Jak Nova AI automatycznie uczy się schematu Twojej bazy danych

Zobacz wszystko, co Query Streams może zrobić poza tym przewodnikiem Rozpocznij za darmo

Wsparcie

+więcej

Dane na żywo

Zastąpienie eksportu kodem SQL na żądanie

Excel Arkusze

Analityka BI i AI

Zapytaj Nova, uzyskaj SQL + wykresy

Poznaj Nova

API REST bazy danych

Jeden klucz na partnera. Nie udostępniamy żadnych danych uwierzytelniających.

Zbuduj API

+więcej

Automatyzacja

Zaplanowana synchronizacja z ponad 6 platformami

Eksploruj

+więcej

API do SQL

Zapytania do interfejsów API za pomocą SQL, bez kodu

Eksploruj

+więcej

Baza danych AI MCP

Claude, Cursor, ChatGPT i Grok komunikują się z Twoimi danymi

Połącz AI

Query Streams to bezpieczna platforma integracji baz danych w czasie rzeczywistym, której silnik sztucznej inteligencji Nova automatycznie uczy się schematu bazy danych przed wygenerowaniem pojedynczego zapytania SQL. Więcej informacji można znaleźć na stronie QueryStreams.com. oraz zarejestruj się za darmo aby zacząć zadawać pytania dotyczące bazy danych, używając prostego języka angielskiego.

Inteligencja semantyczna to sztuczna inteligencja zbudowana na warstwa semantyczna dla Twojej bazy danych: Nova mapuje Twoje tabele, kolumny i relacje raz, a następnie odpowiada na wszystkie pytania z tej mapy.

Dlaczego zrozumienie schematu ma znaczenie dla sztucznej inteligencji SQL

Generowanie kodu SQL oparte na sztucznej inteligencji ma fundamentalny problem, który ignoruje większość platform: sztuczna inteligencja nie zna Twojej bazy danych. Typowe chatboty potrafią pisać poprawne składniowo kody SQL, ale nie mają żadnej wiedzy o rzeczywistych nazwach tabel, typach kolumn, wartościach danych ani relacjach. Poproś je o przeszukanie danych sprzedażowych, a wymyślą wiarygodnie brzmiące nazwy kolumn, takie jak: całkowita_sprzedaż lub nazwa_klienta które mogą nie istnieć w schemacie. Zapytanie wygląda poprawnie. Kompiluje się. Zwraca błąd lub, co gorsza, błędne wyniki z innej kolumny, która akurat pasowała.

To problem halucynacji zastosowany do analizy schematów baz danych. Luka nie leży w zdolności sztucznej inteligencji do pisania składni SQL. Nowoczesne modele językowe to kompetentni autorzy SQL. Luka leży w znajomości Co do pisania kodu SQL: które tabele istnieją, jakie kolumny zawierają, jak tabele są ze sobą powiązane, jakie wartości pojawiają się w kolumnach filtrów oraz jakiego dialektu SQL oczekuje docelowa baza danych. Bez tego ugruntowania nawet najbardziej zaawansowany kreator zapytań oparty na sztucznej inteligencji (AI) działa na zasadzie zgadywania. Semantyczna inteligencja to sposób, w jaki Nova całkowicie eliminuje to zgadywanie, tworząc asystenta SQL opartego na sztucznej inteligencji, który działa na podstawie zweryfikowanej wiedzy, a nie wnioskowania probabilistycznego.

5-fazowy kanał inteligencji semantycznej

Automatyczne uczenie się schematów Nova uruchamia ustrukturyzowany, 5-fazowy proces przetwarzania w momencie podłączenia źródła danych. Każda faza bazuje na poprzedniej, stopniowo pogłębiając zrozumienie struktury bazy danych przez sztuczną inteligencję. Proces przetwarzania przetwarza do 10 tabel jednocześnie, zapewniając szybkość, obsługuje 9 dialektów SQL i trwale przechowuje całą zdobytą wiedzę, dzięki czemu analiza musi zostać uruchomiona tylko raz dla każdej bazy danych, chyba że schemat ulegnie zmianie.

