Como a Nova AI aprende automaticamente o esquema do seu banco de dados

Veja tudo o que o Query Streams pode fazer além deste guia Comece a usar gratuitamente

Suportes

+mais

Dados em tempo real

Substitua as exportações por SQL sob demanda

Excel Folhas

Análises de BI e IA

Pergunte à Nova, obtenha SQL + gráficos

Conheça a Nova

API REST de banco de dados

Uma chave por parceiro. Nenhuma credencial é compartilhada.

Criar uma API

+mais

Automação

Sincronização programada para mais de 6 plataformas

Explorar

+mais

API para SQL

Consultar APIs com SQL, sem código

Explorar

+mais

Banco de dados de IA MCP

Claude, Cursor, ChatGPT e Grok interagem com seus dados.

Conectar IA

O Query Streams é uma plataforma segura de integração de banco de dados em tempo real, cujo mecanismo de IA, Nova, aprende automaticamente o esquema do seu banco de dados antes de gerar uma única consulta SQL. Saiba mais em QueryStreams.com e inscreva-se gratuitamente Para começar a fazer suas perguntas ao banco de dados em linguagem simples.

A Inteligência Semântica é uma tecnologia desenvolvida por IA. camada semântica Para seu banco de dados: o Nova mapeia suas tabelas, colunas e relacionamentos uma única vez e, em seguida, responde a todas as perguntas com base nesse mapa.

Por que a compreensão de esquemas é importante para o SQL de IA

A geração de SQL por IA tem um problema fundamental que a maioria das plataformas ignora: a IA não conhece seu banco de dados. Chatbots genéricos podem escrever SQL sintaticamente correto, mas não têm conhecimento algum dos nomes reais das suas tabelas, tipos de colunas, valores de dados ou relacionamentos. Peça a eles para consultar seus dados de vendas e eles inventarão nomes de colunas plausíveis, como vendas_totais ou nome_do_cliente que pode não existir no seu esquema. A consulta parece correta. Ela compila. Mas retorna um erro ou, pior, resultados incorretos de uma coluna diferente que por acaso correspondia.

Este é o problema da alucinação aplicado à análise de esquemas de banco de dados. A lacuna não está na capacidade da IA de escrever sintaxe SQL. Os modelos de linguagem modernos são competentes na escrita de SQL. A lacuna está no conhecimento. o que Para escrever SQL, é preciso considerar quais tabelas existem, quais colunas elas contêm, como as tabelas se relacionam entre si, quais valores aparecem nas colunas de filtro e qual dialeto SQL o banco de dados de destino espera. Sem essa base, até mesmo o construtor de consultas de IA mais sofisticado está apenas adivinhando. A Inteligência Semântica é como a Nova elimina completamente essa adivinhação, criando um assistente de SQL com IA que opera com base em conhecimento verificado, em vez de inferência probabilística.

O Pipeline de Inteligência Semântica de 5 Fases

O aprendizado automático de esquemas do Nova executa um pipeline estruturado de 5 fases assim que você conecta uma fonte de dados. Cada fase se baseia na anterior, aprofundando progressivamente a compreensão da IA sobre a estrutura do seu banco de dados. O pipeline processa até 10 tabelas simultaneamente para maior velocidade, suporta 9 dialetos SQL e armazena todo o conhecimento aprendido de forma persistente, de modo que a análise só precisa ser executada uma vez por banco de dados, a menos que seu esquema seja alterado.

Fase 1: Captura do Catálogo de Esquemas

A primeira fase conecta-se ao seu banco de dados através do Agente de fluxos de consulta e lê o catálogo de esquemas de informação. Isso captura todos os nomes de tabelas, nomes de colunas, tipos de dados, definições de índices, restrições de chave estrangeira, contagens de linhas e comentários de desenvolvedores em todos os esquemas acessíveis. O Agente é executado em sua própria rede e estabelece uma conexão segura somente de saída, portanto, não são necessárias portas de entrada, túneis VPN ou alterações de firewall. A captura do catálogo de esquemas é rápida porque lê metadados, não dados. Um banco de dados com 200 tabelas normalmente conclui esta fase em menos de 3 segundos. A saída é um mapa estrutural completo que o Nova usa como base para cada fase subsequente e para cada consulta SQL que gera.

