WrenAI: KI-Assistent zur Datenanalyse mit direktem Zugriff auf Antworten, SQL-Abfragen und Analyseberichte

Allgemeine Einführung

WrenAI ist ein quelloffener SQL-KI-Assistent, der speziell entwickelt wurde, um Daten-, Produkt- und Geschäftsteams dabei zu helfen, durch natürlichsprachliche Dialoge Dateneinblicke zu gewinnen. Er ist in der Lage, natürliche Sprache in SQL-Abfragen zu konvertieren, Diagramme, Tabellen und Berichte zu erstellen und mehrsprachige Interaktionen zu unterstützen. Das Projekt wird von Canner unter dem AGPL-3.0-Open-Source-Protokoll entwickelt und gewartet und hat auf GitHub mehr als 2.800 Sterne-Bewertungen erhalten. Die Hauptstärke von WrenAI ist die komplette End-to-End-Lösung, die eine intuitive Benutzeroberfläche, eine leistungsstarke KI-Service-Schicht und eine semantische Engine umfasst, die Datenabfragen sicher und präzise abwickelt, ohne dass Code geschrieben werden muss, um Datenanalyseergebnisse zu erhalten, ohne Code schreiben zu müssen.

WrenAI ermöglicht die visuelle Verwaltung der Datenmodellierung, die Kennzeichnung von Geschäftsbeziehungen zwischen Modellen und die Kennzeichnung von Geschäftsbeschreibungen für jede Tabelle und jedes Feld. Die gekennzeichneten Geschäftsbeschreibungen werden als Kontext für das größere Modell verwendet, um die Genauigkeit der natürlichsprachlichen SQL-Abfrage zu verbessern.

Wren AI Text-zu-SQL Agentische Architektur

WrenAI Verwalten der Datenmodellierung, Anzeigen der Tabellenbeziehungen, beachten Sie die KI-Modellierungsfunktion in der oberen rechten Ecke

WrenAI generiert auf intelligente Weise Antworten, Abfragen und Datenberichte

Funktionsliste

• Mehrsprachiger natürlicher Dialog: unterstützt die Dialoginteraktion mit Daten in mehreren Sprachen
• Intelligente Datenexplorationen: KI-gesteuertes Datenverständnis und Problemempfehlungen
• Semantisches Indexierungssystem: semantisches Verständnis durch gut gestaltete UI/UX
• Kontextuelle SQL-Generierung: Kombination von Metadaten, Schema und Terminologie zur Erstellung präziser SQL-Abfragen
• Codefreie Datenanalyse: Dateneinblicke sind durch Dialog verfügbar
• KI-gesteuerte Visualisierung: automatische Generierung von Datenzusammenfassungen und Visualisierungsdiagrammen
• Integration des Datenexports: Unterstützung für den Export nach Excel und andere Analysetools
• Sicherheitsgarantie: RAG-Architektur, keine Notwendigkeit, Daten dem LLM-Modell auszusetzen

Hilfe verwenden

1. der Systemeinsatz

WrenAI bietet eine Vielzahl von Einsatzmöglichkeiten:

1. Docker-Bereitstellung:
   • Direktes Deployment mit der mitgelieferten Docker-Konfigurationsdatei
   • Ideal für die schnelle Inbetriebnahme mit einer einzigen Maschine
2. Kubernetes-Bereitstellung:
   • Einsatz mit Kustomisation
   • Es muss sichergestellt werden, dass die folgenden Abhängigkeiten erfüllt sind:
     • nginx.ingress
     • externes-dns
     • cert-manager
     • kubectl kustomisieren
     • helm (erforderlich für Minikube-Umgebung)

2. schneller Start

1. Grundlegende Konfiguration
   • Besorgen Sie sich den erforderlichen API-Schlüssel (OpenAI API-Schlüssel)
   • Konfigurieren einer Datenbankverbindung (PostgreSQL)
   • Setzen von Umgebungsvariablen und Schlüsseln
2. Datenzugriff
   • Verbinden Sie Ihre Datenquellen
   • Definieren von Datenbeziehungen
   • Einrichten der Zuordnung von Geschäftsterminologie
3. Verwendung Prozess
   a) Initiieren Sie den Dialog:
   • Wählen Sie die entsprechende Datentabelle aus
   • Fragen in natürlicher Sprache stellen
   • KI generiert automatisch Vorschläge für relevante Themen

   b) Datenexploration:

   • Datenstrukturen anzeigen
   • Verständnis der Feldbedeutungen
   • Datenbeziehungen erforschen

   c) Analyse und Visualisierung:

   • Abrufen von SQL-Abfrageergebnissen
   • Zusammenfassung der von AI generierten Daten anzeigen
   • Automatische Erstellung von Visualisierungsgrafiken
   • Exportieren von Analyseergebnissen

3. erweiterte Funktionen

1. Semantische Modellierung:
   • Verwendung der "Modellierungsdefinitionssprache"
   • Einrichten von Datenbeziehungen
   • Definieren der Berechnungslogik
2. Datenintegration:
   • Excel-Add-In-Integration
   • Datenexportfunktion
   • Schnittstellen zu anderen analytischen Werkzeugen

4. die Sicherheitserklärung

• Gewährleistung der Datensicherheit mit der RAG-Architektur
• Keine Notwendigkeit, Rohdaten für LLM-Modelle freizugeben
• Unterstützung für den privaten Einsatz