Come Nova AI apprende automaticamente lo schema del tuo database

Scoprite tutto ciò che Query Streams può fare oltre questa guida Iniziare gratis

Supporti

+più

Dati in tempo reale

Sostituire le esportazioni con SQL on-demand

Excel Lenzuola

Analisi BI e AI

Chiedi a Nova, ottieni SQL + grafici

Incontrare Nova

API REST del database

Una chiave per ogni partner. Nessuna credenziale condivisa.

Creare un'API

+più

Automazione

Sincronizzazione programmata con oltre 6 piattaforme

Esplorare

+più

Da API a SQL

Interrogare le API con SQL, senza codice

Esplorare

+più

Database AI MCP

Claude, Cursor, ChatGPT e Grok interagiscono con i tuoi dati

Connetti l'IA

Query Streams è una piattaforma di integrazione di database sicura e in tempo reale, il cui motore di intelligenza artificiale, Nova, apprende automaticamente lo schema del database prima di generare una singola query SQL. Per saperne di più, visita QueryStreams.com e iscriviti gratuitamente per iniziare a porre domande al tuo database in un linguaggio semplice.

Perché la comprensione dello schema è importante per l'IA SQL

La generazione di SQL basata sull'IA presenta un problema fondamentale che la maggior parte delle piattaforme ignora: l'IA non conosce il tuo database. I chatbot generici possono scrivere SQL sintatticamente corretto, ma non hanno alcuna conoscenza dei nomi effettivi delle tabelle, dei tipi di colonna, dei valori dei dati o delle relazioni. Chiedi loro di interrogare i tuoi dati di vendita e inventeranno nomi di colonna dal suono plausibile come vendite_totali o nome_cliente che potrebbe non esistere nel tuo schema. La query sembra corretta. Viene compilata. Restituisce un errore o, peggio, risultati errati da una colonna diversa che per caso corrispondeva.

Questo è il problema dell'allucinazione applicato all'analisi dello schema del database. Il divario non risiede nella capacità dell'IA di scrivere la sintassi SQL. I modelli linguistici moderni sono in grado di scrivere codice SQL in modo competente. Il divario risiede nella conoscenza Che cosa Per scrivere query SQL è necessario conoscere: quali tabelle esistono, quali colonne contengono, come sono correlate tra loro, quali valori compaiono nelle colonne di filtro e quale dialetto SQL si aspetta il database di destinazione. Senza queste informazioni di base, anche il più sofisticato generatore di query basato sull'IA si limita a fare supposizioni. La Schema Intelligence è il modo in cui Nova elimina completamente queste supposizioni, creando un assistente SQL basato sull'IA che opera su conoscenze verificate anziché su inferenze probabilistiche.

La pipeline di intelligence degli schemi a 5 fasi

L'apprendimento automatico dello schema di Nova esegue una pipeline strutturata in 5 fasi non appena si connette un'origine dati. Ogni fase si basa sulla precedente, approfondendo progressivamente la comprensione della struttura del database da parte dell'IA. La pipeline elabora fino a 10 tabelle contemporaneamente per garantire la massima velocità, supporta 9 dialetti SQL e memorizza in modo permanente tutte le informazioni apprese, in modo che l'analisi debba essere eseguita una sola volta per database, a meno che lo schema non subisca modifiche.

Fase 1: Acquisizione del catalogo degli schemi

La prima fase si connette al tuo database tramite il Agente Query Streams e legge il catalogo degli schemi informativi. Questo processo acquisisce ogni nome di tabella, nome di colonna, tipo di dati, definizione di indice, vincolo di chiave esterna, numero di righe e commento dello sviluppatore in tutti gli schemi accessibili. L'agente viene eseguito sulla rete locale e stabilisce una connessione sicura solo in uscita, quindi non sono necessarie porte in entrata, tunnel VPN o modifiche al firewall. L'acquisizione del catalogo degli schemi è rapida perché legge i metadati, non i dati. Un database con 200 tabelle in genere completa questa fase in meno di 3 secondi. L'output è una mappa strutturale completa che Nova utilizza come base per ogni fase successiva e per ogni query SQL che genera.

