融合Chat BI（powered by LLM）和Headless BI（powered by 语义层）打造新一代的BI平台
融合Chat BI（powered by LLM）和Headless BI（powered by 语义层）打造新一代的BI平台。这种融合确保了Chat BI能够与传统BI一样访问统一化治理的语义数据模型。此外，两种BI新范式都从中获得收益： - Chat BI的Text2SQL生成通过检索语义数据模型得到增强。
- Headless BI的查询接口通过支持自然语言API得到拓展。
通过问答对话界面，用户能够使用自然语言查询数据，系统会选择合适的可视化图表呈现结果。不需要修改或复制数据，只需要在物理数据模型之上构建逻辑语义模型（定义指标/维度/实体/标签，以及它们的业务含义、相互关系等），即可开启数据问答体验。与此同时，被设计为可插拔的框架，采用Java SPI机制来扩展定制功能。
项目动机大型语言模型（LLM）如ChatGPT的出现正在重塑信息检索的方式，引领数据分析领域的一种新范式，被称为Chat BI。为了实现Chat BI，学术界和工业界主要关注利用LLM的能力将自然语言转换为SQL，通常称为Text2SQL或NL2SQL。尽管一些方法显示出有希望的结果，但它们在大规模实际应用中的可靠性还不足。 与此同时，另一种新兴范式被称为Headless BI，它专注于构建统一的语义数据模型，并引起了广泛的关注。Headless BI通过一个通用的语义层来实现，通过开放的API公开一致的数据语义。 从我们的角度来看，Chat BI和Headless BI的融合有潜力在两个方面增强Text2SQL的能力： - 将数据语义（如业务术语、列值等）纳入提示词中，使LLM能够更好地理解语义，以减少幻觉。
- 将高级SQL语法（如连接、公式等）的生成从LLM卸载到语义层，以减少复杂度。
为了验证上述想法，我们开发了项目，并将其应用在实际的内部产品中。与此同时，我们将作为一个可扩展的框架开源，希望能够促进数据问答对话领域的进一步发展。 开箱即用的特性- 内置Chat BI界面以便业务用户输入数据查询。
- 内置Headless BI界面以便分析工程师构建语义模型。
- 内置基于规则的语义解析器，在特定场景（比如DEMO演示、集成测试）可以提升推理效率。
- 支持文本输入联想、多轮对话、查询后问题推荐等高级特征。
- 支持三级权限控制：数据集级、列级、行级。
模型知识库(Knowledge Base)： 定期从语义模型中提取相关的模式信息，构建词典和索引，以便后续的模式映射。 模式映射器(Schema Mapper)： 将自然语言文本在知识库中进行匹配，为后续的语义解析提供相关信息。 语义解析器(Semantic Parser)： 理解用户查询并抽取语义信息，生成语义查询语句S2SQL。 语义修正器(Semantic Corrector)： 检查语义查询语句的合法性，对不合法的信息做修正和优化处理。 语义翻译器(Semantic Translator)： 将语义查询语句翻译成可在物理数据模型上执行的SQL语句。 问答插件(Chat Plugin)： 通过第三方工具扩展功能。给定所有配置的插件及其功能描述和示例问题，大语言模型将选择最合适的插件。 问答记忆(Chat Memory)： 将历史的查询轨迹进行封装，可被召回作为few-shot样例嵌入提示词。
本地构建自带样例的语义模型和问答对话，只需以下三步即可快速体验： - 从release page下载预先构建好的发行包
- 运行 "assembly/bin/-daemon.sh start"启动standalone模式的Java服务
- 在浏览器访问http://localhost:9080 开启探索
链接：https://pan.quark.cn/s/67beb73d2f77
提取码下载：
| 
|免责声明|小黑屋|依星资源网
( 鲁ICP备2021043233号-3 )|网站地图
发表于 
扫码关注微信公众号，及时获取最新资源信息！【