Wie Nova AI Ihr Datenbankschema automatisch lernt

Sehen Sie alles, was Query Streams über diesen Leitfaden hinaus leisten können Startet kostenlos

Unterstützt

+mehr

Live-Daten

Ersetzen Sie Exporte durch On-Demand-SQL

Excel Blätter

BI & KI-Analytik

Fragen Sie Nova und erhalten Sie SQL + Diagramme

Treffen mit Nova

REST-API für Datenbanken

Ein Schlüssel pro Partner. Zugangsdaten werden nicht weitergegeben.

Erstellen Sie eine API

+mehr

Automatisierung

Geplante Synchronisierung mit 6+ Plattformen

Erkunden Sie

+mehr

API zu SQL

Abfrage von APIs mit SQL, ohne Code

Erkunden Sie

+mehr

KI-Datenbank MCP

Claude, Cursor, ChatGPT & Grok sprechen mit Ihren Daten

Connect AI

Query Streams ist eine sichere Echtzeit-Datenbankintegrationsplattform, deren KI-Engine Nova Ihr Datenbankschema automatisch lernt, bevor sie eine einzige SQL-Abfrage generiert. Weitere Informationen finden Sie unter QueryStreams.com. und kostenlos anmelden Beginnen Sie damit, Ihre Datenbankfragen in einfacher Sprache zu stellen.

Semantische Intelligenz ist eine KI-basierte semantische Schicht Für Ihre Datenbank: Nova bildet Ihre Tabellen, Spalten und Beziehungen einmalig ab und beantwortet dann alle Fragen anhand dieser Abbildung.

Warum Schemaverständnis für KI-SQL wichtig ist

Die KI-gestützte SQL-Generierung hat ein grundlegendes Problem, das die meisten Plattformen ignorieren: Die KI kennt Ihre Datenbank nicht. Generische Chatbots können zwar syntaktisch korrektes SQL schreiben, haben aber keinerlei Kenntnisse über Ihre tatsächlichen Tabellennamen, Spaltentypen, Datenwerte oder Beziehungen. Fordern Sie sie auf, Ihre Verkaufsdaten abzufragen, und sie erfinden plausibel klingende Spaltennamen wie beispielsweise „Verkaufsdaten“. Gesamtumsatz oder Kundenname Diese Spalte existiert möglicherweise nicht in Ihrem Schema. Die Abfrage sieht korrekt aus. Sie lässt sich kompilieren. Sie liefert entweder einen Fehler oder, schlimmer noch, falsche Ergebnisse aus einer anderen Spalte, die zufällig übereinstimmt.

Dies ist das Halluzinationsproblem, angewendet auf die Analyse von Datenbankschemata. Die Lücke liegt nicht in der Fähigkeit der KI, SQL-Syntax zu schreiben. Moderne Sprachmodelle sind kompetente SQL-Schreiber. Die Lücke liegt im Wissen. Was Um SQL-Abfragen zu schreiben, muss man wissen, welche Tabellen existieren, welche Spalten sie enthalten, wie die Tabellen zueinander in Beziehung stehen, welche Werte in Filterspalten vorkommen und welchen SQL-Dialekt die Zieldatenbank erwartet. Ohne diese Grundlagen tappt selbst der ausgefeilteste KI-Abfragegenerator im Dunkeln. Semantische Intelligenz ist der Schlüssel, um dieses Rätselraten vollständig zu eliminieren und einen KI-SQL-Assistenten zu schaffen, der auf verifiziertem Wissen statt auf Wahrscheinlichkeitsrechnung basiert.

Die 5-phasige semantische Intelligenzpipeline

Novas automatisches Schema-Lernen führt eine strukturierte 5-Phasen-Pipeline aus, sobald Sie eine Datenquelle verbinden. Jede Phase baut auf der vorherigen auf und vertieft so schrittweise das Verständnis der KI für Ihre Datenbankstruktur. Die Pipeline verarbeitet bis zu 10 Tabellen gleichzeitig, um eine hohe Geschwindigkeit zu gewährleisten, unterstützt 9 SQL-Dialekte und speichert alle erlernten Informationen dauerhaft. Daher muss die Analyse nur einmal pro Datenbank ausgeführt werden, es sei denn, Ihr Schema ändert sich.

