PolarDB:Data-Agent のベストプラクティス

語彙の意味に関するヒント

6 番目の質問では、大規模言語モデル (LLM) が「顧客トラフィック」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 'アクティブかどうか',
  `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、「顧客トラフィック」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", 
  "", 
  "Customer traffic or customer flow is calculated as the sum of the number of diners", 
  "", 
  ""
);

この場合、is_functional の値が 1 の場合は、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」を含む質問に一致します。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。

あいまい検索のヒント

質問 3 では、= 演算子を使用して場所名を取得すると、名前が完全一致でない場合に失敗します。したがって、場所名の照合にはあいまい検索を使用する必要があります。

INSERT INTO polar4ai_nl2sql_llm_config (id, is_functional, text_condition, query_function, formula_function, sql_condition, sql_function) VALUES (
  2, 
  1, 
  "", 
  "", 
  "Matching for the outlet location 'position' requires a fuzzy search", 
  "", 
  ""
);

text_condition が空の場合、設定項目は全体に適用されます (注意して使用してください)。

結果は下の図のとおりです。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。

同様に、質問 5 についても、polar4ai_nl2sql_llm_config 設定テーブルに前月比および前年比の計算式を追加して、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になっていると仮定します。

   /*polar4ai*/SELECT * FROM PREDICT (MODEL _polar4ai_nl2sql, select '店舗ごとの売上統計') 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ら、そのステートメントが実行でき、意味のある空でない結果が返されることを確認してください。

   SELECT r.position, SUM(b.actural_amount) AS total_sales FROM bill_info b JOIN restaurant_info r ON b.restaurant_id = r.id GROUP BY r.position;

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で、チャート生成の要件を明確にするために使用します。	"四半期ごとの売上統計"
   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(pay_time) as quarter, SUM(actural_amount) as sales FROM bill_info GROUP BY quarter ORDER BY quarter;

   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 r.position, SUM(b.actural_amount) AS total_sales FROM bill_info b JOIN restaurant_info r ON b.restaurant_id = r.id GROUP BY r.position) WITH (usr_query = '店舗ごとの売上統計', result_type='IMAGE');

   結果は次のとおりです。

   説明

   返されるリンクは、90 分間有効な画像 URL 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強制選択

   モデルは、ユーザーの質問とデータの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、チャート生成のモデルを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	棒グラフ	「都市別の売上統計を提供してください」	数量、合計金額、頻度など、異なるカテゴリ間の数値比較を示します。
   トレンドの変化	折れ線グラフ	「過去1年間のユーザー増加傾向を示してください」	時間経過または順序付けられたカテゴリにわたるデータの傾向を示し、連続性を強調します。
   割合分布	円グラフ	「各製品ラインの売上比率を示してください」	全体に対する部分の割合関係を示すのに適しています。データはカテゴリ別で、明確な合計が必要です。

   usr_query パラメーターを変更して、特定のチャートタイプを強制します。usr_query パラメーターの末尾に補足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 r.position, SUM(b.actural_amount) AS total_sales FROM bill_info b JOIN restaurant_info r ON b.restaurant_id = r.id GROUP BY r.position
   ) WITH (usr_query = '店舗ごとの売上統計、折れ線グラフで描画', 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 r.position, SUM(b.actural_amount) AS total_sales FROM bill_info b JOIN restaurant_info r ON b.restaurant_id = r.id GROUP BY r.position
   ) WITH (usr_query = '店舗ごとの売上統計、円グラフで描画', 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。