Nova AIがデータベーススキーマを自動的に学習する方法

このガイド以外のQuery Streamsの機能を見る 無料で始める

サポート

+さらに

ライブデータ

エクスポートをオンデマンドSQLに置き換える

エクセル シーツ

BI＆AIアナリティクス

ノヴァに訊け、SQL＋チャートを手に入れろ

ノヴァとの出会い

データベースREST API

パートナーごとに1つのキー。認証情報は共有されません。

APIを構築する

+さらに

オートメーション

6つ以上のプラットフォームへのスケジュール同期

エクスペリエンス

+さらに

APIからSQLへ

コードを書かずにSQLでAPIに問い合わせる

エクスペリエンス

+さらに

AIデータベースMCP

Claude、Cursor、ChatGPT、Grokがあなたのデータと対話します

コネクトAI

Query Streamsは、安全なリアルタイムデータベース統合プラットフォームであり、そのAIエンジンであるNovaは、単一のSQLクエリを生成する前に、データベーススキーマを自動的に学習します。 詳細についてはQueryStreams.comをご覧ください そして 無料で登録する データベースに関する質問を、分かりやすい英語で始める。

セマンティックインテリジェンスはAIで構築されています セマンティックレイヤー データベースの場合：Novaはテーブル、列、およびリレーションシップを一度マッピングし、そのマップに基づいてすべての質問に答えます。

AI SQLにおいてスキーマ理解が重要な理由

AI による SQL 生成には、ほとんどのプラットフォームが無視している根本的な問題があります。それは、AI がデータベースを認識していないということです。汎用チャットボットは構文的に正しい SQL を記述できますが、実際のテーブル名、列の型、データ値、リレーションシップについては全く知識がありません。販売データへのクエリを依頼すると、次のようなもっともらしい列名を生成します。 総売上高 または 顧客名 それはスキーマに存在しない可能性があります。クエリは正しく見えます。コンパイルも通ります。しかし、エラーが返されるか、さらに悪いことに、たまたま一致した別の列から誤った結果が返されます。

これは、データベーススキーマ分析に適用される幻覚問題です。問題は、AIがSQL構文を書く能力にあるのではありません。現代の言語モデルは、SQLを書く能力に優れています。問題は、知識にあるのです。 何 SQL文を作成する際に必要なのは、どのテーブルが存在するか、各テーブルにどの列が含まれているか、テーブル同士の関係性、フィルタ列に表示される値、そしてターゲットデータベースがどのSQL方言を期待しているかといった情報です。こうした基礎知識がなければ、どんなに高度なAIクエリビルダーでも推測に頼るしかありません。Novaはセマンティックインテリジェンスによって、こうした推測を完全に排除し、確率的推論ではなく検証済みの知識に基づいて動作するAI SQLアシスタントを実現します。

5段階のセマンティックインテリジェンスパイプライン

Novaの自動スキーマ学習機能は、データソースを接続するとすぐに、構造化された5段階のパイプラインを実行します。各段階は前の段階に基づいて構築され、AIによるデータベース構造の理解を段階的に深めていきます。このパイプラインは、処理速度を向上させるために最大10個のテーブルを同時に処理し、9種類のSQL方言をサポートし、学習した知識をすべて永続的に保存するため、スキーマが変更されない限り、データベースごとに分析を実行するのは一度だけで済みます。

フェーズ1：スキーマカタログの取得

最初のフェーズでは、データベースに接続します。 クエリストリームエージェント そして、情報スキーマカタログを読み取ります。これにより、アクセス可能なすべてのスキーマにわたって、テーブル名、列名、データ型、インデックス定義、外部キー制約、行数、および開発者コメントがすべて取得されます。エージェントは独自のネットワーク上で実行され、安全な送信専用接続を確立するため、受信ポート、VPNトンネル、またはファイアウォールの変更は不要です。スキーマカタログの取得は、データではなくメタデータを読み取るため高速です。200個のテーブルを持つデータベースの場合、このフェーズは通常3秒未満で完了します。出力は完全な構造マップであり、Novaはこれを後続のすべてのフェーズと生成するすべてのSQLクエリの基盤として使用します。

