IntelligentQueryEngine

? ❓ Moteur de requête intelligente: un système de requête moderne à AI

Ce référentiel héberge le moteur de requête intelligent , une solution de requête en AI qui intègre un traitement avancé du langage naturel avec une requête de base de données robuste. Le système exploite les modèles d'IA de pointe, les bases de données vectorielles et les bases de données relationnelles traditionnelles pour fournir des interactions transparentes et intelligentes avec vos données.

? Caractéristiques

• Google Gemini et les étreintes des étreintes de visage : exploite la puissance des modèles de langage de pointe pour comprendre les requêtes en langage naturel et les convertir en instructions SQL précises.
• ChromAdb pour le stockage vectoriel : stocke et récupère efficacement les intégres pour les requêtes contextuelles et la recherche sémantique.
• MYSQL Backend : Requêtes des données structurées stockées dans une base de données relationnelle traditionnelle, assurant la compatibilité avec les flux de travail existants.
• Intégration de Langchain : les chaînes de logiques et de workflows complexes, permettant une requête et une prise de décision en plusieurs étapes.
• Développement basé sur le cahier : expérimentation et prototypage dans un environnement flexible et interactif.

Capacités clés

1. Langue naturelle à SQL : les utilisateurs peuvent poser des questions en anglais simple, et le moteur génère des requêtes SQL précises pour récupérer les résultats de MySQL.
2. Recherche sémantique : trouver des informations pertinentes à l'aide de recherches de similitude basées sur les vecteurs stockées dans ChromAdB.
3. Gestion du contexte dynamique : s'adapte aux requêtes utilisateur avec compréhension contextuelle alimentée par Google Gemini et étreignant les incorporations de visage.
4. Évolutivité : conçue pour gérer facilement les grands ensembles de données et les requêtes complexes.
5. Conception modulaire : architecture extensible pour intégrer des modèles d'IA ou des systèmes de base de données supplémentaires.

Tableau de flux du système

Cette structure donne un aperçu de haut niveau de la façon dont les différents composants interagissent dans votre projet de moteur de requête intelligent.

Moteur de requête intelligent :

                    +---------------------+
                    |    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)     |
                   +--------------------------+

Explication du flux:

1. Requête de l'utilisateur (langue naturelle) : l'utilisateur entre une requête en langage naturel.
2. Google Gemini / Étreindre les intérêts du visage : ces modèles traitent et intégrent la requête dans un format adapté à la compréhension et au traitement ultérieur.
3. Langchain : orchestre le processus en plusieurs étapes et intègre différents composants.
4. ChromAdB : stocke les intégres vectoriels pour une recherche contextuelle, en aidant dans la compréhension de la requête.
5. MySQL Database : la base de données relationnelle où réside les données réelles.
6. Génération de la requête SQL : traduit la requête en langage naturel traité en une instruction SQL précise.
7. Résultats finaux : le résultat de l'exécution de la requête est renvoyé à l'utilisateur.

✅ Applications

• Business Intelligence: Posez des questions complexes sur vos données et recevez des informations exploitables.
• Commerce électronique: Inventaire de requête, prix et données de vente en langage naturel.
• Recherche: Extraire les modèles et les tendances des ensembles de données structurés sans expertise SQL.
• Équipes d'analyse de données: combler l'écart entre les utilisateurs techniques et non techniques en démocratisant l'accès aux données.

? Commencer

Ce référentiel comprend une implémentation initiale dans un environnement de cahier. La transition vers un système prêt pour la production impliquera le déploiement des composants vers une infrastructure évolutive.

? Composants

1. Modèle d'IA : Google Gemini et les embrassants des étreintes ( sentence-transformers/all-MiniLM-L6-v2 ) pour la compréhension des requêtes.
2. Base de données vectorielle : ChromAdB pour le stockage et la récupération des intérêts.
3. Base de données relationnelle : MySQL pour le stockage structuré de données.
4. Orchestration : Langchain pour les étapes de chaînage comme la récupération d'intégration, la génération de requêtes et la récupération des données.

? Résultats de l'expérience:

• ⛃ Instantané de la base de données

• ?? ‍ Sortie de la requête SQL brute

• ? Sortie de la requête invite AI (LLM)

Remarque: Utilisé T4 GPU dans Google Colab-notebook pour terminer cette tâche.