Faza 1: Przechwytywanie katalogu schematów

Pierwsza faza łączy się z bazą danych za pomocą Agent strumieni zapytań i odczytuje katalog schematów informacji. Rejestruje on każdą nazwę tabeli, nazwę kolumny, typ danych, definicję indeksu, ograniczenie klucza obcego, liczbę wierszy i komentarz programisty we wszystkich dostępnych schematach. Agent działa w Twojej sieci i nawiązuje bezpieczne połączenie tylko wychodzące, więc nie są wymagane żadne porty przychodzące, tunele VPN ani zmiany w zaporze sieciowej. Przechwytywanie katalogu schematów jest szybkie, ponieważ odczytuje metadane, a nie dane. Baza danych z 200 tabelami zazwyczaj kończy tę fazę w mniej niż 3 sekundy. Wynikiem jest kompletna mapa strukturalna, która jest wykorzystywana przez Novę jako podstawa dla każdej kolejnej fazy i każdego generowanego zapytania SQL.

Faza 2: Pobieranie próbek danych

Gdy Nova dowie się, jakie tabele i kolumny istnieją, musi zrozumieć, jakie wartości zawierają. Faza 2 wysyła pojedynczy ProfileTableForAI wywołanie dla każdej tabeli za pośrednictwem agenta strumieni zapytań. Ta wyspecjalizowana operacja profilowania zastępuje to, co w innym przypadku wymagałoby od 11 do 28 oddzielnych zapytań dla każdej tabeli: próbkowanie odrębnych wartości, wykrywanie rozkładów wartości, identyfikowanie współczynników NULL, odkrywanie wzorców wyliczeń i mierzenie kardynalności, a wszystko to w ramach jednej podróży sieciowej. Próbkowanie danych pozwala firmie Nova rozpoznać, że… państwo w kolumnie użyto dwuliterowych skrótów, takich jak „CA” zamiast „California” lub że Twój status pole zawiera „aktywny”/„nieaktywny” zamiast 0/1. Zapobiega to najbardziej frustrującej klasie tekst na SQL błędy: zapytania, które są poprawne strukturalnie, ale filtrują wartości, które nie istnieją w danych.

Faza 3: Odkrywanie niejawnego klucza obcego

Wiele baz danych produkcyjnych ma relacje między tabelami, które nie są deklarowane jako formalne ograniczenia klucza obcego. klienci.id kolumna i zamówienia.identyfikator_klienta Kolumny wyraźnie się ze sobą wiążą, ale jeśli w schemacie nie ma ograniczenia klucza obcego, podstawowy odczyt katalogu nie wykryje połączenia. Faza 3 rozwiązuje ten problem, analizując nazwy kolumn, typy danych i nakładanie się wartości w celu identyfikacji niezadeklarowanych relacji między tabelami. To niejawne wykrywanie klucza obcego ma kluczowe znaczenie dla złożonych zapytań do baz danych w języku naturalnym, które wymagają sprzężeń wielotabelowych (JOIN). Bez niego Nova mogłaby łączyć tabele tylko z zadeklarowanymi kluczami obcymi, co w wielu rzeczywistych bazach danych obejmuje mniej niż połowę rzeczywistych relacji. Mapując zarówno zadeklarowane, jak i niejawne relacje, Nova może śledzić ścieżki sprzężeń w całym schemacie i generować dokładne zapytania wielotabelowe, na przykład „pokaż mi zamówienia z nazwami klientów i szczegółami produktów”.

