1. 首頁 > 生活百科 > >

Denodo聲稱DeepQuery能超越生成式AI的表面洞察

重慶區塊鏈量子計算西南財經

Denodo聲稱DeepQuery能超越生成式AI的表面洞察

據Denodo公司稱 ， 其DeepQuery功能能讓生成式AI超越檢索增強生成（RAG）技術 ， 后者只能檢索事實 。 DeepQuery可以進行調查、綜合分析并解釋其推理過程 。 該公司表示 ， DeepQuery將允許用戶提出諸如\"是什么推動了各地區客戶留存率的變化？\"這樣的問題 ， 并通過連接不同系統中的實時、受治理數據 ， 應用專家級推理 ， 在幾分鐘內提供答案 。
Denodo生產的數據管理平臺產品能夠虛擬化數據源 ， 提供對關系數據庫、云數據庫、NoSQL數據庫、OLAP數據庫、SAP等企業應用、大數據、SaaS應用、流數據、非結構化數據、Excel文件、CSV數據等的實時訪問 。 據稱 ， DeepQuery利用這個中間件平臺來回答多步驟分析問題 。
我們采訪了Denodo產品營銷總監Kevin Bohan ， 以了解更多信息 。
**標準生成式AI工具在數據分析方面的局限性**
Kevin Bohan表示：\"標準生成式AI工具可以告訴你發生了什么 ， 但在解釋原因方面存在不足 。 這些工具通常通過總結從索引內容中收集的信息和數據來檢索事實并回答直接問題 ， 它們很少暴露出你可以完全信任的透明推理路徑 。 它們缺乏發現趨勢或模式背后驅動因素或根本原因的推理能力 。 這意味著當企業查詢其數據時 ， 他們只能獲得無法自信采取行動的表面洞察 。 \"
\"標準生成式AI工具通常只能回答諸如'我們在東北地區的流失率是多少？'這樣的問題 ， 響應只是一個孤立的數字 。 DeepQuery更進一步 ， 通過自然語言處理提供可解釋的、推理驅動的分析能力 。 它允許用戶提出復雜問題 ， 如'為什么東北地區的流失率在增加 ， 哪些因素——客戶行為、服務響應時間或競爭活動——在起作用？'并快速收到可靠的響應 。 這提供了以前無法獲得的競爭情報水平 ， 并為更多員工開放了數據洞察 。 \"
**什么是多步驟分析問題**
Kevin Bohan解釋：\"多步驟分析問題需要將復雜查詢分解為較小部分 ， 訪問多個數據源并綜合洞察來解釋模式或根本原因 。 DeepQuery通過對實時、受治理數據進行推理來處理這些問題 ， 提供傳統生成式AI工具無法輕易產生的結構化答案 。 \"
**索引內容應該被替換還是增強**
\"索引內容應該被增強而不是替換 。 DeepQuery通過在實時、受治理源上應用結構化推理來構建現有索引數據 。 這產生了更豐富、可解釋的洞察 ， 而不會丟棄傳統生成式AI的速度和實用性 。 \"
**結構化推理的工作原理**
Kevin Bohan說：\"結構化推理是將復雜問題分解為較小邏輯組件 ， 同時分析多個來源的數據以創建可解釋和邏輯洞察的過程 。 DeepQuery使用這種方法來回答諸如'上季度基金流出為何激增？'這樣的問題 。 它不提供孤立的事實 ， 而是提供透明的、多步驟的結論和引用 。 這幫助用戶理解不僅發生了什么 ， 還有為什么 ， 從而實現更快、更自信的決策制定 。 它將不透明的'大語言模型猜測'轉變為可審計和信任的可解釋分析 。 \"
DeepQuery在Denodo平臺的語義層上運行 ， 因此可以直接在實時企業系統上操作 ， 無需復制或新管道 。 DeepQuery通過將復雜問題簡化為可搜索組件、訪問跨系統的實時受治理數據并通過邏輯和引用綜合洞察來應用結構化推理 。 這允許實時進行可解釋的跨功能分析 ， 幫助用戶理解不僅發生了什么 ， 還有為什么——所有這些都無需創建數據副本 。
**目標用戶群體**
DeepQuery專為需要從復雜跨功能數據中獲得快速、可解釋洞察的業務用戶、分析師和非技術團隊而設計 。 其與行業無關的架構允許各行業用戶用自然語言提出開放性問題 ， 無需技術專業知識 。 這使數據分析對更廣泛的受眾更加可及 ， 減少對數據專家的依賴 ， 并賦予團隊調查趨勢根本原因的能力 。
最大的好處是信心 。 DeepQuery為用戶提供對復雜問題如\"是什么推動了各地區客戶留存變化？\"的更快速、可解釋、有證據支持的答案 。 這意味著團隊可以從被動報告轉向主動的、洞察驅動的決策制定 。
【Denodo聲稱DeepQuery能超越生成式AI的表面洞察】據了解 ， DeepQuery通過REST API與OpenAI或Amazon Bedrock等第三方大語言模型服務集成以生成響應 。 DeepQuery接收用戶的自然語言問題 ， 使用由Denodo管理員設置的大語言模型進行解釋 。 它使用其元數據目錄將自然語言輸入映射到相關的結構化數據源 。 DeepQuery將大語言模型解釋查詢的能力與其自己的查詢優化引擎相結合 ， 后者理解數據中的模式和關系 。
大語言模型可以提供優化查詢、處理歧義和推斷問題中未明確說明的關系或上下文的能力 。 因此 ， 如果用戶說\"顯示上季度的銷售趨勢\" ， 大語言模型可以推斷對時間序列數據和特定指標的需求 ， 而Denodo將其映射到適當的數據字段 。 實際上 ， 它將用戶的自然語言查詢轉換為可以對底層數據源執行的結構化查詢（如SQL） 。 Denodo檢索結果 ， 并將其發送回大語言模型進行自然語言響應生成 ， 其中可以包括摘要和詳細解釋 。
Q&A
Q1：DeepQuery與標準生成式AI工具有什么區別？
A：標準生成式AI工具只能告訴你發生了什么 ， 通過檢索事實回答直接問題 。 而DeepQuery能夠進行推理驅動的分析 ， 不僅回答\"是什么\" ， 還能解釋\"為什么\" ， 提供透明的多步驟推理路徑和可解釋的洞察 。
Q2：什么是多步驟分析問題？
A：多步驟分析問題是指需要將復雜查詢分解為較小部分 ， 訪問多個數據源并綜合洞察來解釋模式或根本原因的問題 。 DeepQuery通過對實時、受治理數據進行推理來處理這些問題 。
Q3：DeepQuery適合哪些用戶使用？
A：DeepQuery專為業務用戶、分析師和非技術團隊設計 ， 這些用戶需要從復雜跨功能數據中獲得快速、可解釋的洞察 。 用戶可以用自然語言提出開放性問題 ， 無需技術專業知識 ， 使數據分析更加便民 。


    推薦閱讀