博客在我之前的博客中，我写过自然语言查询（NLQ，或搜索分析），这是我们Sisense的人工智能小组正在研究的主要主题之一。NLQ是最古老的人工智能学科之一，但我们最近才开始听说它与BI和分析结合起来。在这个博客中，我想扩展NLQ并讨论如何在我们的领域中利用这种人工智能技术NLQ服务于那些急于求成的用户，或者缺乏使用可视化工具或代码编辑器对数据建模的技能或权限的用户。因此，如果我们将数据访问视为技术技能的函数，以及获得答案所需的时间，NLQ将是用户在寻求见解时首先求助的技术一个NLQ的两个体验当用户进入一个系统或应用程序时，通常有两种可能的意图驱动用户提出的第一个问题。以Spotify为例。当应用程序第一次打开时，用户可能正在搜索一首经过附近咖啡厅时听到的特定歌曲，或者用户可能想对一首也门雷鬼民间艺人新实验专辑中的一首歌曲感到惊讶NLQ可以使用分析时刻或探索模式来服务于这两种体验。理想情况下，NLQ引擎将检测用户的意图，根据第一个问题进入其中一个体验，然后相应地促进路径在分析的时刻，用户专注于寻找特定问题的答案。NLQ的功能是"问一个特定的问题，得到一个特定的答案"的过程。我们发现，总的来说，超过60%的搜索都是围绕"分析时刻"（analysis moments）或即席搜索（ad-hoc search），主要基于原始设备制造商（OEM）的消费和API。在NLQ经验的另一端，我们有探索模式。在这种模式下，我们发现用户对他们想要探索的东西有一个模糊的概念。通常，在这种模式下，用户围绕一个一般的主题运行搜索，保存中间结果，并将这些结果分成几个不同的方向。让我们回到Spotify的例子。用户将从一个广泛的搜索主题开始，例如"民谣"。结果会随着来自世界各地的民间音乐而回来，在没有特定方向的情况下，用户将开始深入国家，然后是当地的兴趣流，最后登陆也门雷鬼民间艺人。在这种模式下，用户避免在特定搜索的定义上投入太多的精力，而是依赖于一个随机的探索路径，并辅以NLQ的探索建立和运行NLQ的挑战对于分析市场的新供应商来说，最明显的挑战之一是缺乏历史数据。创建一个支持NLQ探索模式的推荐系统需要历史数据。在没有历史数据的情况下，在探索模式下进行更长时间的NLQ旅程一开始会受到一定的限制BI用户面临的另一个挑战是特定于领域的行话。想象一下，一家海运公司用库克船长的俚语来指代远洋运输的距离（英寻）、重量（吃水深度）和货物类型（宝藏）。如果问题一开始措辞不正确，用户如何得到正确的答案？不需要关闭舱口，matey，因为任何用户都可以创建一个自定义词典，然后在NLQ过程中使用最后，对大多数用户来说仍然是一个非常痛苦的挑战，那就是对底层数据和数据模型的熟悉程度。换句话说，变量是如何命名的，以及它们值的粒度。实现同义词有助于解决第一个问题（如何命名变量），支持多个算术和比较函数将解决第二个问题（它们的值的粒度）。一旦这两个问题都解决了，用户可以问"与2017年相比，2018年第一季度80%的收入由多少客户负责？"系统将知道如何照顾"客户"并汇总"收入"（系统中的实际变量名），以便在2018年第一季度和2017年第一季度之间进行比较。机器意图与用户意图如果NLQ引擎错误地将上述问题理解为"与2017年相比，2018年第一季度80%的收入由多少客户负责？"当用户真正想要将2018年第一季度与2017年全年进行比较时？ 这里我们需要的是编辑NLQ检测到的意图并用用户的意图替换它的能力。这被称为"主动学习"，它可以为更个性化的查询提供更快的优化曲线，随着时间的推移，这将成为NLQ引擎的固有部分充分利用人工智能NLQ以其快速的答案和易用性在大数据分析工具领域获得了广泛的关注。通过使用两种截然不同的经验，分析时刻和探索模式，NLQ准确地服务于广泛的查询和技能集，使其成为许多分析师和商业用户的首选人工智能技术。至于在分析中启动NLQ，尽管历史数据仍然存在挑战，但有一些解决方案可以帮助您。下一次，我们可以讨论这些解决方案之一-基于上下文的自动完成推荐系统-使人工智能更接近于发挥其在分析方面的全部潜力。今天人工智能有很多活动在进行，从实验到实际用例。在我们的人工智能团队中，我们正朝着人工智能的未来迈出重要的一步，我们能够将血统联系起来，从摄取到准备到分析，所有这些都是基于元数据（以及未来的语义），将人工智能集成到BI生命周期的各个方面。我很幸运能成为这个快节奏的人工智能探索的一部分，并看到我们的客户如何使用我们的开发。标签：人工智能|自然语言生成|自然语言处理