Pilote automatique de vues sémantiques

Dans Snowsight, vous pouvez créer et gérer des vues sémantiques pour définir des tables logiques sur vos données dans Cortex Analyst. Les vues sémantiques font abstraction des tables physiques et fournissent une couche adaptée aux activités commerciales sur vos données. Vous pouvez utiliser les vues sémantiques avec Cortex Analyst pour répondre à des questions commerciales et effectuer des analyses de données. Vous pouvez créer manuellement une vue sémantique ou utiliser le pilote automatique de vues sémantiques, un générateur assisté par l’AI, pour créer une vue sémantique.

Note

Vous pouvez également utiliser les instructions de cette section pour créer un modèle sémantique, mais nous vous recommandons plutôt d’utiliser des vues sémantiques. Les vues sémantiques offrent les fonctionnalités suivantes :

  • Les vues sémantiques prennent en charge des fonctionnalités avancées, telles que les métriques dérivées.

  • Les vues sémantiques prennent en charge la modification d’accès. Elles sont publiques par défaut, mais vous pouvez les rendre privées.

  • Les vues sémantiques sont des objets de schéma qui s’intègrent au système de privilèges, aux mécanismes de partage et au catalogue de métadonnées de Snowflake. Les modèles sémantiques sont des fichiers YAML stockés dans une zone de préparation et ne disposent pas de ces intégrations de base de données natives.

Le générateur utilise les entrées suivantes pour créer votre vue :

  • Historique des requêtes : Examine l’historique des requêtes SQL pour identifier les modèles d’utilisation courants, les relations et les suggestions de requêtes vérifiées.

  • Métadonnées des tables : Extrait les descriptions, les clés primaires/uniques et la cardinalité pour déterminer les relations.

  • Contexte (fortement recommandé) : Utilise des exemples de requêtes SQL ou des fichiers Tableau que vous fournissez pour valider les relations et extraire une logique métier pertinente.

Conditions préalables

Pour créer une vue sémantique, vous devez utiliser un rôle disposant des privilèges suivants :

  • CREATE SEMANTIC VIEW sur le schéma dans lequel vous créez la vue

  • USAGE sur la base de données et le schéma

  • SELECT sur les tables et les vues utilisées dans la vue sémantique

Vous pouvez exporter un modèle depuis Tableau et l’utiliser pour générer automatiquement une vue sémantique. Outre les conditions préalables précédentes, la fonctionnalité d’ingestion Tableau nécessite :

  • Une zone de préparation où vous disposez des autorisations d’écriture.

  • Si votre fichier Tableau contient du SQL personnalisé, vous devez également disposer du privilège CREATE VIEW sur le schéma, car le SQL est analysé dans une vue Snowflake normale.

Options pour fournir du contexte

Bien que fournir du contexte soit facultatif, cela s’avère extrêmement utile pour créer une vue sémantique de haute qualité. Sans cela, le modèle utilise uniquement les informations du schéma de base de données, qui peuvent manquer de complexité métier. Nous prenons en charge les options suivantes pour fournir du contexte :

Option 1 : Charger un fichier Tableau

Le pilote automatique de vues sémantiques prend en charge l’utilisation d’un fichier de Tableau pour générer automatiquement un modèle sémantique. Cela vous permet de migrer votre logique métier et vos métadonnées existantes directement vers Snowflake.

Vous pouvez utiliser Tableau Desktop ou Tableau Online pour fournir le fichier au pilote automatique de vues sémantiques. Le pilote automatique de vues sémantiques prend en charge les formats de fichiers suivants :

  • TWB

  • TWBX

  • TDS

Le fichier doit répondre aux contraintes suivantes :

  • Taille du fichier : Doit être inférieur à 50 MB.

  • Aucune source de données publiée : Les fichiers contenant des sources de données publiées ne sont actuellement pas pris en charge.

  • Aucun extrait volumineux : Si vous utilisez un fichier .twbx, assurez-vous qu’il ne contient aucun extrait volumineux. Si vous utilisez un fichier .twb, assurez-vous qu’il ne contient aucun filtre ou paramètre volumineux.

  • Calculs de LOD : Les calculs de niveau de détail (LOD) ne sont pas pris en charge.

Vous pouvez obtenir le fichier TWB ou TWBX depuis Tableau Desktop. Si vous ne le trouvez pas, vous pouvez accéder à File | Save As et choisir de l’enregistrer en tant que TWB.

Pour plus d’informations sur l’obtention d’une vue ou d’un workbook à partir de Tableau Online, consultez Télécharger des vues et des workbooks.

