WrenAI : Assistant conversationnel d'analyse de données avec accès direct aux réponses, aux requêtes SQL et aux rapports d'analyse

Introduction générale

WrenAI est un assistant SQL AI open source conçu spécifiquement pour aider les équipes chargées des données, les équipes chargées des produits et les équipes commerciales à obtenir des informations sur les données grâce à un dialogue en langage naturel. Il est capable de convertir le langage naturel en requêtes SQL, de générer des graphiques, des feuilles de calcul et des rapports, et de prendre en charge les interactions multilingues. Le projet est développé et maintenu par Canner sous le protocole open source AGPL-3.0 et a reçu plus de 2 800 étoiles sur GitHub. La force principale de WrenAI est sa solution complète de bout en bout qui comprend une interface utilisateur intuitive, une couche de service d'IA puissante et un moteur sémantique qui gère de manière sûre et précise les besoins d'interrogation des données sans avoir besoin d'écrire du code pour obtenir des résultats d'analyse des données sans écrire de code. des résultats d'analyse de données sans écrire de code.

WrenAI propose une gestion visuelle de la modélisation des données, l'étiquetage des relations commerciales entre les modèles et l'étiquetage des descriptions commerciales pour chaque table et chaque champ. Les descriptions d'entreprise étiquetées sont utilisées comme contexte pour le modèle plus large afin d'améliorer la précision des requêtes SQL en langage naturel.

Wren AI Text-to-SQL Architecture agentique

WrenAI Gérer la modélisation des données, visualiser les relations entre les tables, noter la fonction de modélisation de l'IA dans le coin supérieur droit.

WrenAI génère intelligemment des réponses, des requêtes et des rapports de données.

Liste des fonctions

• Dialogue naturel multilingue : permet d'interagir avec des données dans plusieurs langues.
• Exploration intelligente des données : compréhension des données et recommandations de problèmes pilotées par l'IA
• Système d'indexation sémantique : compréhension sémantique grâce à une interface utilisateur/UX bien conçue
• Génération SQL contextuelle : combinaison de métadonnées, de schémas et de terminologie pour générer des requêtes SQL précises
• Analyse de données sans code : les données sont accessibles par le dialogue
• Visualisation pilotée par l'IA : génération automatique de résumés de données et de graphiques de visualisation
• Intégration de l'exportation des données : prise en charge de l'exportation vers Excel et d'autres outils d'analyse
• Assurance de la sécurité : architecture RAG, pas besoin d'exposer les données au modèle LLM

Utiliser l'aide

1. déploiement du système

WrenAI offre une variété d'options de déploiement :

1. Déploiement Docker :
   • Déployer directement en utilisant le fichier de configuration Docker fourni
   • Idéal pour un démarrage rapide sur une seule machine
2. Déploiement de Kubernetes :
   • Déploiement avec personnalisation
   • Il faut s'assurer que les dépendances suivantes sont respectées :
     • nginx.ingress
     • external-dns (nom de domaine externe)
     • gestionnaire de certificats
     • kubectl kustomize
     • helm (nécessaire pour l'environnement minikube)

2. démarrage rapide

1. Configuration de base
   • Obtenir la clé API nécessaire (clé API OpenAI)
   • Configuration d'une connexion à une base de données (PostgreSQL)
   • Définition des variables d'environnement et des clés
2. accès aux données
   • Connecter vos sources de données
   • Définition des relations entre les données
   • Mise en place d'une cartographie terminologique des entreprises
3. Processus d'utilisation
   a) Engager le dialogue :
   • Sélectionner le tableau de données approprié
   • Poser des questions en langage naturel
   • L'IA génère automatiquement des suggestions pour les questions pertinentes

   b) Exploration des données :

   • Voir les structures de données
   • Comprendre la signification des champs
   • Explorer les relations entre les données

   c) Analyse et visualisation :

   • Obtenir les résultats d'une requête SQL
   • Voir un résumé des données générées par l'IA
   • Génération automatique de graphiques de visualisation
   • Exportation des résultats d'analyse

3. fonctions avancées

1. Modélisation sémantique :
   • Utilisation du "langage de définition de la modélisation"
   • Établir des relations entre les données
   • Définition de la logique de calcul
2. Intégration des données :
   • Intégration de compléments Excel
   • Fonction d'exportation des données
   • Interfaçage avec d'autres outils analytiques

4. déclaration de sécurité

• Garantir la sécurité des données grâce à l'architecture RAG
• Pas besoin d'exposer les données brutes aux modèles LLM
• Soutien au déploiement privé