Fase 2: Amostragem de Dados

Depois que o Nova identifica as tabelas e colunas existentes, ele precisa entender os valores que elas contêm. A Fase 2 envia um único ProfileTableForAI chamada por tabela através do Agente de Fluxos de Consulta. Essa operação de perfilamento especializada substitui o que, de outra forma, exigiria de 11 a 28 consultas separadas por tabela: amostragem de valores distintos, detecção de distribuições de valores, identificação de taxas de NULL, descoberta de padrões de enumeração e medição de cardinalidade, tudo em uma única requisição de ida e volta à rede. A amostragem de dados é o que permite ao Nova saber que seu estado A coluna usa abreviações de duas letras, como "CA" em vez de "California", ou que seu estado O campo contém “ativo”/”inativo” em vez de 0/1. Isso evita a classe mais frustrante de texto para SQL Erros: consultas que estão estruturalmente corretas, mas filtram valores que não existem nos seus dados.

Fase 3: Descoberta implícita de chave estrangeira

Muitos bancos de dados de produção possuem relacionamentos entre tabelas que não são declarados como restrições formais de chave estrangeira. clientes.id coluna e um pedidos.id_do_cliente As colunas claramente se relacionam entre si, mas se não houver nenhuma restrição de chave estrangeira no esquema, uma leitura básica do catálogo não detectará a conexão. A Fase 3 resolve isso analisando nomes de colunas, tipos de dados e sobreposições de valores para identificar relacionamentos não declarados entre tabelas. Essa descoberta implícita de chaves estrangeiras é crucial para consultas complexas em linguagem natural em bancos de dados que exigem junções (JOINs) entre várias tabelas. Sem ela, o Nova só conseguiria unir tabelas com chaves estrangeiras declaradas, o que, em muitos bancos de dados reais, cobre menos da metade dos relacionamentos reais. Ao mapear relacionamentos declarados e implícitos, o Nova consegue rastrear caminhos de junção (JOIN) em todo o seu esquema e gerar consultas precisas entre várias tabelas a partir de perguntas como "mostre-me os pedidos com os nomes dos clientes e detalhes dos produtos".

Fase 4: Enriquecimento do LLM

A Fase 4 passa os dados estruturais e de perfil para a IA para enriquecimento semântico. O LLM gera descrições legíveis para humanos para cada tabela e coluna, classifica os tipos semânticos (identificando que criado_em é um registro de data e hora de criação, e-mail é um campo de contato, SKU (é um identificador de produto), detecta colunas do tipo enum onde um conjunto finito de valores se repete em várias linhas e mapeia tabelas para domínios de negócios como vendas, estoque, RH ou finanças. Esse enriquecimento transforma metadados técnicos brutos em conhecimento contextual. Quando você pergunta "mostre-me os salários dos funcionários por departamento", o Nova não apenas compara a palavra "funcionário" com o nome de uma tabela. Ele entende quais tabelas pertencem ao domínio de RH, quais colunas representam dados de remuneração e qual coluna serve como agrupador de departamentos. A classificação semântica é o que diferencia uma ferramenta de correspondência de palavras-chave de um assistente de SQL com IA que realmente entende seu modelo de dados.

Fase 5: Processamento de Resultados

A fase final armazena todo o conhecimento adquirido e calcula as métricas de cobertura. O Nova monitora a conclusão da análise em três níveis: por banco de dados (quantas tabelas foram analisadas), por tabela (quantas colunas foram enriquecidas) e por coluna (se a classificação de tipo e a análise de valor foram concluídas). O processamento de resultados também inclui o rastreamento de contribuições. Cada informação adquirida é marcada como gerada por IA ou contribuída por humanos. Os membros da equipe podem complementar o aprendizado da IA por meio de uma interface de treinamento conversacional, na qual o Nova gera perguntas específicas sobre colunas ou tabelas ambíguas e os humanos respondem em linguagem natural. Essa abordagem colaborativa combina a velocidade da IA com a experiência humana no domínio, e as tags de contribuição garantem que você sempre saiba a origem de cada anotação.

Como a Inteligência Semântica Diferencia a Nova

A diferença entre o Nova e os chatbots de IA genéricos reside no conhecimento verificado versus palpites probabilísticos. Quando uma IA de propósito geral escreve SQL para o seu banco de dados, ela constrói consultas com base em padrões estatísticos em seus dados de treinamento. Ela pode simplesmente adivinhar. Usuários quando sua mesa é realmente usuários_do_aplicativoou assumir preço quando sua coluna for custo unitárioEssas suposições são invisíveis para o usuário até que a consulta falhe ou retorne resultados incorretos.