Fase 2: Campionamento dei dati

Una volta che Nova sa quali tabelle e colonne esistono, deve capire quali valori contengono. La fase 2 invia un singolo Tabella dei profili per l'IA chiamata per tabella tramite l'agente Query Streams. Questa operazione di profilazione specializzata sostituisce ciò che altrimenti richiederebbe da 11 a 28 query separate per tabella: campionamento di valori distinti, rilevamento di distribuzioni di valori, identificazione di tassi NULL, scoperta di modelli enum e misurazione della cardinalità, tutto in un unico round-trip di rete. Il campionamento dei dati è ciò che consente a Nova di sapere che il tuo stato la colonna utilizza abbreviazioni di due lettere come "CA" invece di "California", o che il tuo stato il campo contiene “attivo”/”inattivo” invece di 0/1. Ciò impedisce la classe più frustrante di conversione da testo a SQL Errori: query strutturalmente corrette ma che filtrano in base a valori inesistenti nei dati.

Fase 3: Scoperta implicita delle chiavi esterne

Molti database di produzione hanno relazioni tra tabelle che non sono dichiarate come vincoli formali di chiave esterna. clienti.id colonna e una ordini.ID_cliente Le colonne sono chiaramente correlate tra loro, ma se nello schema non esiste un vincolo di chiave esterna (FK), una semplice lettura del catalogo non rileverà la connessione. La Fase 3 risolve questo problema analizzando i nomi delle colonne, i tipi di dati e le sovrapposizioni di valori per identificare le relazioni non dichiarate tra le tabelle. Questa individuazione implicita delle chiavi esterne è fondamentale per le query complesse in linguaggio naturale che richiedono JOIN tra più tabelle. Senza di essa, Nova sarebbe in grado di unire solo tabelle con chiavi esterne dichiarate, che in molti database reali coprono meno della metà delle relazioni effettive. Mappando sia le relazioni dichiarate che quelle implicite, Nova può tracciare i percorsi di JOIN attraverso l'intero schema e generare query accurate tra più tabelle a partire da domande come "mostrami gli ordini con i relativi nomi dei clienti e i dettagli dei prodotti".

Fase 4: Arricchimento LLM

La fase 4 passa i dati strutturali e di profilazione all'IA per l'arricchimento semantico. L'LLM genera descrizioni leggibili dall'uomo per ogni tabella e colonna, classifica i tipi semantici (identificando che creato_il è un timestamp di creazione, e-mail è un campo di contatto, codice prodotto (è un identificatore di prodotto), rileva colonne di tipo enum in cui un insieme finito di valori si ripete tra le righe e mappa le tabelle a domini aziendali come vendite, inventario, risorse umane o finanza. Questo arricchimento trasforma i metadati tecnici grezzi in conoscenza contestuale. Quando chiedi "mostrami gli stipendi dei dipendenti per reparto", Nova non si limita a trovare una corrispondenza tra la parola "dipendente" e il nome di una tabella. Comprende quali tabelle appartengono al dominio delle risorse umane, quali colonne rappresentano i dati relativi alla retribuzione e quale colonna funge da raggruppatore per reparto. La classificazione semantica è ciò che distingue uno strumento di corrispondenza di parole chiave da un assistente SQL basato sull'intelligenza artificiale che comprende veramente il tuo modello di dati.

Fase 5: Elaborazione dei risultati

La fase finale memorizza tutte le conoscenze acquisite e calcola le metriche di copertura. Nova tiene traccia del completamento dell'analisi a tre livelli: per database (quante tabelle sono state profilate), per tabella (quante colonne sono state arricchite) e per colonna (se la classificazione del tipo e la profilazione del valore sono complete). L'elaborazione dei risultati include anche il tracciamento dei contributori. Ogni elemento di conoscenza acquisita viene etichettato come generato dall'IA o fornito da un essere umano. I membri del team possono integrare l'apprendimento dell'IA attraverso un'interfaccia di formazione conversazionale in cui Nova genera domande mirate su colonne o tabelle ambigue e gli esseri umani rispondono in linguaggio naturale. Questo approccio collaborativo combina la velocità dell'IA con l'esperienza umana nel settore e le etichette dei contributori garantiscono che si conosca sempre la fonte di ogni annotazione.

In che modo l'intelligenza schematica rende Nova diverso

La differenza tra Nova e i chatbot IA generici risiede nella conoscenza verificata rispetto alle supposizioni probabilistiche. Quando un'IA generica scrive codice SQL per il tuo database, costruisce query basate su modelli statistici nei suoi dati di addestramento. Potrebbe fare delle supposizioni. utenti quando il tuo tavolo è effettivamente utenti_app, o supporre prezzo quando la tua colonna è costo unitarioQuesti tentativi sono invisibili all'utente finché la query non fallisce o restituisce risultati errati.

