Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Explicaciones del chat rápido de Amazon
En Amazon Quick, cuando conversa con paneles y conjuntos de datos, cada respuesta incluye una explicación que muestra cómo el modelo llegó a cada afirmación numérica, incluidas las fuentes de datos, las suposiciones, los filtros, los cálculos y las consultas SQL que utilizó el modelo. En lugar de verificar manualmente cada respuesta buscando la fuente original y recreando la lógica, puede ver directamente las suposiciones del modelo con solo hacer clic en un botón.
Chatea con tus paneles
Cuando converse con los datos de su panel de control, abra la explicación para ver qué paneles y hojas se seleccionaron. También puedes ver qué filtros se aplicaron. Esto le ayuda a validar si la respuesta coincide con su intención.
Por ejemplo, supongamos que abres el panel de control «Test Drive Conversion» y preguntas «¿qué modelos de coches eléctricos tienen una puntuación de satisfacción casi perfecta pero una tasa de conversión baja?» Quieres comprobar si algunos coches dan buenos resultados en las pruebas de conducción, pero no dan como resultado una venta. Abre la explicación y consulta la sección de suposiciones. Chat definió el «modelo de automóvil eléctrico» utilizando la terminología de denominación de los modelos de vehículos. Buscó nombres que terminaran en «E» (eléctrico) o «SE» (eléctrico deportivo). Aunque eso podría ser correcto en la mayoría de los casos, el mejor campo para garantizar la precisión es «vehicle_fueltype». Lo escribes directamente en el chat: «usa el tipo de combustible del vehículo para identificar los coches eléctricos». A continuación, abre la Explicación actualizada y correcta.
Componentes de la explicación
-
Datos encontrados en: muestra los paneles y las hojas correspondientes de donde proviene la información.
-
Filtros: muestra los valores de los filtros del panel de control que se utilizaron para llegar a la respuesta.
-
Supuestos: desglosa cualquier definición derivada de un modelo lingüístico amplio (LLM) a partir de los datos directamente (por ejemplo, haciendo referencia a las instrucciones de los agentes) o del conocimiento mundial.
-
Explicación del cálculo: muestra todos los cálculos que el modelo realizó para llegar a la respuesta, presentados en lenguaje natural y como una fórmula matemática.
Chatea con tus conjuntos de datos
Cuando chateas directamente con tus conjuntos de datos, puedes ver las consultas SQL que se generan. Utilice estas consultas para comprobar que el modelo entendió su intención. En el ejemplo de un concesionario de automóviles, supongamos que preguntas «¿cuál es la tarifa por no presentarse y qué modelo de automóvil tiene más problemas con ella?»
-
Datos encontrados en: muestra los conjuntos de datos de los que proviene la información.
-
Supuestos: desglosa cualquier definición derivada de la LLM a partir de los datos directamente (por ejemplo, haciendo referencia a metadatos descriptivos a nivel de conjunto de datos) o del conocimiento mundial.
-
Explicación del cálculo: muestra todos los cálculos que el modelo realizó para llegar a la respuesta, presentada tanto en lenguaje natural como en forma de fórmula matemática.
-
SQL generado: muestra la consulta SQL específica que generó cada afirmación numérica.