Phase 1: Erfassung des Schemakatalogs

Die erste Phase stellt über die Abfrage-Streams-Agent Der Agent liest den Informationskatalog des Schemas. Dabei werden alle Tabellennamen, Spaltennamen, Datentypen, Indexdefinitionen, Fremdschlüsselbeschränkungen, Zeilenanzahlen und Entwicklerkommentare aller zugänglichen Schemas erfasst. Der Agent läuft in Ihrem eigenen Netzwerk und stellt eine sichere, ausschließlich ausgehende Verbindung her. Daher sind keine eingehenden Ports, VPN-Tunnel oder Firewall-Änderungen erforderlich. Die Erfassung des Schemakatalogs erfolgt schnell, da Metadaten und nicht Daten gelesen werden. Eine Datenbank mit 200 Tabellen schließt diese Phase typischerweise in weniger als 3 Sekunden ab. Das Ergebnis ist eine vollständige Strukturkarte, die Nova als Grundlage für jede nachfolgende Phase und jede generierte SQL-Abfrage verwendet.

Phase 2: Datenerhebung

Sobald Nova die vorhandenen Tabellen und Spalten kennt, muss es deren Werte ermitteln. Phase 2 sendet eine einzelne ProfileTableForAI Aufruf pro Tabelle über den Query Streams Agent. Diese spezielle Profilierungsoperation ersetzt die sonst erforderlichen 11 bis 28 separaten Abfragen pro Tabelle: Stichproben von eindeutigen Werten, Erkennung von Wertverteilungen, Ermittlung der NULL-Rate, Erkennung von Enum-Mustern und Messung der Kardinalität – alles in einem einzigen Netzwerk-Roundtrip. Durch die Datenstichprobe erkennt Nova, dass Ihre Zustand In dieser Spalte werden zweibuchstabige Abkürzungen wie „CA“ anstelle von „California“ verwendet, oder dass Ihre Status Das Feld enthält „aktiv“/„inaktiv“ anstelle von 0/1. Dadurch wird die äußerst ärgerliche Fehlerklasse verhindert. Text-zu-SQL Fehler: Abfragen, die strukturell korrekt sind, aber nach Werten filtern, die in Ihren Daten nicht existieren.

Phase 3: Ermittlung impliziter Fremdschlüssel

Viele Produktionsdatenbanken weisen Beziehungen zwischen Tabellen auf, die nicht als formale Fremdschlüsselbeziehungen deklariert sind. Kunden-ID Spalte und ein orders.customer_id Spalten stehen zwar in einem klaren Zusammenhang, aber wenn im Schema keine Fremdschlüsselbeziehung (FK-Constraint) existiert, erkennt ein einfacher Kataloglesevorgang diese Verbindung nicht. Phase 3 löst dieses Problem, indem sie Spaltennamen, Datentypen und Werteüberschneidungen analysiert, um nicht deklarierte Beziehungen zwischen Tabellen zu identifizieren. Diese implizite FK-Erkennung ist entscheidend für komplexe Datenbankabfragen in natürlicher Sprache, die Joins über mehrere Tabellen erfordern. Ohne sie könnte Nova nur Tabellen mit deklarierten Fremdschlüsseln verknüpfen, was in vielen realen Datenbanken weniger als die Hälfte der tatsächlichen Beziehungen abdeckt. Durch die Abbildung sowohl deklarierter als auch impliziter Beziehungen kann Nova Join-Pfade im gesamten Schema nachverfolgen und präzise Abfragen über mehrere Tabellen generieren, beispielsweise für Anfragen wie „Zeig mir Bestellungen mit Kundennamen und Produktdetails“.