Nova elimina completamente le congetture. Ogni tabella, colonna, relazione e modello di dati a cui si fa riferimento in una query generata proviene dalla knowledge base di Schema Intelligence, verificata rispetto al database effettivo. Nova impone anche la denominazione qualificata dello schema (utilizzando schema.table formato come clienti pubblici) e passa ogni query generata attraverso SQLGlot Validazione della sintassi prima dell'esecuzione. Se una colonna di riferimento non corrisponde a una soglia di similarità del 60% (tramite rapidfuzz), Nova la segnala e la corregge automaticamente oppure richiede chiarimenti. Questo rende Nova non solo un lettore di schemi di database basato sull'intelligenza artificiale, ma anche un sistema di controllo qualità SQL che individua gli errori prima che raggiungano i dati.

L'interfaccia di intelligenza dello schema

L'interfaccia Schema Intelligence, accessibile all'indirizzo /nova/intelligence Nel portale Query Streams, è disponibile una dashboard visiva che mostra le informazioni in possesso di Nova su ciascun database connesso. È possibile visualizzare lo stato dell'analisi per tabella, le percentuali di copertura per colonne e relazioni e la fonte di ogni annotazione (generata dall'IA o aggiunta manualmente). I pulsanti di analisi per entità consentono di avviare o rieseguire l'analisi su singole tabelle o colonne a seconda delle necessità.

Quattro modalità di apprendimento consentono di controllare il funzionamento di Schema Intelligence per ciascun database. Auto Esegue automaticamente l'intera pipeline a 5 fasi quando viene collegata una nuova origine dati. Collaborato Ti avvisa prima di eseguire l'analisi e ti chiede conferma. Manuale Consente di avviare l'analisi su singole tabelle utilizzando pulsanti specifici per ogni entità. Spento Disabilita completamente Schema Intelligence per i database in cui si preferisce scrivere SQL manualmente. L'interfaccia di training è il punto d'incontro tra la competenza umana nel settore e la velocità dell'IA: Nova genera domande mirate sulle lacune nella sua comprensione e i membri del team rispondono in modo colloquiale. Ogni risposta viene memorizzata come conoscenza fornita dall'uomo che integra l'analisi automatizzata, particolarmente utile per i database con convenzioni di denominazione non ovvie o schemi legacy in cui i nomi delle colonne non ne indicano chiaramente lo scopo.

Non conosci SQL? Nova AI crea la query per te.

Prova con Pink

1

Descrivi cosa
dati di cui hai bisogno

Nova legge lo schema
e costruisce l'SQL

Salva ed esegui da
Excel o Fogli

Aiutatemi a creare una query per calcolare il fatturato del mese scorso per prodotto: mi serve per il mio report settimanale sulle vendite.

Trovato articoli_dell'ordine e prodotti nel tuo schema. Ecco la tua query: eseguila per visualizzarla in anteprima, quindi salvala nella tua libreria e condividila con il tuo team.

SQL Risultati

Copia Correre Risparmiare

SELEZIONARE
    p.product_name,
    SOMMA(oi.quantità * oi.prezzo_unitario) AS entrate
DA   public.order_items oi
CONGIUNGERE   prodotti pubblici p ON oi.product_id = p.id
DOVE  oi.created_at >= DATA_TRONCO('mese', ORA() - INTERVALLO '1 mese')
GRUPPO PER p.product_name
ORDINATO DA entrate DESC

Chi trae vantaggio dall'apprendimento automatico degli schemi?

Schema Intelligence non si limita a un singolo ruolo. Qualsiasi team che lavora con i database può trarre vantaggio da un'IA in grado di comprendere il modello dati prima di generare le query. Ecco come i diversi ruoli possono beneficiare dell'analisi automatica dello schema del database.

Domande frequenti

Iniziare

Guide correlate: Conversione del testo in SQL con Nova AI | Tutte le funzionalità | Database in Microsoft Excel | Database in Google Sheets | Connettore API

Categoria: Nova AI

Tag: Nova AI, Schema Intelligence, Schema di database, Analisi AI, Text to SQL, Machine Learning, Automazione di database

Meta Description: Nova AI apprende automaticamente lo schema del tuo database. SQL migliore fin dal primo giorno. Provalo gratuitamente.

Biografia dell'autore:
Il team Query Streams è composto da esperti di database, professionisti della sicurezza di rete e veterani del networking aziendale con oltre 25 anni di esperienza combinata nella gestione dei dati, nell'analisi e nello sviluppo di software sicuri.