Une fois que vous avez fourni le fichier Tableau au pilote automatique de vues sémantiques, le pilote automatique l’analyse pour en extraire les métadonnées suivantes :

  • Tables et colonnes

  • Relations entre les tables

  • Champs calculés Tableau

  • Paramètres et filtres

  • SQL personnalisé (analysé et transformé en une vue Snowflake ordinaire)

Option 2 : Fournir des requêtes SQL

Vous pouvez ajouter des exemples de questions en langage naturel et leurs requêtes SQL correspondantes. Cela aide le modèle à apprendre votre logique métier spécifique et à créer des relations.

Snowflake utilisera ces requêtes pour pré-sélectionner les tables et les colonnes dans les étapes suivantes, et ajoutera également automatiquement ces requêtes comme « requêtes vérifiées » dans le modèle sémantique. De plus, si des relations valides peuvent être déduites, elles seront ajoutées à la vue sémantique.

Créer une vue sémantique

Pour créer une vue sémantique, accédez d’abord au générateur :

  1. Connectez-vous à Snowsight.

  2. Dans le menu de navigation, sélectionnez AI & ML » Cortex Analyst.

  3. En haut, sélectionnez Create new.

  4. Sélectionnez Create new Semantic View.

Après avoir accédé au générateur, vous pouvez définir les informations de base pour la vue sémantique :

  1. Sélectionnez la Location (base de données et schéma) où stocker la vue.

  2. Saisissez un Name pour la vue sémantique.

  3. Entrez un Description. Utilisez une terminologie commerciale claire pour aider l’AI à comprendre le but de la vue.

  4. Sélectionnez Next.

Pour fournir du contexte et des données sous forme de fichier Tableau, procédez comme suit :

  1. Sélectionnez Tableau Files pour charger un fichier Tableau .twb, .tds ou .twbx.

  2. Sélectionnez le fichier Tableau à charger.

  3. Sélectionnez Next.

Vous avez maintenant fourni le contexte et les données nécessaires à la vue sémantique sous forme de fichier Tableau.

Pour fournir du contexte et des données sous forme de requêtes SQL, procédez comme suit :

  1. Sélectionnez SQL Queries pour ajouter manuellement des exemples de requêtes SQL standard de référence.

  2. Saisissez la requête SQL.

  3. Sélectionnez Next.

  4. Examinez les tables et les colonnes sélectionnées dans vos tables.

  5. Choisissez les colonnes spécifiques à inclure.

  6. Configurez les options d’AI :

  • Sample Values : Indiquez s’il convient d’ajouter des valeurs d’échantillon. Cela améliore considérablement la précision de Cortex Analyst en l’aidant à reconnaître des valeurs de données spécifiques, telles que des noms de régions spécifiques.

  • AI-Generated Descriptions : indiquez s’il convient de générer automatiquement des descriptions pour les tables et les colonnes en fonction de leurs noms et de leur contenu. Cette fonctionnalité améliore également considérablement la précision.

Pour créer la vue sémantique, procédez comme suit :

  1. Sélectionnez Create and save.

  2. Sélectionnez Save and run.

La génération de la vue sémantique peut prendre quelques minutes. Vous pouvez voir la progression à l’écran.

Bonnes pratiques pour la création de vues sémantiques

Lorsque vous créez une vue sémantique, suivez ces conseils pour garantir une grande précision.

  • Pensez du point de vue de l’utilisateur final. Utilisez des noms et des synonymes qui correspondent au vocabulaire que vos utilisateurs professionnels utilisent réellement (par exemple, « chiffre d’affaires » au lieu de AMT_TOT).

  • Commencez simplement. Commencez par une portée restreinte et ciblée. Par exemple, analysez les ventes à l’aide de 3 à 5 tables, puis élargissez progressivement la portée. Cela garantit une plus grande précision qu’un modèle massif « tout-en-un ».

  • Examinez le contenu généré. Examinez toujours les descriptions et les relations générées par AI. Veillez à ce qu’elles correspondent à votre logique métier réelle.

  • Capturez une logique complexe. Utilisez les métriques et les requêtes vérifiées pour traiter des calculs complexes afin que les utilisateurs n’aient pas à s’appuyer sur un LLM en les déduisant à partir de colonnes brutes.

  • Testez et itérez. Après la création, testez la vue avec des questions commerciales réelles dans Cortex Analyst. Si une réponse est erronée, ajoutez une requête vérifiée ou mettez à jour une description pour y remédier.