Cómo Nova AI aprende automáticamente el esquema de tu base de datos

Vea todo lo que Query Streams puede hacer más allá de esta guía Empezar gratis

Admite

+más

Datos en directo

Sustituir las exportaciones por SQL a petición

Excel Hojas

Análisis de BI e IA

Pregunte a Nova, obtenga SQL + gráficos

Conoce a Nova

API REST de base de datos

Una clave por socio. No se comparten las credenciales.

Crea una API

+más

Automatización

Sincronización programada con más de 6 plataformas

Explore

+más

API a SQL

Consulta de API con SQL, sin código

Explore

+más

Base de datos de IA MCP

Claude, Cursor, ChatGPT y Grok se comunican con tus datos.

Conectar IA

Query Streams es una plataforma segura de integración de bases de datos en tiempo real cuyo motor de IA, Nova, aprende automáticamente el esquema de su base de datos antes de generar una sola consulta SQL. Más información en QueryStreams.com y regístrese gratis Para empezar a formular preguntas a tu base de datos en un lenguaje sencillo.

La inteligencia semántica es una inteligencia artificial construida capa semántica Para su base de datos: Nova mapea sus tablas, columnas y relaciones una sola vez, y luego responde a todas las preguntas a partir de ese mapa.

Por qué es importante comprender el esquema para la IA SQL

La generación de SQL mediante IA tiene un problema fundamental que la mayoría de las plataformas ignoran: la IA no conoce tu base de datos. Los chatbots genéricos pueden escribir SQL sintácticamente correcto, pero no tienen ningún conocimiento de los nombres reales de tus tablas, tipos de columnas, valores de datos o relaciones. Pídeles que consulten tus datos de ventas e inventarán nombres de columnas que suenan plausibles como ventas_totales o nombre_del_cliente Puede que no exista en tu esquema. La consulta parece correcta. Compila. Devuelve un error o, peor aún, resultados erróneos de otra columna que casualmente coincidía.

Este es el problema de la alucinación aplicado al análisis de esquemas de bases de datos. La brecha no está en la capacidad de la IA para escribir sintaxis SQL. Los modelos de lenguaje modernos son escritores SQL competentes. La brecha está en el conocimiento qué Para escribir consultas SQL, es necesario saber qué tablas existen, qué columnas contienen, cómo se relacionan entre sí, qué valores aparecen en las columnas de filtro y qué dialecto SQL espera la base de datos de destino. Sin esta información, incluso el generador de consultas de IA más sofisticado estaría adivinando. La inteligencia semántica es la clave para que Nova elimine por completo esa adivinación, creando un asistente SQL de IA que opera con conocimiento verificado en lugar de inferencia probabilística.

El proceso de inteligencia semántica de 5 fases

El aprendizaje automático de esquemas de Nova ejecuta un proceso estructurado de 5 fases en el momento en que conectas una fuente de datos. Cada fase se basa en la anterior, profundizando progresivamente la comprensión de la IA sobre la estructura de tu base de datos. El proceso procesa hasta 10 tablas simultáneamente para mayor velocidad, admite 9 dialectos SQL y almacena de forma persistente todo el conocimiento aprendido, por lo que el análisis solo necesita ejecutarse una vez por base de datos, a menos que cambie tu esquema.

Fase 1: Captura del catálogo de esquemas

La primera fase se conecta a su base de datos a través de la Agente de flujos de consultas y lee el catálogo de esquemas de información. Esto captura cada nombre de tabla, nombre de columna, tipo de datos, definición de índice, restricción de clave externa, recuento de filas y comentario del desarrollador en todos los esquemas accesibles. El agente se ejecuta en su propia red y establece una conexión segura solo de salida, por lo que no se requieren puertos de entrada, túneles VPN ni cambios en el firewall. La captura del catálogo de esquemas es rápida porque lee metadatos, no datos. Una base de datos con 200 tablas generalmente completa esta fase en menos de 3 segundos. El resultado es un mapa estructural completo que Nova utiliza como base para cada fase posterior y cada consulta SQL que genera.

