Урок 18 · 9 мин чтения

AI для кастомных визуалов (Deneb / Vega-Lite)

Как AI помогает собирать нестандартные визуалы через Deneb — и почему это всё ещё требует знаний и критического мышления.

Что такое кастомный визуал

Это визуализация сверх стандартного набора Power BI — когда обычными визуалами нужный дизайн или поведение не собрать. Сделать её можно несколькими путями:

Deneb — визуал, принимающий спецификации Vega-Lite (декларативный JSON для графики);

SVG в DAX-мере (наш генератор SVG-мер — как раз про это);

Python / R / JavaScript.

AI чаще всего помогает с Deneb: вместо ручного написания громоздкого Vega-Lite JSON вы просите LLM сгенерировать каркас спецификации.

Рабочий процесс (10 шагов)

Статья предлагает дисциплину, а не «попроси — вставь»:

понять бизнес-требование и процесс;

нарисовать визуал (вайрфрейм/мокап);

выбрать подход (здесь — Deneb);

спланировать техническую структуру;

собрать примеры и контекст для промпта;

выбрать LLM (для кода хорошо подходит Claude);

написать детальный промпт с дизайном и контекстом;

проверить вывод до запуска;

свериться с документацией;

итерировать и тестировать на реальных данных с фильтрами.

Промпт и инкрементальность

Промпт должен быть детальным и структурированным. И не просите весь визуал разом — стройте по слою за раз (отдельные marks/layers). Так проще отлаживать и понимать, что делает каждый кусок.

Что проверять перед запуском

До прогона кода ищите типовые проблемы: перепутанные имена полей, захардкоженные значения вместо ссылок на поля, лишние преобразования, синтаксис. И обязательно тестируйте с фильтрацией — статичный первый вид часто прячет ошибки взаимодействия.

Где AI подводит

LLM выдаёт многословный, сложный или устаревший код;

вероятностная природа → результат не гарантирован;

галлюцинации: в примере статьи AI придумал тип mark, которого нет в документации;

неполная обработка агрегации, если не задана структура данных;

«точка невозврата»: диалог запутывается настолько, что прогресс встаёт — нужно начать заново или вернуться к основам.

Не «брутфорсить» итерациями

Бесконечно просить LLM «почини» — медленнее, чем один раз свериться с документацией и понять ошибку. Используйте оператор site: в поиске, чтобы найти ответ в официальных доках Vega-Lite / Deneb, а не доверять пересказу модели.

Рекомендации

Сначала — доверенные источники (офиц. доки Vega-Lite, Deneb), потом LLM.

Давайте полный контекст: дизайн, описание полей, структуру данных. Размытый промпт → размытый результат.

Стройте инкрементально, слой за слоем.

Не относитесь к коду как к «чёрному ящику» — меняйте и смотрите, что делает каждая часть.

Проверяйте в Power BI с фильтрами и крайними случаями.

Знайте, когда расчёт уместнее в DAX-мере, а не в спецификации визуала.

Итог

«Если делаете не скриншот для LinkedIn, а визуал для реальной работы — ждите, что он всё равно потребует времени и усилий». AI снижает трение, но это инструмент для эксперта с критическим мышлением, а не кнопка «сделать красиво».

Что дальше

AI-блок продвинутого курса закрыт: моделирование через MCP, агентная разработка, кастомные визуалы. Дальше — field parameters, what-if и DAX-паттерны; production-темы (шлюз, RLS, оптимизация, SSAS) — в курсе «Эксплуатация и масштаб».

Как правильно собирать кастомный визуал в Deneb с помощью AI?

Промпт — детальный, сборка — по слою за раз, проверка — по доками Vega-Lite/Deneb (оператор site:), тест — с фильтрацией. «Брутфорс» итерациями медленнее понимания ошибки; часть логики уместнее в DAX.