Phase 4: LLM-Anreicherung

Phase 4 übergibt die Struktur- und Profiling-Daten zur semantischen Anreicherung an die KI. Das LLM generiert lesbare Beschreibungen für jede Tabelle und Spalte und klassifiziert semantische Typen (und identifiziert, dass …). erstellt am ist ein Erstellungszeitstempel, E-Mail ist ein Kontaktfeld, Artikelnummer Nova erkennt enum-ähnliche Spalten, in denen sich eine endliche Menge von Werten über mehrere Zeilen wiederholt, und ordnet Tabellen Geschäftsbereichen wie Vertrieb, Lager, Personalwesen oder Finanzen zu. Diese Anreicherung wandelt technische Rohdaten in Kontextwissen um. Wenn Sie beispielsweise fragen: „Zeig mir die Mitarbeitergehälter nach Abteilung“, gleicht Nova nicht einfach nur das Wort „Mitarbeiter“ mit einem Tabellennamen ab. Es erkennt, welche Tabellen zum Personalwesen gehören, welche Spalten Vergütungsdaten enthalten und welche Spalte als Abteilungsgruppierung dient. Diese semantische Klassifizierung unterscheidet ein Tool zur Stichwortsuche von einem KI-gestützten SQL-Assistenten, der Ihr Datenmodell wirklich versteht.

Phase 5: Ergebnisverarbeitung

Die letzte Phase speichert das gesamte erlernte Wissen und berechnet Abdeckungsmetriken. Nova verfolgt den Abschluss der Analyse auf drei Ebenen: pro Datenbank (Anzahl der profilierten Tabellen), pro Tabelle (Anzahl der angereicherten Spalten) und pro Spalte (Abgeschlossenheit von Typklassifizierung und Wertprofilierung). Die Ergebnisverarbeitung umfasst auch die Nachverfolgung der Mitwirkenden. Jedes erlernte Wissen wird als KI-generiert oder von einem Menschen beigetragen gekennzeichnet. Teammitglieder können das Lernen der KI über eine dialogbasierte Trainingsschnittstelle unterstützen. Nova generiert hier gezielte Fragen zu mehrdeutigen Spalten oder Tabellen, die von den Nutzern in natürlicher Sprache beantwortet werden. Dieser kollaborative Ansatz kombiniert die Geschwindigkeit der KI mit menschlicher Fachkompetenz, und die Kennzeichnung der Mitwirkenden stellt sicher, dass die Quelle jeder Annotation jederzeit ersichtlich ist.

Wie semantische Intelligenz Nova auszeichnet

Der Unterschied zwischen Nova und generischen KI-Chatbots liegt in der Verwendung von verifiziertem Wissen im Gegensatz zu probabilistischen Annahmen. Wenn eine allgemeine KI SQL-Abfragen für Ihre Datenbank schreibt, erstellt sie diese auf Basis statistischer Muster in ihren Trainingsdaten. Sie könnte beispielsweise raten. Benutzer wenn Ihr Tisch tatsächlich app_usersoder annehmen Preis wenn Ihre Spalte StückkostenDiese Annahmen sind für den Benutzer erst dann sichtbar, wenn die Abfrage fehlschlägt oder falsche Ergebnisse liefert.

Nova macht Schluss mit dem Rätselraten. Jede Tabelle, Spalte, Beziehung und jedes Datenmuster, auf das in einer generierten Abfrage verwiesen wird, stammt aus der Semantic Intelligence-Wissensdatenbank und wird anhand Ihrer tatsächlichen Datenbank verifiziert. Nova erzwingt außerdem die Verwendung von Schema-qualifizierten Namen (mithilfe von …). schema.table Format wie öffentliche Kunden) und leitet jede generierte Abfrage weiter SQLGlot Syntaxprüfung vor der Ausführung. Wenn eine referenzierte Spalte nicht mit einer Ähnlichkeit von mindestens 60 % übereinstimmt (ermittelt durch RapidFuzz), markiert Nova dies und korrigiert es entweder automatisch oder fordert eine Klärung an. Dadurch ist Nova nicht nur ein KI-gestützter Datenbank-Schema-Leser, sondern auch eine SQL-Qualitätssicherung, die Fehler erkennt, bevor sie Ihre Daten erreichen.

