Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Erläuterungen zum Amazon Quick Chat
Wenn Sie in Amazon Quick mit Dashboards und Datensätzen chatten, enthält jede Antwort eine Erklärung, aus der hervorgeht, wie das Modell zu jeder numerischen Aussage gekommen ist, einschließlich der Datenquellen, Annahmen, Filter, Berechnungen und SQL-Abfragen, die das Modell verwendet hat. Anstatt jede Antwort manuell zu überprüfen, indem Sie die ursprüngliche Quelle suchen und die Logik neu erstellen, können Sie die Annahmen des Modells mit einem Klick auf eine Schaltfläche direkt einsehen.
Chatten Sie mit Ihren Dashboards
Wenn Sie mit Ihren Dashboard-Daten chatten, öffnen Sie die Erklärung, um zu sehen, welche Dashboards und Blätter ausgewählt wurden. Sie können auch sehen, welche Filter angewendet wurden. Auf diese Weise können Sie überprüfen, ob die Antwort Ihrer Absicht entspricht.
Nehmen wir zum Beispiel an, Sie öffnen das Dashboard „Test Drive Conversion“ und fragen: „Welche Elektroauto-Modelle haben einen nahezu perfekten Zufriedenheitswert, aber eine niedrige Konversionsrate?“ Sie möchten herausfinden, ob einige Autos gut getestet werden, aber nicht zu einem Verkauf führen. Sie öffnen die Erklärung und überprüfen den Abschnitt Annahmen. Chat definierte das „Elektroauto-Modell“ anhand der Terminologie zur Benennung von Fahrzeugmodellen. Es wurde nach Namen gesucht, die mit „E“ (elektrisch) oder „SE“ (Sportelektrik) endeten. Das mag zwar in den meisten Fällen richtig sein, aber das beste Feld zur Sicherstellung der Genauigkeit ist „vehicle_fueltype“. Sie geben das direkt in den Chat ein: „Verwende den Kraftstofftyp des Fahrzeugs zur Identifizierung von Elektroautos.“ Anschließend öffnest du die aktualisierte und korrekte Erklärung.
Bestandteile der Erklärung
-
Daten gefunden in — Zeigt die Dashboards und die entsprechenden Blätter an, aus denen die Erkenntnisse stammen.
-
Filter — Listet die Dashboard-Filterwerte auf, die verwendet wurden, um zu der Antwort zu gelangen.
-
Annahmen — Entpackt alle vom Large Language Model (LLM) abgeleiteten Definitionen entweder direkt aus den Daten (wie Anweisungen für Referenzierungsagenten) oder aus dem Weltwissen.
-
Berechnung erklärt — Zeigt alle Berechnungen an, die das Modell durchgeführt hat, um zu der Antwort zu gelangen, und zwar sowohl in natürlicher Sprache als auch als mathematische Formel.
Chatten Sie mit Ihren Datensätzen
Wenn Sie direkt mit Ihren Datensätzen chatten, können Sie die generierten SQL-Abfragen sehen. Verwenden Sie diese Abfragen, um zu überprüfen, ob das Modell Ihre Absicht verstanden hat. Nehmen wir im Beispiel eines Autohändlers an, Sie fragen: „Was ist die No-Show-Rate und welches Automodell hat damit am meisten zu kämpfen?“
-
Daten gefunden in — Zeigt die Datensätze an, aus denen die Erkenntnisse stammen.
-
Annahmen — Entpackt alle LLM-derived Definitionen entweder direkt aus den Daten (wie der Verweis auf beschreibende Metadaten auf Datensatzebene) oder aus dem Weltwissen.
-
Berechnung erklärt — Zeigt alle Berechnungen an, die das Modell durchgeführt hat, um zu der Antwort zu gelangen, und zwar sowohl in natürlicher Sprache als auch als mathematische Formel.
-
Generiertes SQL — Zeigt die spezifische SQL-Abfrage an, die zu jedem numerischen Anspruch geführt hat.
