As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Explicações do Amazon Quick Chat
No Amazon Quick, quando você conversa com painéis e conjuntos de dados, cada resposta inclui uma explicação que mostra como o modelo chegou a cada afirmação numérica, incluindo as fontes de dados, suposições, filtros, cálculos e consultas SQL que o modelo usou. Em vez de verificar manualmente cada resposta encontrando a fonte original e recriando a lógica, você pode ver diretamente as suposições do modelo com o clique de um botão.
Converse com seus painéis
Ao conversar com os dados do painel, abra a Explicação para ver quais painéis e planilhas foram selecionados. Você também pode ver quais filtros foram aplicados. Isso ajuda você a validar se a resposta corresponde à sua intenção.
Por exemplo, suponha que você abra o painel “Test Drive Conversion” e pergunte “quais modelos de carros elétricos têm uma pontuação de satisfação quase perfeita, mas uma baixa taxa de conversão?” Você quer ver se alguns carros testam bem, mas não resultam em uma venda. Você abre a Explicação e verifica a seção Suposições. O Chat definiu o “modelo de carro elétrico” usando a terminologia de nomenclatura do modelo do veículo. Ele pesquisou nomes que terminassem com “E” (elétrico) ou “SE” (esporte elétrico). Embora isso possa estar correto na maioria dos casos, o melhor campo para garantir a precisão é “vehicle_fueltype”. Você digita isso diretamente no chat: “use o tipo de combustível do veículo para identificar carros elétricos”. Em seguida, você abre a explicação atualizada e correta.
Componentes de explicação
-
Dados encontrados em — Exibe os painéis e as planilhas correspondentes de onde veio o insight.
-
Filtros — Lista os valores do filtro do painel que foram usados para chegar à resposta.
-
Suposições — Descompacta qualquer definição derivada do modelo de linguagem grande (LLM) diretamente dos dados (como instruções do agente de referência) ou do conhecimento mundial.
-
Cálculo explicado — Mostra todos os cálculos que o modelo realizou para chegar à resposta, apresentados em linguagem natural e como uma fórmula matemática.
Converse com seus conjuntos de dados
Ao conversar diretamente com seus conjuntos de dados, você pode ver as consultas SQL que são geradas. Use essas consultas para verificar se o modelo entendeu sua intenção. No exemplo da concessionária de automóveis, suponha que você pergunte “qual é a taxa de não comparecimento e qual modelo de carro tem mais dificuldades com ela?”
-
Dados encontrados em — Exibe os conjuntos de dados de onde veio o insight.
-
Suposições — Descompacta todas as definições derivadas do LLM diretamente dos dados (como referenciar metadados descritivos em nível de conjunto de dados) ou do conhecimento mundial.
-
Cálculo explicado — Mostra todos os cálculos que o modelo realizou para chegar à resposta, apresentados em linguagem natural e como uma fórmula matemática.
-
SQL gerado — Exibe a consulta SQL específica que produziu cada declaração numérica.