Faza 4: Wzbogacenie LLM

Faza 4 przekazuje dane strukturalne i profilujące do sztucznej inteligencji w celu wzbogacenia semantycznego. LLM generuje czytelne dla człowieka opisy dla każdej tabeli i kolumny, klasyfikuje typy semantyczne (identyfikując, że created_at jest znacznikiem czasu utworzenia, e-mail jest polem kontaktowym, SKU (jest identyfikatorem produktu), wykrywa kolumny typu enum, w których skończony zestaw wartości powtarza się w wierszach, i mapuje tabele na domeny biznesowe, takie jak sprzedaż, zapasy, HR czy finanse. To wzbogacenie przekształca surowe metadane techniczne w wiedzę kontekstową. Gdy pytasz „pokaż mi wynagrodzenia pracowników według działu”, Nova nie tylko dopasowuje słowo „pracownik” do nazwy tabeli. Rozumie, które tabele należą do domeny HR, które kolumny reprezentują dane o wynagrodzeniach, a która kolumna służy jako narzędzie do grupowania działów. Klasyfikacja semantyczna to czynnik odróżniający narzędzie do dopasowywania słów kluczowych od asystenta SQL opartego na sztucznej inteligencji, który naprawdę rozumie model danych.

Faza 5: Przetwarzanie wyników

W fazie końcowej cała zdobyta wiedza jest przechowywana i obliczane są metryki pokrycia. Nova śledzi ukończenie analizy na trzech poziomach: dla bazy danych (ile tabel zostało sprofilowanych), dla tabeli (ile kolumn zostało wzbogaconych) oraz dla kolumny (czy klasyfikacja typów i profilowanie wartości zostały ukończone). Przetwarzanie wyników obejmuje również śledzenie wkładu. Każdy element zdobytej wiedzy jest oznaczany jako wygenerowany przez sztuczną inteligencję lub stworzony przez człowieka. Członkowie zespołu mogą uzupełniać proces uczenia się sztucznej inteligencji za pomocą konwersacyjnego interfejsu szkoleniowego, w którym Nova generuje ukierunkowane pytania dotyczące niejednoznacznych kolumn lub tabel, a ludzie odpowiadają na nie w języku naturalnym. To podejście oparte na współpracy łączy szybkość działania sztucznej inteligencji z wiedzą specjalistyczną, a tagi wkładu gwarantują, że zawsze znasz źródło każdej adnotacji.

Jak inteligencja semantyczna wyróżnia firmę Nova

Różnica między Novą a ogólnymi chatbotami opartymi na sztucznej inteligencji sprowadza się do kwestii zweryfikowanej wiedzy w porównaniu z domysłami probabilistycznymi. Kiedy sztuczna inteligencja ogólnego przeznaczenia pisze kod SQL dla Twojej bazy danych, konstruuje zapytania w oparciu o wzorce statystyczne w danych treningowych. Może zgadywać użytkownicy kiedy twój stół jest faktycznie użytkownicy aplikacjilub zakładać cena kiedy twoja kolumna jest koszt_jednostkowyTe próby są niewidoczne dla użytkownika, dopóki zapytanie nie zakończy się niepowodzeniem lub nie zwróci błędnych wyników.

Nova całkowicie eliminuje zgadywanie. Każda tabela, kolumna, relacja i wzorzec danych, do których odwołuje się wygenerowane zapytanie, pochodzi z bazy wiedzy Semantic Intelligence, zweryfikowanej z rzeczywistą bazą danych. Nova wymusza również nazewnictwo kwalifikowane według schematu (używając schemat.table format jak klienci publiczni) i przepuszcza przez niego każde wygenerowane zapytanie SQLGlot Walidacja składni przed wykonaniem. Jeśli odwołana kolumna nie spełnia progu podobieństwa 60% (za pomocą metody rapidfuzz), Nova oznacza to i automatycznie koryguje błąd lub prosi o wyjaśnienie. Dzięki temu Nova nie jest jedynie czytnikiem schematów baz danych opartym na sztucznej inteligencji, ale bramką jakości SQL, która wychwytuje błędy, zanim dotrą one do danych.

Interfejs inteligencji semantycznej

Interfejs inteligencji semantycznej dostępny pod adresem /nowa/inteligencja W portalu Query Streams dostępny jest wizualny pulpit nawigacyjny z informacjami Nova o każdej połączonej bazie danych. Można w nim zobaczyć status analizy dla każdej tabeli, procenty pokrycia kolumn i relacji oraz źródło każdej adnotacji (wygenerowane przez sztuczną inteligencję lub wprowadzone przez człowieka). Przyciski analizy dla poszczególnych encji umożliwiają uruchamianie lub ponowne uruchamianie analizy dla poszczególnych tabel lub kolumn na żądanie.

