WrenAI: Knowledge Graph Technologie für SQL-Abfragen
WrenAI nutzt die Kraft der Knowledge Graph Technologie, um SQL-Abfragen zu generieren. Im benutzerfreundlichen Interface gibt es einen Modellier-Tab, in dem Datenbankobjekte erstellt und Beziehungen definiert werden können. Das fertig modellierte Datenmodell stellt dann einen Graphen dar, der Datenbankobjekte als Knoten und Beziehungen (one-to-one, one-to-many, many-to-one, many-to-many) als Kanten enthält.
Funktionsweise und Vorteile
Unter Verwendung eigens definierter Regeln wird der Knowledge Graph in einen proprietären, JSON-ähnlichen Text übersetzt. Dabei werden Datenbankobjekte, Beziehungen, Berechnungen und Textbeschreibungen gekapselt und gleichwertig behandelt. Dies verringert das Vorkommen redundanter und ambivalenter Informationen erheblich und ermöglicht eine einheitliche Beschreibung des semantischen Modells, das dem Sprachmodell zugänglich gemacht wird.
Die Graph-Daten in Textform werden von WrenAI verwendet, um WrenSQL zu erstellen. Ein integrierter Prozess übersetzt dann den WrenSQL-Code in Dialekte wie PostgreSQL, BigQuery und Snowflake. In unseren Tests konnten wir äusserst komplexe Join-Statements über die gesamte Datenbank erzeugen, und das alles mit der korrekten Nomenklatur. Allerdings gilt: Je komplexer das Datenmodell, desto ungewisser die Korrektheit der vorgeschlagenen SQL-Abfrage.
Aktuelle Einschränkungen und Zukunftsaussichten
Derzeit wird SQL-Server als Zieldatenbank noch nicht direkt unterstützt, und es gibt auch noch keine Option, semantische WrenAI-Modelle aus anderen Modellierwerkzeugen wie SAP PowerDesigner zu erzeugen. Wir hoffen jedoch, dass dies bald möglich ist und wir dieses vielversprechende Werkzeug auf unseren komplexen Data Warehouses testen können.
Fazit dieser Blogserie
Die Integration generativer KI in unsere berufliche Praxis hat das Potenzial, die Arbeit von Data Engineers und Scientists erheblich zu verändern. Repetitive und triviale Aufgaben können effizienter gestaltet und komplexere Problemstellungen angegangen werden. Unsere Tests haben gezeigt, dass spezialisierte KI-Werkzeuge zur Generierung von SQL-Abfragen deutlich bessere Ergebnisse liefern als herkömmliche Methoden. Der Schlüssel zum Erfolg liegt in der Bereitstellung von Kontextinformationen wie Beispiel-Queries und detaillierten Beschreibungen der Datenbankbeziehungen. Die anfängliche Zeitinvestition in die Erstellung einer detaillierten RAG-Pipeline oder eines Knowledge Graph zahlt sich durch die gesteigerte Effizienz und Qualität der generierten SQL-Abfragen aus
Vielen Dank, dass Sie unsere Blogserie zu generativer KI gelesen haben.
Sie würden gerne KI in Ihrer Unternehmung einsetzen, wissen aber nicht wo anfangen? Buchen Sie unseren kostenlosen [AI]DEATION Workshop und starten Sie mit uns zusammen Ihre Reise durch den KI-Dschungel.