Amazon Quick Sight, облачный сервис бизнес-аналитики, опубликовал подробные рекомендации по настройке многомерных Topics с использованием генеративного ИИ. В основе новой функциональности лежит способность модели автоматически строить SQL-запросы на основе вопросов на естественном языке, опираясь на заранее подготовленный семантический слой.
Традиционный подход к объединению нескольких наборов данных в Quick Sight требует явного определения отношений между ними. Такой режим использует направленный ациклический граф (DAG) и поддерживает только inner-соединения, что подходит для регламентированной отчётности. В режиме ИИ-генерации SQL модель сама решает, какие таблицы соединять, какой тип соединения использовать и как агрегировать данные, без ограничений на структуру графа. Этот метод поддерживает outer-соединения, объединения (union), подзапросы и сравнения между разными уровнями детализации.
| Параметр | Явные отношения | AI-генерация SQL |
|---|---|---|
| Определение связей | Предопределены в Topic | Выводятся ИИ во время запроса |
| Поддерживаемые типы соединений | Только inner для дашбордов | Inner, left, right, full outer, union, подзапросы |
| Ограничение на граф | Только DAG | Без ограничений |
| Подход к многомерным фактам | Требуются ключи-измерения | Соединение через инструкции |
| Лучший сценарий | Регламентированные дашборды, регулируемые среды | Исследовательская аналитика, ad-hoc-вопросы |
Для настройки ИИ-генерации SQL необходимо создать семантический слой, включающий инструкции на уровне набора данных и Topic, синонимы полей и описания. Авторы предлагают фреймворк Semantic Guidance Stack и приводят восемь конкретных практик с примерами и антипаттернами. Кроме того, даны рекомендации для сложных сценариев: внешние соединения, отношения «многие-ко-многим», рекурсивные иерархии и ролевые измерения.
ИИ-генерация SQL использует семантический слой из инструкций, синонимов и описаний для создания контекстных запросов.
Выбор между режимами зависит от сценария использования. Для управляемых дашбордов с жёсткими требованиями к корректности данных лучше подходят явные отношения. Для исследовательской аналитики и ad-hoc-вопросов — ИИ-генерация SQL. Возможно и гибридное применение, когда для ядра данных заданы связи, а для нестандартных запросов используется семантический слой. Полное руководство с пошаговым примером для розничной аналитики из пяти наборов данных доступно в блоге AWS.