フェーズ2：データサンプリング

Novaは、どのテーブルと列が存在するかを把握したら、それらに含まれる値を理解する必要があります。フェーズ2では、単一の ProfileTableForAI クエリ ストリーム エージェントを介してテーブルごとに呼び出します。この特殊なプロファイリング操作は、通常テーブルごとに 11 ～ 28 個の個別のクエリを必要とする処理を置き換えます。つまり、一意の値をサンプリングし、値の分布を検出し、NULL 率を特定し、列挙型のパターンを発見し、カーディナリティを測定し、すべてを 1 つのネットワーク ラウンドトリップで実行します。データ サンプリングにより、Nova は、 州 列では「カリフォルニア」の代わりに「CA」のような2文字の略語が使われているか、 ステータス フィールドには 0/1 ではなく「アクティブ」/「非アクティブ」が含まれています。これにより、最もイライラするクラスの テキストからSQLへの変換 エラー：構造的には正しいが、データ内に存在しない値でフィルタリングを行うクエリ。

フェーズ3：暗黙的な外部キーの発見

多くの本番データベースでは、正式な外部キー制約として宣言されていないテーブル間の関係が存在します。 顧客ID コラムと 注文の顧客ID 列は明らかに互いに関連していますが、スキーマに外部キー制約が存在しない場合、基本的なカタログ読み取りではその関連性を検出できません。フェーズ 3 では、列名、データ型、および値の重複を分析して、テーブル間の未宣言の関係を特定することでこの問題を解決します。この暗黙的な外部キーの検出は、複数テーブルの JOIN を必要とする複雑な自然言語データベース クエリにとって非常に重要です。これがないと、Nova は宣言された外部キーを持つテーブルのみを結合できますが、実際の多くのデータベースでは、実際の関係の半分未満しかカバーしていません。宣言された関係と暗黙的な関係の両方をマッピングすることで、Nova はスキーマ全体にわたる JOIN パスをトレースし、「顧客名と製品の詳細を含む注文を表示してください」などの質問から正確な複数テーブル クエリを生成できます。

フェーズ4：LLMの充実

フェーズ 4 では、構造データとプロファイリングデータを AI に渡して意味的強化を行います。LLM は、すべてのテーブルと列に対して人間が読める説明を生成し、意味タイプを分類します (つまり、 作成日時 作成タイムスタンプです。 電子メール 連絡先フィールドです。 SKU は製品識別子です）が、行間で有限個の値が繰り返される列挙型のような列を検出し、テーブルを販売、在庫、人事、財務などのビジネス ドメインにマッピングします。このエンリッチメントにより、生の技術的なメタデータが文脈的な知識に変換されます。「部門別の従業員の給与を表示してください」と尋ねると、Nova は単に「従業員」という単語をテーブル名にパターン マッチさせるだけではありません。どのテーブルが人事ドメインに属し、どの列が報酬データを表しており、どの列が部門のグループ化に使用されているかを理解します。意味分類は、キーワード マッチング ツールと、データ モデルを真に理解する AI SQL アシスタントを区別するものです。

フェーズ5：結果処理

最終フェーズでは、学習したすべての知識を保存し、カバレッジ指標を計算します。Nova は、データベースごと（プロファイルされたテーブルの数）、テーブルごと（エンリッチされた列の数）、列ごと（型分類と値プロファイリングが完了しているかどうか）の 3 つのレベルで分析の完了状況を追跡します。結果処理には、貢献者の追跡も含まれます。学習した知識はすべて、AI 生成または人間による貢献としてタグ付けされます。チームメンバーは、対話型トレーニング インターフェイスを通じて AI の学習を補完できます。このインターフェイスでは、Nova が曖昧な列やテーブルに関する的を絞った質問を生成し、人間が自然言語で回答します。この協調的なアプローチにより、AI のスピードと人間のドメイン専門知識が組み合わされ、貢献者タグによって各注釈のソースを常に把握できます。

セマンティックインテリジェンスがNovaを他と差別化する理由

Novaと汎用AIチャットボットの差は、検証済みの知識と確率的な推測の違いにあります。汎用AIがデータベース用のSQLを作成する場合、トレーニングデータの統計的パターンに基づいてクエリを構築します。推測することもあるでしょう。 ユーザー テーブルが実際に アプリユーザーまたは想定する 価格 あなたのコラムが 単価これらの推測は、クエリが失敗したり、誤った結果が返されるまで、ユーザーには見えません。