Die Schnittstelle für semantische Intelligenz

Die Schnittstelle für semantische Intelligenz ist erreichbar unter /nova/intelligence Das Portal „Query Streams“ bietet ein visuelles Dashboard mit allen Informationen, die Nova über die verbundenen Datenbanken speichert. Sie sehen den Analysestatus pro Tabelle, die Abdeckungsprozentsätze für Spalten und Beziehungen sowie die Quelle jeder Annotation (KI-generiert oder manuell hinzugefügt). Über die Schaltflächen für die Analyse einzelner Entitäten können Sie die Analyse einzelner Tabellen oder Spalten bei Bedarf auslösen oder erneut ausführen.

Vier Lernmodi ermöglichen es Ihnen, die Funktionsweise der semantischen Intelligenz pro Datenbank zu steuern. Auto Die gesamte 5-Phasen-Pipeline wird automatisch ausgeführt, sobald eine neue Datenquelle angeschlossen wird. Unterstützt Sie werden vor dem Start der Analyse benachrichtigt und um Bestätigung gebeten. Handbuch Ermöglicht das Auslösen von Analysen für einzelne Tabellen mithilfe von Schaltflächen pro Entität. Aus Semantische Intelligenz wird für Datenbanken, bei denen SQL-Abfragen manuell geschrieben werden sollen, vollständig deaktiviert. Die Trainingsschnittstelle vereint menschliches Fachwissen mit der Geschwindigkeit von KI: Nova generiert gezielte Fragen zu Wissenslücken, die Teammitglieder im Dialogformat beantworten. Jede Antwort wird als menschliches Wissen gespeichert und ergänzt die automatisierte Analyse. Dies ist besonders wertvoll für Datenbanken mit undurchsichtigen Namenskonventionen oder älteren Schemata, bei denen Spaltennamen ihren Zweck nicht eindeutig erkennen lassen.

Sie kennen sich nicht mit SQL aus? Nova AI erstellt die Abfrage für Sie.

Probieren Sie Nova aus

1

Beschreiben Sie, was
Daten, die Sie benötigen

Nova liest Schema
& erstellt das SQL

Speichern und ausführen von
Excel oder Sheets

Ich benötige eine Abfrage, um die Umsätze des letzten Monats nach Produkt aufzuschlüsseln – ich brauche sie für meinen wöchentlichen Verkaufsbericht.

Gefunden Bestellpositionen und Produkte in Ihrem Schema. Hier ist Ihre Abfrage – führen Sie sie zur Vorschau aus, speichern Sie sie dann in Ihrer Bibliothek und teilen Sie sie mit Ihrem Team.

SQL Ergebnisse

Kopieren ausführen. Speichern Sie

SELECT
    p.product_name,
    SUMME(oi.quantity * oi.unit_price) AS Umsatz
VON   public.order_items oi
JOIN   public.products p ON oi.product_id = p.id
WHERE  oi.created_at >= DATE_TRUNC('Monat', JETZT() - INTERVALL '1 Monat')
GROUP BY p.product_name
ORDER BY Umsatz DESC

Wer profitiert vom automatischen Schema-Lernen?

Semantische Intelligenz ist nicht auf eine einzelne Rolle beschränkt. Jedes Team, das mit Datenbanken arbeitet, profitiert von einer KI, die das Datenmodell versteht, bevor sie Abfragen generiert. Im Folgenden erfahren Sie, wie verschiedene Rollen von der automatischen Datenbankschemaanalyse profitieren.

Häufig gestellte Fragen

Los geht's

Verwandte Leitfäden: Text zu SQL mit Nova AI | Alle Funktionen | Datenbanken in Microsoft Excel | Datenbanken in Google Sheets | API-Konnektor

Kategorie: Nova AI

Schlagwörter: Nova AI, Semantische Intelligenz, Datenbankschema, KI-Analyse, Text-zu-SQL, Maschinelles Lernen, Datenbankautomatisierung

Meta-Beschreibung: Nova AI lernt Ihr Datenbankschema automatisch. Besseres SQL vom ersten Tag an. Kostenlos testen.

Über den Autor:
Das Query Streams Team besteht aus erfahrenen Datenbankexperten, Netzwerksicherheitsexperten und Veteranen im Bereich Unternehmensnetzwerke mit insgesamt über 25 Jahren Erfahrung in den Bereichen Datenmanagement, Analytik und sichere Softwareentwicklung.