Fase 2: Muestreo de datos

Una vez que Nova sabe qué tablas y columnas existen, necesita comprender qué valores contienen. La fase 2 envía un único Tabla de perfiles para IA Llamada por tabla a través del agente de flujos de consulta. Esta operación de perfilado especializada reemplaza lo que de otro modo requeriría de 11 a 28 consultas separadas por tabla: muestreo de valores distintos, detección de distribuciones de valores, identificación de tasas NULL, descubrimiento de patrones de enumeración y medición de cardinalidad, todo en un solo viaje de ida y vuelta de la red. El muestreo de datos es lo que permite a Nova saber que su estado La columna utiliza abreviaturas de dos letras como “CA” en lugar de “California”, o que su estado El campo contiene “activo”/”inactivo” en lugar de 0/1. Esto evita la clase más frustrante de texto a SQL Errores: consultas que son estructuralmente correctas pero que filtran valores que no existen en sus datos.

Fase 3: Descubrimiento de claves foráneas implícitas

Muchas bases de datos de producción tienen relaciones entre tablas que no están declaradas como restricciones de clave externa formales. clientes.id columna y un pedidos.id_cliente Las columnas están claramente relacionadas entre sí, pero si no existe una restricción de clave externa (FK) en el esquema, una lectura básica del catálogo no detectará la conexión. La fase 3 resuelve esto analizando los nombres de las columnas, los tipos de datos y las superposiciones de valores para identificar relaciones no declaradas entre tablas. Este descubrimiento implícito de FK es fundamental para consultas complejas de bases de datos en lenguaje natural que requieren JOIN de varias tablas. Sin él, Nova solo podría unir tablas con claves externas declaradas, lo que en muchas bases de datos reales cubre menos de la mitad de las relaciones reales. Al mapear tanto las relaciones declaradas como las implícitas, Nova puede rastrear rutas de JOIN en todo el esquema y generar consultas precisas de varias tablas a partir de preguntas como "muéstrame los pedidos con sus nombres de clientes y detalles de productos".

Fase 4: Enriquecimiento de LLM

La fase 4 pasa los datos estructurales y de perfilado a la IA para el enriquecimiento semántico. El LLM genera descripciones legibles para humanos para cada tabla y columna, clasifica los tipos semánticos (identificando que fecha_de_creación es una marca de tiempo de creación, correo electrónico es un campo de contacto, sku (es un identificador de producto), detecta columnas tipo enumeración donde un conjunto finito de valores se repite en varias filas y asigna tablas a dominios de negocio como ventas, inventario, recursos humanos o finanzas. Este enriquecimiento transforma los metadatos técnicos brutos en conocimiento contextual. Cuando solicitas "muéstrame los salarios de los empleados por departamento", Nova no solo busca patrones de la palabra "empleado" en el nombre de una tabla. Comprende qué tablas pertenecen al dominio de recursos humanos, qué columnas representan datos de compensación y qué columna sirve como agrupador de departamentos. La clasificación semántica es lo que distingue una herramienta de coincidencia de palabras clave de un asistente SQL de IA que realmente comprende tu modelo de datos.

Fase 5: Procesamiento de resultados

La fase final almacena todo el conocimiento aprendido y calcula las métricas de cobertura. Nova realiza un seguimiento de la finalización del análisis en tres niveles: por base de datos (cuántas tablas se han analizado), por tabla (cuántas columnas se han enriquecido) y por columna (si la clasificación de tipos y el análisis de valores están completos). El procesamiento de resultados también incluye el seguimiento de los colaboradores. Cada fragmento de conocimiento aprendido se etiqueta como generado por IA o aportado por humanos. Los miembros del equipo pueden complementar el aprendizaje de la IA mediante una interfaz de entrenamiento conversacional donde Nova genera preguntas específicas sobre columnas o tablas ambiguas y los humanos responden en lenguaje natural. Este enfoque colaborativo combina la velocidad de la IA con la experiencia humana en el dominio, y las etiquetas de los colaboradores garantizan que siempre se conozca la fuente de cada anotación.

Cómo la inteligencia semántica hace que Nova sea diferente

La diferencia entre Nova y los chatbots de IA genéricos radica en el conocimiento verificado frente a la adivinación probabilística. Cuando una IA de propósito general escribe SQL para su base de datos, construye consultas basadas en patrones estadísticos en sus datos de entrenamiento. Podría adivinar usuarios cuando tu mesa está realmente usuarios_de_la_appo asumir precio cuando su columna es costo unitarioEstas suposiciones son invisibles para el usuario hasta que la consulta falla o devuelve resultados erróneos.

