PolarDB:Smart SQL Summary (NL2SQL_SUMMARY)

Workflow

Proses inti NL2SQL_SUMMARY terdiri dari dua tahap. Pertama, model menggunakan fitur bahasa alami ke SQL (NL2SQL) untuk mengonversi bahasa alami menjadi pernyataan kueri SQL. Kemudian, model tersebut menganalisis hasil eksekusi pernyataan SQL tersebut untuk menghasilkan ringkasan analitis.

1. Hasilkan pernyataan kueri SQL dari bahasa alami menggunakan model NL2SQL.

   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2sql, select 'Query the credit score of each merchant') WITH (basic_index_name='schema_index',pattern_index_name='pattern_index');

   Pernyataan SQL yang dihasilkan adalah sebagai berikut. Salin pernyataan SQL tersebut.

   SELECT merchname AS merchant_name, limitscore AS credit_score FROM hkrt_merchant_info ORDER BY limitscore;

2. Gunakan model NL2SQL_SUMMARY untuk merangkum dan menganalisis hasil kueri SQL. Ganti <SQL_statement> dengan kode yang disalin dari Langkah 1.

   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2sql_summary,<SQL_statement> WITH (usr_query = <usr_query>);

   Parameter

   Parameter	Deskripsi	Contoh
   <usr_query>	Pertanyaan pengguna. Parameter ini menjelaskan kebutuhan untuk analitik data dan ringkasan.	'Merchant type distribution'.
   <SQL_statement>	Pernyataan kueri SQL yang dihasilkan oleh model NL2SQL. Pernyataan ini digunakan untuk mengambil data guna dirangkum. Jangan tambahkan titik koma di akhir.	SELECT merchname AS merchant_name, limitscore AS credit_score FROM hkrt_merchant_info ORDER BY limitscore.

   Contoh

   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2sql_summary,
   SELECT merchname AS merchant_name, limitscore AS credit_score FROM hkrt_merchant_info ORDER BY limitscore
    ) WITH (usr_query='Query the credit score of each merchant');

   Output:

   Kueri ini mengembalikan skor kredit untuk 15 merchant, berkisar antara 60 hingga 95. Skor terendah adalah 60 (Future Star Merchant), dan tertinggi adalah 95 (Tech City Merchant). Secara keseluruhan, sebagian besar merchant memiliki skor di atas 70, yang menunjukkan kondisi kredit yang baik.

   Hasil kueri SQL:

   No.	Credit Score	Merchant Name
   1	60	Future Star Merchant
   2	65	Stellar Tech Merchant
   3	68	Innovative Future Merchant
   4	70	Stellar Glory Merchant
   5	72	Stellar Dream Merchant
   6	75	Future Tech Merchant
   7	80	Dream Tech Merchant
   8	82	Dream Tech Merchant
   9	85	Xiaotian Tech Merchant
   10	85	Glorious Dream Merchant
   11	88	Glorious Future Merchant
   12	90	Glorious Tech Merchant
   13	90	Glorious Star Merchant
   14	92	Tech Star Merchant
   15	95	Tech City Merchant

Best practices

• Anda dapat menggabungkan NL2SQL dan NL2SQL_SUMMARY untuk mengotomatiskan seluruh alur mulai dari kueri bahasa alami hingga ringkasan cerdas.

• Pastikan pertanyaan Anda jelas. Memberikan usr_query yang jelas meningkatkan kualitas dan relevansi ringkasan.

• Untuk visualisasi yang lebih baik, gunakan fitur NL2Chart guna menghasilkan grafik yang melengkapi ringkasan tersebut.

• Skema penggunaan yang direkomendasikan:

  Scenario	Typical application
  Ikhtisar data	Memahami secara cepat distribusi data di berbagai kategori atau periode waktu dalam sebuah database.
  Dukungan pengambilan keputusan	Memberikan rekomendasi ringkasan berbasis data untuk mendukung keputusan bisnis.
  Deteksi anomali	Mendeteksi kategori atau tren yang tidak normal dan menyarankan kemungkinan penyebabnya.
  Penulisan laporan	Menghasilkan bagian-bagian utama laporan data secara otomatis untuk meningkatkan efisiensi.

NL2SQL_SUMMARY secara cepat mengekstraksi informasi kunci dari data mentah dan menghasilkan ringkasan terstruktur, sehingga memberikan fondasi yang kuat untuk analitik data dan pengambilan keputusan selanjutnya.