Cztery tryby uczenia się pozwalają kontrolować sposób działania inteligencji semantycznej w poszczególnych bazach danych. Automatyczny automatycznie uruchamia pełny 5-fazowy proces potokowy po podłączeniu nowego źródła danych. Wspomagany powiadamia Cię przed uruchomieniem analizy i prosi o potwierdzenie. Instrukcja obsługi umożliwia uruchomienie analizy w poszczególnych tabelach za pomocą przycisków dla poszczególnych encji. Wyłączony Całkowicie wyłącza inteligencję semantyczną w bazach danych, w których preferowane jest ręczne pisanie kodu SQL. Interfejs szkoleniowy to miejsce, w którym ludzka wiedza specjalistyczna spotyka się z szybkością sztucznej inteligencji: Nova generuje ukierunkowane pytania dotyczące luk w swojej wiedzy, a członkowie zespołu odpowiadają na nie w sposób konwersacyjny. Każda odpowiedź jest przechowywana jako wiedza wniesiona przez człowieka, która uzupełnia zautomatyzowaną analizę, co jest szczególnie cenne w przypadku baz danych z nieoczywistymi konwencjami nazewnictwa lub starszymi schematami, w których nazwy kolumn nie wskazują jednoznacznie na ich przeznaczenie.

Nie znasz SQL? Nova AI utworzy zapytanie za Ciebie.

Wypróbuj Novę

1

Opisz co
dane, których potrzebujesz

Nova odczytuje schemat
& buduje SQL

Zapisz i uciekaj
Excel lub Arkusze

Pomóż mi utworzyć zapytanie o przychody z ostatniego miesiąca według produktu — jest mi ono potrzebne do mojego tygodniowego raportu sprzedaży.

Znaleziony elementy zamówienia oraz produkty w swoim schemacie. Oto Twoje zapytanie — uruchom je, aby wyświetlić podgląd, a następnie zapisz w bibliotece i udostępnij zespołowi.

SQL Wyniki

Kopia Bieg Zapisz

SELECT
    p.nazwa_produktu,
    SUMA(oi.quantity * oi.unit_price) AS przychód
Z   publiczne.order_items oi
JOIN   produkty publiczne p ON oi.product_id = p.id
GDZIE  oi.created_at >= DATA_TRUNC('miesiąc', TERAZ() - INTERWAŁ '1 miesiąc')
GROUP BY p.product_name
ORDER BY przychód DESC

Kto korzysta z automatycznego uczenia się schematów

Inteligencja semantyczna nie ogranicza się do jednej roli. Każdy zespół pracujący z bazami danych korzysta ze sztucznej inteligencji, która rozumie model danych przed wygenerowaniem zapytań. Oto, jak różne role korzystają z automatycznej analizy schematu bazy danych.

Często zadawane pytania

Rozpocznij

Powiązane przewodniki: Tekst na SQL z Nova AI | Wszystkie funkcje | Bazy danych w programie Microsoft Excel | Bazy danych w Arkuszach Google | Łącznik API

Kategoria: Nova AI

Tagi: Nova AI, inteligencja semantyczna, schemat bazy danych, analityka AI, przetwarzanie tekstu na SQL, uczenie maszynowe, automatyzacja bazy danych

Metaopis: Nova AI automatycznie uczy się schematu bazy danych. Lepszy SQL od pierwszego dnia. Wypróbuj za darmo.

Informacje o autorze:
Zespół Query Streams składa się z doświadczonych ekspertów ds. baz danych, specjalistów ds. bezpieczeństwa sieci oraz weteranów sieci korporacyjnych, którzy łącznie mają ponad 25 lat doświadczenia w zarządzaniu danymi, analityce i tworzeniu bezpiecznego oprogramowania.