概览
概览
在游戏数据分析场景下，游戏运营人员，开发策划人员需要从历史用户事件信息中获得洞察，复杂的表结构和字段含义定义，导致业务团队只能依赖对表和字段结构熟悉的数据团队编写 SQL 才能实现个性化的统计分析查询，效率低下。亚马逊云科技面对该场景打造基于生成式 AI 的游戏运营分析解决方案指南，该解决方案指南，借助生成式 AI 技术自然语言处理能力为业务用户提供对话窗口，用户可以直接使用自然语言提出数据分析任务请求，方案将理解用户意图，并生成合适的 SQL 查询语句，辅助用户进行数据探索和个性化指标查询。该指南基于 Amazon Bedrock、Amazon Redshift、Amazon QuickSight 等服务构建。
在游戏数据分析场景下，游戏运营人员，开发策划人员需要从历史用户事件信息中获得洞察，复杂的表结构和字段含义定义，导致业务团队只能依赖对表和字段结构熟悉的数据团队编写 SQL 才能实现个性化的统计分析查询，效率低下。亚马逊云科技面对该场景打造基于生成式 AI 的游戏运营分析解决方案指南，该解决方案指南，借助生成式 AI 技术自然语言处理能力为业务用户提供对话窗口，用户可以直接使用自然语言提出数据分析任务请求，方案将理解用户意图，并生成合适的 SQL 查询语句，辅助用户进行数据探索和个性化指标查询。该指南基于 Amazon Bedrock、Amazon Redshift、Amazon QuickSight 等服务构建。
优势
优势
用户使用业务语言直接提问，无需查找参考数据表结构信息，无需业务用户掌握 SQL 技能。
支持导入常见 SQL 模板，特殊业务指标计算公式，支持动态提示词，借助 RAG 实现较高 SQL 生成与查询精度。
用户可以进行生成式 AI 基础模型的灵活选择，以及提示词自定义及优化。
架构图及说明
Amazon OpenSearch 接受查询请求，从历史查询问题的词嵌入中找到向量距离最近的相似问题。
Lambda 将用户查询问题，及历史 Q/A 等信息组装为提升词，调用 Amazon Bedrock 托管或 Amazon SageMaker 部署的大语言模型。
OpenSearch 将用户提出的问题请求，使用词嵌入模型进行向量化，并使用 KNN 算法获取相近问题作为生成参考。
Lambda 获取数据表 DDL 信息（包括：字段描述，表描述)， 并将信息附加提示词内。
执行生成的 SQL 并获取查询结果，并使用大语言模型给出分析建议和图形化展示建议。
DBA 定期将常用 Q/A 样例补充到 Amazon DynamoDB 用于后续查询优化。
用户将常用的大语言模型生成的 SQL 配置到自定义看版用户日常的业务场景使用。
架构图及说明
用户通过托管在 Amazon ECS web UI 访问系统并用自然语言提出数据查询请求。
Amazon ECS 将请求路由到不同的 Amazon Lambda 后端服务。
Amazon OpenSearch 接受查询请求，从历史查询问题的词嵌入中找到向量距离最近的相似问题。
Lambda 将用户查询问题，及历史 Q/A 等信息组装为提升词，调用 Amazon Bedrock 托管或 Amazon SageMaker 部署的大语言模型。
OpenSearch 将用户提出的问题请求，使用词嵌入模型进行向量化，并使用 KNN 算法获取相近问题作为生成参考。
Lambda 获取数据表 DDL 信息（包括：字段描述，表描述)， 并将信息附加提示词内。
执行生成的 SQL 并获取查询结果，并使用大语言模型给出分析建议和图形化展示建议。
DBA 定期将常用 Q/A 样例补充到 Amazon DynamoDB 用于后续查询优化。
用户将常用的大语言模型生成的 SQL 配置到自定义看版用户日常的业务场景使用。
