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.
Utilizzo degli argomenti in Amazon Quick chat
| Si applica a: Enterprise Edition |
Puoi utilizzare Topics in Amazon Quick chat per porre domande in linguaggio naturale che si estendono su più set di dati. L'agente di LLM-powered chat utilizza le relazioni definite, i metadati di arricchimento dei set di dati e le istruzioni personalizzate per generare query SQL tra set di dati e restituire risposte unificate.
Come funzionano le query di chat tra set di dati
Quando fai una domanda in linguaggio naturale su un argomento, l'agente di chat esegue i seguenti passaggi:
-
Analisi degli intenti. L'agente identifica quali colonne corrispondono ai tuoi termini confrontandoli con i nomi delle colonne, le descrizioni e i sinonimi dei metadati di arricchimento. Determina quali set di dati contengono le misure e le dimensioni pertinenti.
-
Attraversamento delle relazioni. Utilizzando le chiavi di join definite e le istruzioni personalizzate, l'agente determina il percorso di join tra i set di dati identificati. Può attraversare le relazioni per collegare le tabelle dei fatti alle tabelle delle dimensioni necessarie.
-
Generazione SQL. L'agente costruisce una query SQL con clausole JOIN appropriate, aggregazione e GROUP BY per le dimensioni richieste.
-
Presentazione dei risultati. La risposta viene restituita come visualizzazione o tabella, con l'SQL generato disponibile per l'ispezione nel pannello Spiegazione.
Funzionalità di chat con Topics
L'agente di LLM-powered chat supporta una generazione di SQL più ricca rispetto al percorso di relazione definito utilizzato nei fogli di analisi. Quando si configura un argomento per la chat con istruzioni personalizzate, l'agente può generare:
-
Unioni interne, sinistre, destre ed esterne complete
-
Unisci le query tra tabelle con lo stesso schema
-
Interrogazioni secondarie per modelli di negazione (ad esempio, «clienti che non hanno mai ordinato»)
-
Cross-grain confronti (ad esempio, valori effettivi giornalieri rispetto agli obiettivi mensili)
-
Self-joins per gerarchie ricorsive (ad esempio, relazioni dipendente-manager)
Quanto più ricchi sono i metadati di arricchimento e le istruzioni personalizzate, tanto più accuratamente l'agente interpreta le domande ambigue.
Avvio di una chat con un argomento
Per chattare con un argomento:
-
Vai all'argomento e scegli l'icona della chat. Il tuo argomento è automaticamente disponibile come contesto.
-
Oppure, da Amazon Quick chat, usa il filtro dati per selezionare Dati e app specifici e scegli il tuo argomento.
Fai domande in linguaggio naturale che si estendono su più set di dati. Ad esempio:
-
«Mostra le vendite totali per segmento di clientela e regione del negozio»
-
«Qual è il tasso di restituzione per categoria di prodotto?»
-
«Quali negozi sono inferiori all'80% del loro obiettivo mensile?»
Utilizza il pannello Spiegazione per visualizzare l'SQL generato e verificare che siano stati utilizzati i set di dati e i join corretti.
Differenze rispetto agli argomenti precedenti presenti nella chat
L'esperienza di chat differisce notevolmente tra i nuovi argomenti e gli argomenti precedenti:
| Aspetto | Nuovi argomenti | Argomenti precedenti |
|---|---|---|
Modello AI |
LLM-powered agente di chat |
Modello di ML-based ricerca fuzzy legacy |
Cross-dataset domande |
Sì: attraversa le relazioni e genera SQL tra set di dati con join di runtime |
No: seleziona un set di dati e interroga solo quel set di dati |
Tipi di join |
Interno, sinistro, destro, esterno completo, unione, sottoquery |
Non applicabile (set di dati singolo) |
Visibilità SQL |
SQL generato mostrato nel pannello Spiegazione |
Non disponibile |
Nota
Puoi chattare sia con argomenti nuovi che con argomenti precedenti. Tuttavia, gli argomenti precedenti utilizzano il ML-based modello precedente e non supportano le interrogazioni tra set di dati. Per informazioni sugli argomenti precedenti, vedere. Lavorare con argomenti precedenti
