Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Explications du chat Amazon Quick
Dans Amazon Quick, lorsque vous discutez avec des tableaux de bord et des ensembles de données, chaque réponse inclut une explication qui montre comment le modèle est parvenu à chaque réclamation numérique, y compris les sources de données, les hypothèses, les filtres, les calculs et les requêtes SQL utilisés par le modèle. Au lieu de vérifier manuellement chaque réponse en recherchant la source d'origine et en recréant la logique, vous pouvez voir directement les hypothèses du modèle en un clic.
## Discutez avec vos tableaux de bord
Lorsque vous discutez avec les données de votre tableau de bord, ouvrez l'explication pour voir quels tableaux de bord et quelles feuilles ont été sélectionnés. Vous pouvez également voir quels filtres ont été appliqués. Cela vous permet de vérifier si la réponse correspond à votre intention.
Supposons, par exemple, que vous ouvriez votre tableau de bord « Test Drive Conversion » et que vous demandiez « quels modèles de voitures électriques ont un score de satisfaction presque parfait mais un faible taux de conversion ? » Vous voulez voir si certaines voitures sont bien testées mais n'aboutissent pas à une vente. Vous ouvrez l'explication et consultez la section Hypothèses. Chat a défini le « modèle de voiture électrique » en utilisant la terminologie de dénomination des modèles de véhicules. Il recherchait des noms se terminant par « E » (électrique) ou « SE » (sport électrique). Bien que cela puisse être correct dans la plupart des cas, le meilleur champ pour garantir la précision est « vehicle\_fueltype ». Vous tapez cela directement dans le chat : « utilisez le type de carburant du véhicule pour identifier les voitures électriques ». Vous ouvrez ensuite l'explication actualisée et correcte.
### Éléments d'explication
+ **Données trouvées dans** : affiche les tableaux de bord et les feuilles correspondantes d'où proviennent les informations.
+ **Filtres** : répertorie les valeurs des filtres du tableau de bord qui ont été utilisées pour obtenir la réponse.
+ **Hypothèses** — Déballe toutes les définitions dérivées d'un grand modèle linguistique (LLM) à partir des données directement (comme les instructions d'un agent de référencement) ou à partir des connaissances du monde entier.
+ **Calcul expliqué** — Affiche tous les calculs effectués par le modèle pour obtenir la réponse, présentés à la fois en langage naturel et sous forme de formule mathématique.
## Discutez avec vos ensembles de données
Lorsque vous discutez directement avec vos ensembles de données, vous pouvez voir les requêtes SQL générées. Utilisez ces requêtes pour vérifier que le modèle a compris votre intention. Dans l'exemple d'un concessionnaire automobile, supposons que vous demandiez « quel est le taux de non-présentation et quel modèle de voiture a le plus de mal à le supporter ? »
+ **Données trouvées dans** : affiche les ensembles de données d'où proviennent les informations.
+ **Hypothèses** — Décompresse toutes LLM-derived les définitions directement à partir des données (par exemple en faisant référence à des métadonnées descriptives au niveau des ensembles de données) ou à partir des connaissances du monde entier.
+ **Calcul expliqué** — Affiche tous les calculs effectués par le modèle pour obtenir la réponse, présentés à la fois en langage naturel et sous forme de formule mathématique.
+ **SQL généré** : affiche la requête SQL spécifique qui a produit chaque réclamation numérique.
