AI驱动的数据分析：利用自然语言实现数据查询到可视化呈现

在当今AI驱动的时代，数据分析已成为各行各业不可或缺的能力。然而，传统的数据分析流程通常需要掌握SQL、数据处理和可视化等多项专业技能，这对非技术背景的业务人员来说是一个不小的挑战。

想象一下，当数据中心的负责人打开手机时，只需通过自然语言描述：“帮我分析过去24小时，各业务系统的告警量TOP-10，并以饼状图展示。” 系统便能自动完成从自然语言到SQL查询、数据处理和可视化的全过程。这将极大地提高效率，省去需求提取、原型设计、开发、测试和上线的漫长过程，人类将进入一个更加高效和智能的时代。

本文主要介绍如下两个大的部分：

1. 测试案例效果预览及大模型使用说明

先睹为快，系统的实现效果，以及实现这样的基本系统测试环境配置，包括测试所使用和推荐的大模型。

2. 构建NL2SQL系统的核心步骤

• 理解数据库模式：大模型需要能够理解数据库的结构和模式，以便准确地翻译自然语言查询。

• 提示词设计：为大模型提供合适的提示词，使其能够将人类的自然语言查询准确地翻译为SQL语句。

• 大模型依据查询生成SQL：依据用户的指令、数据库说明和提示词，大模型生成SQL语句。

• 查询及可视化引擎：需要一个查询引擎接口来接收并执行翻译好的SQL语句，并将结果进行可视化展示。

• 依据日志优化：日志记录在系统优化中扮演着至关重要的角色，特别是在大模型结果的优化方面。

通过这些步骤，NL2SQL系统能够实现从自然语言到数据可视化的自动化流程，显著提升数据分析的便捷性和效率。

文本中的内容也是按如上的步骤来进行分章节介绍的，在介绍之前增加了一节”效果预览“，以方便提前对可达到的效果进行了解。

测试案例效果预览及大模型使用说明

大模型使用说明

在本例中，我们测试了以下大模型：

• QWEN 2.5 - 72B

• LLAMA 3 - 70B

• QWEN 2.5 - 32B

• Gemma2 27B

• LLAMA 3.2 - 11B

在这些模型中，参数量在70B以上的模型表现出色，能够准确无误地生成SQL语句。而其他三个模型在语言表达上需要更精确一些。在测试案例中，它们各自仅出现一个错误，说明指令需要更贴近数据库模式（schema）的定义。

主机配置

为了支持这些大模型的运行，我们使用了以下硬件配置：

• 显卡：技嘉 4090

• CPU：Intel i7 - 14代

• 内存：DDR 6000 64GB

 测试案例效果预览

在看解决方案之前，先看一下自然语言生成SQL的效果截屏：