Text-to-SQL: как формировать запросы к данным по обычному вопросу
На этой странице
Text-to-SQL преобразует вопрос на естественном языке в SQL-запрос к структурированным данным. Пользователь описывает нужный результат, а система формирует код с учётом доступной схемы. Выполнение запроса и показ ответа относятся к следующим этапам приложения.
Генерация SQL не гарантирует правильность расчёта. Синтаксически допустимый запрос может обратиться не к той таблице, задвоить строки или использовать неверное определение показателя.
Какие сведения нужны системе
Кроме вопроса нужны таблицы, поля, типы данных и связи. Для корпоративной аналитики важны бизнес-определения: что считать продажей, какой статус включать, какую валюту и дату использовать. Название столбца не всегда раскрывает этот смысл.
При большом числе таблиц приложение может сначала выбрать релевантную часть схемы. Примеры запросов и описание метрик помогают, но не заменяют актуальную модель данных. Поддержка конкретного SQL-диалекта и языка вопросов проверяется отдельно.
Как проходит работа
Система уточняет неоднозначность, подбирает контекст, формирует SQL и проверяет допустимость. Запрос может показываться сотруднику до запуска. В автоматическом сценарии действуют отдельные ограничения доступа и ресурсов.
Проверяют не только синтаксис. Нужно убедиться, что соединения и фильтры соответствуют задаче. Для типовых вопросов полезен набор эталонных результатов, полученных независимым способом, а не только сравнение текстов SQL.
Условный пример
Вопрос «какова выручка за прошлый месяц?» оставляет несколько неопределённостей. Требуется выбрать дату отгрузки или оплаты, учесть возвраты, определить валюту и состав операций. Если компания использует несколько версий плана и факта, нужно указать нужный набор.
Запрос может успешно выполниться и выдать сумму, которая соответствует другой методике. Поэтому понятное пояснение использованных условий полезнее уверенного числа без определения. Пример является учебным и не описывает функцию KS.
Права и ограничения
Модель не должна получать полномочия только из инструкции пользователя. Доступ ограничивают средствами приложения и СУБД, для аналитического сценария обычно выделяют разрешённые операции чтения. Ограничение числа строк само по себе не защищает от дорогого запроса или раскрытия недоступных сведений.
Проверять нужно и контекст генерации: схему, примеры значений и журналы. Даже если SQL выполняется от имени сотрудника, служебный компонент мог получить более широкий доступ. Генерация, предварительный просмотр данных и выполнение требуют согласованных правил.
Отличие от NLQ
NLQ описывает обращение к данным на естественном языке. Приложение может реализовать его через SQL, API, семантический слой или другой механизм. Поэтому наличие NLQ не доказывает, что внутри используется именно Text-to-SQL.
На пилоте проверяют понятные вопросы, неоднозначные метрики, сложные соединения, отсутствие доступа и большие выборки. Смена схемы требует повторной проверки. Полезность оценивают по правильным ответам и времени на их контроль, а не только по числу сгенерированных запросов.
Связь с Knowledge Space
На странице продуктов Knowledge Space аналитический LLM-ассистент и NLQ описаны в планах развития. Это не подтверждает готовую реализацию Text-to-SQL: естественно-языковой интерфейс может обращаться к данным разными способами. Для конкретного сценария требуется проверить механизм расчёта и права.
Аналитические ИИ-сценарии и развитие KS
FAQ
Правильный синтаксис означает правильный результат?
Нет. Ошибка в соединении, фильтре или определении метрики может дать неверный итог без ошибки выполнения.
Text-to-SQL автоматически запускает запрос?
Не обязательно. Некоторые приложения показывают код для проверки и запуска сотрудником.
NLQ всегда использует SQL?
Нет. Естественно-языковой запрос может преобразовываться в другие обращения к данным.
Достаточно разрешить только SELECT?
Это важное ограничение, но дополнительно проверяют область данных, функции, ресурсы и служебный доступ. Сам текст промпта прав не задаёт.
Смежные термины
- Обработка естественного языка (NLP): Объединяет задачи обработки человеческого языка.
- Большая языковая модель (LLM): Объясняет работу языковой модели.
- ИИ-ассистент: Показывает помощь пользователю в рабочем процессе.