IntelligentQueryEngine

? ❓ Intelligent Query Engine: Ein modernes KI-angetanter Abfragesystem

In diesem Repository hostet die intelligente Abfrage-Engine , eine KI-gesteuerte Abfragelösung, die erweiterte natürliche Sprachverarbeitung mit einer robusten Datenbankabfrage integriert. Das System nutzt hochmoderne KI-Modelle, Vektordatenbanken und traditionelle relationale Datenbanken, um nahtlose, intelligente Interaktionen mit Ihren Daten bereitzustellen.

? Merkmale

• Google Gemini und umarmende Gesichtsbettendings : Nutzt die Kraft hochmoderner Sprachmodelle, um natürliche Sprachanfragen zu verstehen und sie in präzise SQL-Anweisungen umzuwandeln.
• Chromadb für die Vektorspeicherung : Speichert und ruft Einbettung für kontextbezogene Abfragen und semantische Suche ab.
• MySQL Backend : Abfragen strukturierte Daten, die in einer herkömmlichen relationalen Datenbank gespeichert sind, um die Kompatibilität mit vorhandenen Workflows zu gewährleisten.
• Langchain-Integration : Ketten komplexe Logik und Workflows, die einstufige Abfragen und Entscheidungsfindung ermöglichen.
• Notebook-basierte Entwicklung : Experimentieren und Prototyping in einer flexiblen, interaktiven Umgebung.

Schlüsselfunktionen

1. Natürliche Sprache zu SQL : Benutzer können Fragen in einfachem Englisch stellen, und die Engine generiert genaue SQL -Abfragen, um Ergebnisse von MySQL zu erzielen.
2. Semantische Suche : Finden Sie relevante Informationen mit vektorbasierten Ähnlichkeitssuche, die in Chromadb gespeichert sind.
3. Dynamische Kontextverwaltung : Passen Sie sich an Benutzeranfragen mit dem Kontextverständnis an, das von Google Gemini betrieben wird, und umarmen Face -Einbettungen.
4. Skalierbarkeit : Ausgelegt, um große Datensätze und komplexe Abfragen leicht zu verarbeiten.
5. Modulares Design : Erweiterbare Architektur zur Integration zusätzlicher KI -Modelle oder Datenbanksysteme.

Systemflussdiagramm

Diese Struktur bietet einen Überblick über hochrangige Übersicht darüber, wie die verschiedenen Komponenten in Ihrem Intelligent Query Engine-Projekt interagieren.

Intelligente Abfrage -Engine :

                    +---------------------+
                    |    User Query       |
                    | (Natural Language)  |
                    +----------+----------+
                               |
                               v
                   +-------------------------+
                   | Google Gemini / Hugging |
                   | Face Embeddings (NLP)   |
                   +-----------+-------------+
                               |
                               v
               +------------------------------+
               |      LangChain (Workflow)    |
               +-----------+------------------+
                               |
           +-------------------+------------------+
           |                                      |
           v                                      v
  +------------------+                   +-------------------+
  |   ChromaDB       |                   |   MySQL Database  |
  | (Vector Storage) |                   |  (Structured Data)|
  +------------------+                   +-------------------+
           |                                      |
           +-------------------+------------------+
                               |
                               v
                   +--------------------------+
                   |  SQL Query Generation    |
                   |  (Data Fetching)         |
                   +--------------------------+
                               |
                               v
                   +--------------------------+
                   |    Final Results         |
                   |   (Returned to User)     |
                   +--------------------------+

Flow Erklärung:

1. Benutzerabfrage (natürliche Sprache) : Der Benutzer gibt eine Abfrage in natürlicher Sprache ein.
2. Google Gemini / Umarmende Gesichtsbettendings : Diese Modelle verarbeiten die Abfrage in ein Format, das für das Verständnis und die weitere Verarbeitung geeignet ist.
3. Langchain : orchestriert den mehrstufigen Prozess und integriert verschiedene Komponenten.
4. CHROMADB : Speichert Vektor-Einbettungen für kontextbasierte Suche und hilft beim Abfrageverständnis.
5. MySQL -Datenbank : Die relationale Datenbank, in der sich die tatsächlichen Daten befinden.
6. SQL Query Generation : Übersetzt die verarbeitete Abfrage für natürliche Sprache in eine genaue SQL -Anweisung.
7. Endgültige Ergebnisse : Das Ergebnis der Abfrageausführung wird an den Benutzer zurückgegeben.

✅ Anwendungen

• Business Intelligence: Stellen Sie komplexe Fragen zu Ihren Daten und erhalten Sie umsetzbare Erkenntnisse.
• E-Commerce: Inventar-, Preis- und Verkaufsdaten in natürlicher Sprache.
• Forschung: Extrahieren Sie Muster und Trends aus strukturierten Datensätzen ohne SQL -Fachwissen.
• Datenanalyseteams: Brücken Sie die Lücke zwischen technischen und nichttechnischen Nutzern, indem Sie den Zugriff auf Daten demokratisieren.

? Erste Schritte

Dieses Repository enthält eine erste Implementierung in einer Notebook -Umgebung. Durch den Übergang zu einem produktionsbereiten System werden die Komponenten für eine skalierbare Infrastruktur bereitgestellt.

? Komponenten

1. AI-Modell : Google Gemini und umarmende Gesichtsbettdings ( sentence-transformers/all-MiniLM-L6-v2 ) für das Verständnis von Abfragen.
2. Vektordatenbank : Chromadb zum Speichern und Abrufen von Einbettungen.
3. Relationale Datenbank : MySQL für strukturierte Datenspeicher.
4. Orchestrierung : Langchain zum Anketten von Schritten wie dem Einbetten von Abrufen, Abfragerzeugung und Datenabrufen.

? Experimentergebnisse:

• ⛃ Snapshot der Datenbank

• ? ‍ Ausgabe aus der RAW SQL -Abfrage

• ? Ausgabe aus der Eingabeaufforderung der KI (LLM)

Hinweis: Verwendet T4 GPU in Google Colab-Notebook, um diese Aufgabe zu erledigen.