Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Arricchimento del set di dati

Dataset Enrichment è una funzionalità di Amazon Quick Sight che consente agli autori di set di dati di aggiungere ricchi metadati semantici ai propri set di dati. Fornendo descrizioni, istruzioni personalizzate e metadati strutturati, ti assicuri che sia i consumatori umani che AI-powered gli agenti comprendano cosa rappresenta un set di dati e come utilizzarlo.

Panoramica sull'arricchimento dei set di dati

Dataset Enrichment consente agli autori e ai professionisti degli autori di annotare i set di dati con un contesto semantico sia a livello di set di dati che a livello di colonna. Questi metadati collegano i dati grezzi al contesto aziendale. Serve due tipi di pubblico:

Componenti di Dataset Enrichment

Dataset-level arricchimento

Column-level arricchimento

Vantaggi dell'arricchimento dei set di dati

Autorizzazioni e requisiti

Gli autori e gli autori professionisti con licenze Enterprise possono arricchire qualsiasi set di dati di loro proprietà o gestione.

Accesso a Dataset Enrichment

Per accedere a Dataset Enrichment, completare i seguenti passaggi.

Scrivere istruzioni personalizzate efficaci

Le istruzioni personalizzate sono il componente di maggior impatto di Dataset Enrichment. Guidano direttamente gli agenti di intelligenza artificiale su come interpretare e interrogare un set di dati. Di seguito sono riportati alcuni esempi di istruzioni personalizzate efficaci e inefficaci.

Buone istruzioni personalizzate

Esempio 1: set di dati sulle entrate

This dataset contains net revenue after returns and discounts, calculated
on an accrual basis. Revenue is recognized at the point of sale for retail
transactions and upon delivery confirmation for B2B orders. All figures are
in USD. The 'revenue' column specifically excludes taxes, shipping fees,
and promotional credits. For year-over-year comparisons, use the
'fiscal_year' field rather than 'calendar_year' as our fiscal year runs
April–March.

Perché è efficace:

Esempio 2: set di dati del cliente

Customer status definitions: 'Active' = purchased within last 12 months;
'Dormant' = 12–24 months since last purchase; 'Churned' = 24+ months
inactive. The 'customer_segment' field uses RFM analysis (Recency,
Frequency, Monetary). 'Lifetime_value' is calculated as total historical
spend, not predictive LTV. When analyzing customer counts, always filter
out 'is_test_account = true' to exclude internal test data.

Perché è efficace:

Istruzioni personalizzate inefficaci

Esempio: set di dati dei clienti

Contains customer information including names, addresses, purchase history,
and other details. Use this for customer analysis.

Perché è inefficace:

Principi chiave per scrivere buone istruzioni personalizzate

Due approcci all'arricchimento semantico

Annotazione manuale UI-based

Gli autori dei set di dati aggiungono direttamente descrizioni di set di dati e colonne e istruzioni personalizzate tramite l'interfaccia Quick Sight. Quick Sight mostra le descrizioni in modo ben visibile nell'interfaccia utente, aiutando tutti gli utenti a comprendere il contenuto dei set di dati, le definizioni delle colonne e i casi d'uso appropriati.

Caricamento di file da cataloghi esterni

Gli autori dei set di dati possono esportare metadati semantici da cataloghi esterni e allegare un file per set di dati in formato YAML, JSON o TXT tramite l'API o l'interfaccia utente. Sebbene queste informazioni vengano utilizzate dai modelli di intelligenza artificiale anziché visualizzate nell'interfaccia utente, consentono metadati di livello di catalogo su larga scala.

Il livello di consumo: Dataset Q&A

Dataset Q&A è il livello di consumo che utilizza i metadati di Dataset Enrichment. Consente agli utenti di porre domande aperte in linguaggio naturale direttamente sui set di dati a cui hanno accesso, senza bisogno di dashboard predefinite o argomenti configurati manualmente.

L'agente AI utilizza il contesto arricchito nei seguenti modi:

Senza arricchimento, l'agente AI ha solo nomi di colonne e tipi di dati con cui lavorare, che sono spesso ambigui. Con l'arricchimento, l'agente riceve il contesto aziendale completo necessario per:

Dopo aver aggiunto un contesto semantico a un set di dati, gli utenti possono fare riferimento al set di dati nelle domande e risposte e interrogarlo tramite chat. L'agente AI utilizza i metadati aggiunti per fornire risposte più accurate.

Riepilogo

Dataset Enrichment aggiunge metadati semantici ai set di dati per l'analisi. AI-powered Investendo qualche minuto nell'aggiunta di descrizioni, istruzioni personalizzate e file di metadati, gli autori dei set di dati possono migliorare l'accuratezza delle domande e AI-powered risposte, rendendo al contempo i set di dati più comprensibili e accessibili a tutti i consumatori dell'organizzazione.