PolarDB:データエージェントのベストプラクティス

語彙意味ヒント

6 番目の質問では、大規模言語モデル (LLM) が「人流」という用語を正確に理解できないため、polar4ai_nl2sql_llm_config テーブルを設定して前処理を実行できます。

CREATE TABLE `polar4ai_nl2sql_llm_config` (
  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT 'プライマリキー',
  `is_functional` int(11) NOT NULL DEFAULT '1' COMMENT '有効かどうか',
  `text_condition` text COMMENT 'テキスト条件',
  `query_function` text COMMENT 'クエリ処理',
  `formula_function` text COMMENT '数式情報',
  `sql_condition` text COMMENT 'SQL 条件',
  `sql_function` text COMMENT 'SQL 処理',
  PRIMARY KEY (`id`)
);

関連する設定項目を挿入して、「人流」または「顧客フロー」を「食事客数」としてカウントするように LLM を設定します。

INSERT INTO polar4ai_nl2sql_llm_config (id, is_functional, text_condition, query_function, formula_function, sql_condition, sql_function) VALUES (
  1, 
  1, 
  "customer traffic||customer flow", 
  "", 
  "人流または顧客フローは、食事客数の合計として計算されます", 
  "", 
  ""
);

この場合、is_functional の値が 1 のときは、その設定項目が有効であることを示します。text_condition フィールドの値は「customer traffic||customer flow」で、「customer traffic」または「customer flow」を含む質問と一致します。formula_function フィールドは、テキストまたは数式を使用して、専門用語を大規模言語モデル (LLM) に説明します。

この場合、インデックステーブルの構築やベクトル化を行わずに、直接 SQL 生成を実行できます。結果は次のとおりです。

NL2SQL 予測コマンドを実行します：/*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2sql, SELECT '上海で最も人流が多い店舗はどれですか') WITH (basic_index_name='schema_index',pattern_index_name='pattern_index');。生成された SQL は次のとおりです：SELECT r.position, SUM(b.diner_count) AS total_customer_flow FROM restaurant_info r JOIN bill_info b ON r.id = b.restaurant_id WHERE r.position LIKE '%上海%' GROUP BY r.id ORDER BY total_customer_flow DESC LIMIT 1;。モデルは「人流」を食事客数 (diner_count) として正しく解釈し、統計を行いました。

あいまい検索のヒント

質問 3 では、= 演算子を使用して地名を取得すると、名前が完全一致でない場合に失敗します。したがって、地名の照合にはあいまい検索を使用する必要があります。次の設定項目を追加できます。

INSERT INTO polar4ai_nl2sql_llm_config (id, is_functional, text_condition, query_function, formula_function, sql_condition, sql_function) VALUES (
  2, 
  1, 
  "", 
  "", 
  "店舗の場所 'position' の照合には、あいまい検索が必要です", 
  "", 
  ""
);

text_condition が空の場合、設定項目はグローバルに適用されます (注意して使用してください)。

結果は次のとおりです。ご覧のとおり、場所の照合はあいまい検索を正常に使用しています。

生成された SQL は SELECT AVG(bi.actural_amount / bi.diner_count) AS avg_per_person FROM bill_info bi JOIN restaurant_info ri ON bi.restaurant_id = ri.id WHERE ri.position LIKE '%上海%'; です。場所の照合条件は、あいまい検索のために LIKE '%上海%' を使用します。

同様に、質問 5 についても、前月比と前年比の計算式を polar4ai_nl2sql_llm_config 設定テーブルに追加することで、生成される SQL の精度を向上させることができます。ご自身でお試しください。

1. NL2SQL でのステートメントが次のようであると仮定します。

   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2sql, SELECT 'Merchant type statistics') WITH (basic_index_name='schema_index',pattern_index_name='pattern_index');

   対応する SQL ステートメントが生成された後、それが実行され、意味のある空でない結果が返されることを確認します。

   SELECT merchtype AS merchant_type, COUNT(*) AS product_count FROM hkrt_merchant_info GROUP BY merchtype;

2. NL2Chart の使用：

   構文

   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2chart, <SQL_statement>) WITH (usr_query = <usr_query>, result_type = <result_type>);

   パラメーター

   パラメーター名	説明	サンプル値
   usr_query	ユーザーが入力した質問。チャート生成の要件を明確にするために使用されます。	「2023年の各四半期の売上統計」
   result_type	返される結果のタイプを指定します。現在、'IMAGE' のみがサポートされています。	'IMAGE'
   SQL ステートメント	NL2SQL モジュールによって生成された SQL クエリステートメント。データの取得に使用されます。	SELECT quarter, sales FROM sales_data WHERE year = 2023

   例：生成された SQL ステートメントのクエリ結果をチャートに変換する

   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2chart, SELECT merchtype AS merchant_type, COUNT(*) AS number_of_merchants FROM hkrt_merchant_info GROUP BY merchtype) WITH (usr_query = 'Merchant type statistics', result_type='IMAGE');

   結果は次のとおりです。

   説明

   返されるリンクは画像 URL で、90 分間有効です。

   http://db4ai-xxx-xx-xxxx-xxx-xxxx.aliyuncs.com/pc-bpze47ma2c515087l6/OSSAccessKeyId=xxxxxxx&Expires=1716130199&Signature=KvPFzfMebIEmqxPIXURurwwbsXM%3D

   

3. (オプション) チャートタイプの選択と指定

   モデルは、ユーザーの質問とデータに対する理解に基づいて、適切なチャートを選択します。ユーザーの質問を使用してモデルがチャートを生成するようにガイドすることを推奨します。

   次の表は、質問タイプとチャートタイプのマッピングを示しています。

   質問タイプ	チャートタイプ	ユーザーの質問の例	説明
   数量統計	縦棒グラフ	「都市別の売上統計を提供してください」	数量、総額、頻度など、異なるカテゴリ間の数値比較を示します。
   トレンド変化	折れ線グラフ	「過去1年間のユーザー成長トレンドを表示してください」	時間や順序付けられたカテゴリにわたるデータのトレンドを示し、連続性を強調します。
   比率分布	円グラフ	「各製品ラインの売上比率を表示してください」	全体に対する部分の比率関係を示すのに適しています。データはカテゴリカルであり、明確な合計がある必要があります。

   usr_query パラメーターを変更することで、特定のチャートタイプを指定します。usr_query パラメーターの末尾に補助コマンドを追加します。

   -- 出力 SQL を nl2chart に入力して折れ線グラフを描画します
   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2chart,
   SELECT merchtype AS merchant_type, COUNT(*) AS number_of_merchants FROM hkrt_merchant_info GROUP BY merchtype
   ) WITH (usr_query = 'Merchant type statistics, draw a line chart', result_type='IMAGE');

   

   -- 出力 SQL を nl2chart に入力して円グラフを描画します
   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2chart,
   SELECT merchtype AS merchant_type, COUNT(*) AS number_of_merchants FROM hkrt_merchant_info GROUP BY merchtype
   ) WITH (usr_query = 'Merchant type statistics, draw a pie chart', result_type='IMAGE');

   

詳細については、「NL2Chart：自然言語からスマートチャートを生成する」をご参照ください。