Nova は推測を完全に排除します。生成されたクエリで参照されるすべてのテーブル、列、リレーションシップ、およびデータパターンは、Semantic Intelligence 知識ベースから取得され、実際のデータベースに対して検証されます。Nova はまた、スキーマ修飾命名規則 ( スキーマテーブル 次のような形式 一般のお客様）そして生成されたすべてのクエリを SQLGlot 実行前に構文検証を行います。参照されている列が60%の類似度閾値（rapidfuzzによる）を満たさない場合、Novaはそれを警告し、自動的に修正するか、説明を求めます。これにより、Novaは単なるAIデータベーススキーマリーダーではなく、データに到達する前にエラーを検出するSQL品質ゲートとして機能します。

セマンティックインテリジェンスインターフェース

Semantic Intelligenceインターフェースは、以下のURLからアクセスできます。 /nova/インテリジェンス クエリ ストリーム ポータルでは、Nova が接続されている各データベースについて把握している情報を視覚的に表示するダッシュボードが提供されます。テーブルごとの分析ステータス、列とリレーションシップのカバレッジ率、各アノテーションのソース (AI 生成または人間による追加) を確認できます。エンティティごとの分析ボタンを使用すると、個々のテーブルまたは列に対して、必要に応じて分析をトリガーまたは再実行できます。

4つの学習モードにより、データベースごとにセマンティックインテリジェンスの動作を制御できます。 自動 新しいデータソースが接続されると、5段階のパイプライン全体を自動的に実行します。 支援 分析を実行する前に通知し、確認を求めます。 マニュアル エンティティごとのボタンを使用して、個々のテーブルに対して分析をトリガーできます。 オフ 手動でSQLを記述するデータベースでは、セマンティックインテリジェンスを完全に無効にします。トレーニングインターフェースは、人間の専門知識とAIのスピードが融合する場所です。Novaは理解のギャップに関する的を絞った質問を生成し、チームメンバーが対話形式で回答します。各回答は、自動分析を補完する人間による知識として保存されます。これは、命名規則が分かりにくいデータベースや、列名がその目的を明確に示していないレガシースキーマを持つデータベースにとって特に価値があります。

SQLが分からなくても大丈夫。Nova AIがクエリを自動生成します。

Novaを試してみてください

1

何を説明すればいいのか
必要なデータ

Novaはスキーマを読み取ります
& SQL を構築します

保存して逃げる
ExcelまたはSheets

先月の製品別売上高を算出するクエリを作成するのを手伝ってください。週次売上レポートに必要なんです。

見つかった 注文アイテム そして 製品 スキーマ内で実行してください。クエリは以下のとおりです。実行してプレビューを確認し、ライブラリに保存してチームと共有してください。

SQL 結果

コピー 走る セーブ

セレクト
    p.製品名、
    合計(oi.数量 * oi.単価) AS 収益
フロム   public.order_items oi
ジョイン   パブリック製品 p オン oi.product_id = p.id
どこ  oi.created_at >= 日付切り捨て('月', 今() - 間隔「1ヶ月」)
GROUP BY p.製品名
ORDER BY 収益 DESC

自動スキーマ学習の恩恵を受けるのは誰か

セマンティックインテリジェンスは、特定の役割に限定されるものではありません。データベースを扱うあらゆるチームが、クエリ生成前にデータモデルを理解するAIの恩恵を受けることができます。ここでは、さまざまな役割の人々が自動データベーススキーマ分析からどのようなメリットを得られるかを見ていきましょう。

よくある質問

スタート

関連ガイド： Nova AI を使用したテキストから SQL への変換 | すべての機能 | Microsoft Excelでのデータベース | Google Sheetsのデータベース | APIコネクタ

カテゴリー: Nova AI

タグ: Nova AI、セマンティックインテリジェンス、データベーススキーマ、AI分析、テキストからSQLへの変換、機械学習、データベース自動化

メタディスクリプション：Nova AIはデータベーススキーマを自動的に学習します。初日からより優れたSQLを実現します。無料でお試しください。

著者略歴：
クエリストリームチームは、経験豊富なデータベース専門家、ネットワークセキュリティの専門家、そしてエンタープライズネットワークのベテランで構成されており、データ管理、分析、安全なソフトウェア開発において合計25年以上の経験を有しています。