Nova elimina por completo las conjeturas. Cada tabla, columna, relación y patrón de datos a los que se hace referencia en una consulta generada proviene de la base de conocimiento de Inteligencia Semántica, verificada con su base de datos real. Nova también impone la nomenclatura calificada por esquema (usando tabla.esquema formato como clientes) y pasa cada consulta generada a través de SQLGlot Validación de sintaxis antes de la ejecución. Si una columna referenciada no coincide con un umbral de similitud del 60 % (mediante Rapidfuzz), Nova la marca y la corrige automáticamente o solicita aclaraciones. Esto convierte a Nova no solo en un lector de esquemas de bases de datos con IA, sino también en un filtro de calidad SQL que detecta errores antes de que afecten a los datos.

La interfaz de inteligencia semántica

La interfaz de Inteligencia Semántica, accesible en /nova/inteligencia En el portal de Flujos de Consulta, encontrará un panel visual con la información que Nova tiene sobre cada base de datos conectada. Podrá ver el estado del análisis por tabla, los porcentajes de cobertura de columnas y relaciones, y el origen de cada anotación (generada por IA o aportada por un humano). Los botones de análisis por entidad le permiten activar o volver a ejecutar el análisis de tablas o columnas individuales según sea necesario.

Cuatro modos de aprendizaje te permiten controlar cómo funciona la Inteligencia Semántica en cada base de datos. Auto El proceso completo de 5 fases se ejecuta automáticamente cuando se conecta una nueva fuente de datos. Asistido Te notifica antes de ejecutar el análisis y te pide confirmación. Manual Permite activar análisis en tablas individuales mediante botones específicos para cada entidad. Apagado Desactiva por completo la Inteligencia Semántica para bases de datos donde se prefiere escribir SQL manualmente. La interfaz de entrenamiento combina la experiencia humana con la velocidad de la IA: Nova genera preguntas específicas sobre las lagunas en su comprensión, y los miembros del equipo responden de forma conversacional. Cada respuesta se almacena como conocimiento aportado por humanos que complementa el análisis automatizado, lo cual es especialmente valioso para bases de datos con convenciones de nomenclatura poco claras o esquemas heredados donde los nombres de las columnas no indican claramente su propósito.

¿No sabes SQL? Nova AI crea la consulta por ti.

Prueba Nova

1

Describe qué
datos que necesitas

Nova lee esquemas
y construye el SQL

Salva y corre desde
Excel o Hojas de cálculo

Ayúdame a crear una consulta para obtener los ingresos del mes pasado por producto; la necesito para mi informe de ventas semanal.

Encontrado artículos del pedido y productos en tu esquema. Aquí tienes tu consulta: ejecútala para previsualizarla, luego guárdala en tu biblioteca y compártela con tu equipo.

SQL Resultados

Copia Ejecutar Guardar

SELECCIONE
    p.nombre_del_producto,
    SUM(oi.cantidad * oi.precio_unitario) AS ingresos
DESDE   artículos_de_pedido públicos oi
ÚNASE A   productos públicos p EN oi.product_id = p.id
DONDE  oi.created_at >= FECHA_TRUNC('mes', AHORA() - INTERVALO '1 mes')
GRUPO POR p.nombre_del_producto
ORDENAR POR ingresos DESC

¿Quién se beneficia del aprendizaje automático de esquemas?

La inteligencia semántica no se limita a un solo rol. Cualquier equipo que trabaje con bases de datos se beneficia de una IA que comprenda el modelo de datos antes de generar consultas. A continuación, se explica cómo los diferentes roles se benefician del análisis automático del esquema de la base de datos.

Preguntas frecuentes

Comenzar

Guías relacionadas: De texto a SQL con Nova AI | Todas las funciones | Bases de datos en Microsoft Excel | Bases de datos en Google Sheets | Conector API

Categoría: Nueva IA

Etiquetas: Nova AI, Inteligencia semántica, Esquema de base de datos, Analítica de IA, Conversión de texto a SQL, Aprendizaje automático, Automatización de bases de datos

Meta Descripción: Nova AI aprende automáticamente el esquema de tu base de datos. Mejora tu SQL desde el primer día. Pruébalo gratis.

Biografía del autor:
El equipo de Query Streams está formado por expertos en bases de datos, profesionales de la seguridad de redes y veteranos en redes empresariales con más de 25 años de experiencia combinada en gestión de datos, análisis y desarrollo de software seguro.