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.
Themen im Amazon Quick Chat verwenden
| Gilt für: Enterprise Edition |
Sie können Themen im Amazon Quick Chat verwenden, um Fragen in natürlicher Sprache zu stellen, die sich über mehrere Datensätze erstrecken. Der LLM-powered Chat-Agent verwendet Ihre definierten Beziehungen, Metadaten zur Datensatzanreicherung und benutzerdefinierte Anweisungen, um datensatzübergreifende SQL-Abfragen zu generieren und einheitliche Antworten zurückzugeben.
So funktionieren datensatzübergreifende Chat-Abfragen
Wenn Sie eine Frage in natürlicher Sprache zu einem Thema stellen, führt der Chat-Agent die folgenden Schritte aus:
-
Analyse der Absicht. Der Agent identifiziert, welche Spalten Ihren Begriffen entsprechen, indem er sie mit Spaltennamen, Beschreibungen und Synonymen aus den Anreicherungsmetadaten vergleicht. Er bestimmt, welche Datensätze die relevanten Kennzahlen und Dimensionen enthalten.
-
Durchquerung von Beziehungen. Mithilfe der definierten Join-Schlüssel und benutzerdefinierten Anweisungen bestimmt der Agent den Join-Pfad zwischen identifizierten Datensätzen. Er kann Beziehungen durchqueren, um Faktentabellen mit den erforderlichen Dimensionstabellen zu verbinden.
-
SQL-Generierung. Der Agent erstellt eine SQL-Abfrage mit den entsprechenden JOIN-Klauseln, Aggregation und GROUP BY für die angeforderten Dimensionen.
-
Präsentation der Ergebnisse. Die Antwort wird als Visualisierung oder Tabelle zurückgegeben, wobei das generierte SQL im Erklärungsfeld zur Überprüfung zur Verfügung steht.
Chat-Funktionen mit Themen
Der LLM-powered Chat-Agent unterstützt eine umfassendere SQL-Generierung als der in Analyseblättern verwendete definierte Beziehungspfad. Wenn Sie ein Thema für den Chat mit benutzerdefinierten Anweisungen konfigurieren, kann der Agent Folgendes generieren:
-
Innere, linke, rechte und vollständige äußere Verknüpfungen
-
Vereinigen Sie Abfragen über Tabellen mit demselben Schema
-
Unterabfragen nach Negationsmustern (z. B. „Kunden, die noch nie bestellt haben“)
-
Cross-grain Vergleiche (z. B. tägliche Istwerte im Vergleich zu monatlichen Zielen)
-
Self-joins für rekursive Hierarchien (z. B. Beziehungen zwischen Mitarbeitern und Führungskräften)
Je umfangreicher Ihre Anreicherungsmetadaten und benutzerdefinierten Anweisungen sind, desto genauer interpretiert der Agent mehrdeutige Fragen.
Einen Chat mit einem Thema starten
Um mit einem Thema zu chatten:
-
Navigiere zum Thema und wähle das Chat-Symbol. Ihr Thema ist automatisch als Kontext verfügbar.
-
Oder verwenden Sie im Amazon Quick Chat den Datenfilter, um Bestimmte Daten und Apps auszuwählen und Ihr Thema auszuwählen.
Stellen Sie Fragen in natürlicher Sprache, die sich über mehrere Datensätze erstrecken. Beispiel:
-
„Zeige den Gesamtumsatz nach Kundensegment und Filialregion“
-
„Wie hoch ist die Retourenquote nach Produktkategorien?“
-
„Welche Geschäfte liegen unter 80% ihres monatlichen Ziels?“
Verwenden Sie das Erklärungsfeld, um die generierte SQL anzuzeigen und zu überprüfen, ob die richtigen Datensätze und Verknüpfungen verwendet wurden.
Unterschiede zu älteren Themen im Chat
Das Chat-Erlebnis unterscheidet sich erheblich zwischen neuen Themen und älteren Themen:
| Aspekt | Neue Themen | Ältere Themen |
|---|---|---|
KI-Modell |
LLM-powered Chat-Agent |
Veraltetes ML-based Fuzzy-Suchmodell |
Cross-dataset Abfragen |
Ja — durchläuft Beziehungen und generiert datensatzübergreifendes SQL mit Laufzeitverknüpfungen |
Nein — wählt einen Datensatz aus und fragt nur diesen Datensatz ab |
JOIN-Typen |
Innere, linke, rechte, vollständige äußere, Vereinigung, Unterabfrage |
Nicht zutreffend (einzelner Datensatz) |
SQL-Sichtbarkeit |
Generiertes SQL wird im Erklärungsfeld angezeigt |
Nicht verfügbar |
Anmerkung
Sie können sowohl mit neuen als auch mit älteren Themen chatten. Ältere Themen verwenden jedoch das alte ML-based Modell und unterstützen keine datensatzübergreifenden Abfragen. Informationen zu älteren Themen finden Sie unterArbeiten mit älteren Themen.
