po wykonaniu zwracać wyniki, zmniejszając pracę nad powtarzającym się generowaniem zapytań. Wiedza biznesowa, szablony SQL i umiejętności mogą być stale wykorzystywane i iterowane, a także wspierać integrację i zarządzanie niestandardowymi umiejętnościami.

Dlatego MirrorPilot może działać niezależnie, a także integrować się z istniejącymi aplikacjami przedsiębiorstwa, stopniowo rozszerzając możliwości analizy.

MirrorControl: Wspierające zaplecze zarządzania

Wspierając MirrorPilot, jest zaplecze zarządzania MirrorControl.

Podczas konfigurowania Agentów, wybiera się tutaj zakres danych, bazę wiedzy oraz używane Semantic View i umiejętności. Oferuje również zdolność wyszukiwania wiedzy, na przykład "jak w przedsiębiorstwie definiowany jest wskaźnik anulacji", wprowadzając pytanie można uzyskać definicję i wskazówki.

Przykład: Agent analizy operacyjnej klienta detalicznego

Na koniec, używając zanonimizowanego przypadku, łączymy trzy warstwy: pewien klient skonfigurował swój własny Agent analizy operacyjnej przy użyciu MIP.

Konfiguracja: najpierw określenie zakresu

Pierwszym krokiem w konfiguracji Agenta jest zdefiniowanie zakresu biznesowego: jaki jest zakres danych potrzebnych Agentowi, jakie są odpowiednie Semantic View w obszarze biznesowym, gdzie znajduje się odpowiednia baza wiedzy. Celem określenia zakresu jest zawężenie obszaru przeszukiwania Agenta, aby uniknąć zamieszania w wiedzy, co mogłoby prowadzić do błędnych odpowiedzi.

Następnie konfiguracja ról, zasad odpowiedzi i umiejętności. Na przykład, jakie standardowe procedury należy stosować podczas zadawania dodatkowych pytań i zagłębiania się w temat, jaki format raportu należy użyć, wszystko to jest definiowane tutaj. Narzędzia do wyszukiwania i przeszukiwania są wbudowane w Agenta, można bezpośrednio przeszukiwać wewnętrzną wiedzę przedsiębiorstwa i Semantic View.

Demonstracja: od pytania do raportu

Po zakończeniu konfiguracji, zobaczmy pełny proces użycia.

Wchodząc na platformę, najpierw wybiera się Agenta, którego zakres analizy został już określony w konfiguracji. Można zadać pytanie w naturalnym języku, na przykład poprosić Agenta o podział sprzedaży według kanałów. Agent poda wyniki analizy dla każdego kanału, dołączając wykresy i oryginalne SQL.

W przypadku odpowiedzi związanych z zapytaniami danych, użytkownik może zobaczyć odpowiednie zapytania, wskaźniki i zakres czasowy, a także zweryfikować wyniki w kontekście definicji obliczeń. Zachowanie zapytań i źródeł wiedzy ułatwia śledzenie procesu analizy.

Następnie można zadać pytanie: "Czy ten wskaźnik jest normalny? Czy podział według działów jest rozsądny?" Agent wywoła standardowe procedury i SOP z kontekstu przedsiębiorstwa, na przykład identyfikując anomalie w wskaźniku anulacji zamówień. Zasady oceny anomalii i metody analizy są zarządzane centralnie przez MirrorMind jako kontekst przedsiębiorstwa, a MirrorPilot odczytuje odpowiednią wiedzę, organizuje kroki i wywołuje MirrorData do wykonania zapytania.

Jeśli zada się kolejne pytanie: "Dlaczego to wzrosło?" Agent kontynuuje analizę kategorii, marki i produktów, przeszukując zdarzenia magazynowe oraz zapisy zapasów. Łączy te informacje ze zmianami wskaźnika anulacji w sklepach, przedstawiając możliwe przyczyny, odpowiednie dowody i sugerowane działania do dalszej weryfikacji przez personel biznesowy.

Po zakończeniu analizy użytkownik może kontynuować rozmowę, aby poprosić o raport dla zarządu. Agent zorganizuje dane, wykresy, materiały biznesowe i wnioski analizy w otwarty, do pobrania raport HTML, aby dział biznesowy mógł go omówić i zweryfikować.

Film demonstracyjny

Wracając do trzech pytań na początku

MirrorData pozwala wynikom wyszukiwania na dalsze uczestnictwo w powiązaniach SQL i analizie; MirrorMind centralnie zarządza definicjami biznesowymi i wiedzą przedsiębiorstwa, umożliwiając wielu Agentom ponowne wykorzystanie wspólnych definicji i podstaw; MirrorPilot organizuje dane, kontekst i metody analizy w zadania biznesowe, dostarczając odpowiedzi i raporty, które można weryfikować i śledzić.

Trzy pytania opierają się na tej samej podstawie, a tą podstawą jest MIP.

Niniejsza treść ma charakter wyłącznie informacyjny i nie stanowi porady finansowej, inwestycyjnej, prawnej ani podatkowej. Wszelkie wydarzenia, nagrody, promocje online lub powiązane informacje, o których tu mowa, nie powinny być traktowane jako rekomendacja, zachęta ani zaproszenie do kupna, sprzedaży, wymiany lub innego rodzaju obrotu aktywami kryptograficznymi. Aktywa kryptograficzne charakteryzują się dużą zmiennością i mogą prowadzić do strat. Dostępność usług, produktów i powiązanych wydarzeń WEEX może się różnić w zależności od regionu. Użytkownik jest odpowiedzialny za upewnienie się, że jego udział jest zgodny z obowiązującymi lokalnymi przepisami i regulacjami.