O Nova elimina completamente as suposições. Cada tabela, coluna, relacionamento e padrão de dados referenciado em uma consulta gerada provém da base de conhecimento de Inteligência Semântica, verificada em relação ao seu banco de dados real. O Nova também impõe a nomenclatura qualificada pelo esquema (usando...). esquema.tabela formato como clientes públicos) e passa cada consulta gerada por SQLGlot Validação de sintaxe antes da execução. Se uma coluna referenciada não corresponder a um limite de similaridade de 60% (via RapidFuzz), o Nova a sinaliza e corrige automaticamente ou solicita esclarecimentos. Isso faz do Nova não apenas um leitor de esquema de banco de dados com IA, mas também um filtro de qualidade SQL que detecta erros antes que eles cheguem aos seus dados.

A Interface de Inteligência Semântica

A interface de Inteligência Semântica, acessível em /nova/inteligência No portal Query Streams, é fornecido um painel visual com as informações que o Nova possui sobre cada banco de dados conectado. Você pode visualizar o status da análise por tabela, as porcentagens de cobertura para colunas e relacionamentos e a origem de cada anotação (gerada por IA ou contribuída por humanos). Os botões de análise por entidade permitem que você inicie ou execute novamente a análise em tabelas ou colunas individuais sob demanda.

Quatro modos de aprendizagem permitem controlar o funcionamento da Inteligência Semântica em cada base de dados. Auto Executa automaticamente todo o pipeline de 5 fases quando uma nova fonte de dados é conectada. Assistido O sistema notifica você antes de executar a análise e solicita confirmação. Manual Permite acionar análises em tabelas individuais usando botões específicos para cada entidade. Desligado Desativa completamente a Inteligência Semântica para bancos de dados nos quais você prefere escrever SQL manualmente. A interface de treinamento é onde a experiência humana no domínio encontra a velocidade da IA: o Nova gera perguntas direcionadas sobre lacunas em seu entendimento, e os membros da equipe respondem de forma conversacional. Cada resposta é armazenada como conhecimento contribuído por humanos, complementando a análise automatizada, o que é particularmente valioso para bancos de dados com convenções de nomenclatura pouco óbvias ou esquemas legados onde os nomes das colunas não indicam claramente sua finalidade.

Não conhece SQL? A Nova AI cria a consulta para você.

Experimente Nova

1

Descreva o quê
dados que você precisa

Nova lê esquema
& constrói o SQL

Salvar e executar a partir de
Excel ou Planilhas

Preciso de ajuda para criar uma consulta com a receita do mês passado por produto — preciso dela para meu relatório de vendas semanal.

Encontrado itens_do_pedido e produtos em seu esquema. Aqui está sua consulta — execute-a para visualizar, salve-a em sua biblioteca e compartilhe-a com sua equipe.

SQL Resultados

Cópia Executar Salvar

SELECIONAR
    p.nome_do_produto,
    SUM(oi.quantidade * oi.preço_unitário) AS receita
DE   public.order_items oi
JUNTAR   produtos públicos p ON oi.product_id = p.id
ONDE  oi.created_at >= DATA_TRUNC('mês', AGORA() - INTERVALO '1 mês')
GRUPO POR p.nome_do_produto
ORDER BY receita DESC

Quem se beneficia do aprendizado automático de esquemas?

A Inteligência Semântica não se limita a uma única função. Qualquer equipe que trabalhe com bancos de dados se beneficia de uma IA que compreenda o modelo de dados antes de gerar consultas. Veja como diferentes funções se beneficiam da análise automática do esquema do banco de dados.

Perguntas frequentes

Começar a usar

Guias relacionados: Texto para SQL com Nova AI | Todos os recursos | Bancos de dados no Microsoft Excel | Bancos de dados no Planilhas Google | Conector de API

Categoria: Nova IA

Tags: Nova AI, Inteligência Semântica, Esquema de Banco de Dados, Análise de IA, Texto para SQL, Aprendizado de Máquina, Automação de Banco de Dados

Metadescrição: O Nova AI aprende automaticamente o esquema do seu banco de dados. SQL melhor desde o primeiro dia. Experimente grátis.

Biografia do autor:
A equipe da Query Streams é composta por especialistas experientes em bancos de dados, profissionais de segurança de rede e veteranos em redes empresariais, com mais de 25 anos de experiência combinada em gerenciamento de dados, análise e desenvolvimento de software seguro.