En el escenario empresarial contemporáneo, el uso de inteligencia artificial generativa (IA) y grandes modelos de lenguaje (LLMs) ha ganado una relevancia crucial, especialmente para responder preguntas basadas en el conocimiento corporativo. Los modelos de fundación (FMs), que son preentrenados, sobresalen en tareas de comprensión del lenguaje natural (NLU), como la generación de resúmenes y respuestas a preguntas. Sin embargo, enfrentan retos significativos, incluyendo la precisión de sus respuestas y la incapacidad de acceder a datos frescos en tiempo real, lo que puede derivar en respuestas desactualizadas o incorrectas.
El desafío crítico que enfrentan las empresas es resolver la brecha entre el lenguaje natural, que es inherentemente ambiguo, y los datos estructurados, que siguen esquemas rígidos. Las consultas SQL complejas, que a menudo implican múltiples tablas y agregaciones, pueden ser difíciles de comprender para usuarios no técnicos. Este desafío se complica aún más por la terminología específica del dominio y las variaciones lingüísticas que los usuarios emplean para expresar los mismos requisitos, lo que puede llevar a múltiples interpretaciones de una sola consulta.
Una solución prometedora para este reto es el procesamiento avanzado del lenguaje natural (NLP) que puede mapear las consultas del usuario al esquema de la base de datos, tablas y operaciones. En este contexto, Amazon Q Business se presenta como un intermediario poderoso, transformando el lenguaje natural en consultas SQL precisas. Así, los usuarios pueden simplemente preguntar, "¿Cuáles fueron las ventas de equipo para exteriores en el tercer trimestre de 2023?" y Amazon Q Business se encarga de interpretar la intención del usuario, acceder a las fuentes de datos y generar la consulta SQL necesaria. Esto no solo simplifica el acceso a los datos para los usuarios no técnicos, sino que también optimiza los flujos de trabajo de los profesionales, permitiéndoles centrarse en tareas más estratégicas.
La arquitectura propuesta para construir una aplicación que consulte datos estructurados utilizando Amazon Q Business incluye varias etapas. Al proporcionar el esquema de la base de datos, metadatos adicionales que describen las columnas y tablas, e instrucciones de avisos, Amazon Q Business puede crear consultas SQL para diversas fuentes de datos. Esta arquitectura puede extenderse para abarcar una gama más amplia de casos de uso, incluidos validación de consultas y técnicas de aviso especializadas.
El flujo de trabajo detallado de esta solución incluye los siguientes pasos:
- Inicio de Sesión del Usuario: El usuario se conecta a la aplicación Streamlit, accesible a través de un Balanceador de Carga de Aplicación.
- Autenticación Segura: La aplicación solicita al usuario autenticarse utilizando sus credenciales de Amazon Cognito.
- Intercambio de Tokens: La aplicación intercambia el token de Amazon Cognito por uno del Centro de Identidad IAM de AWS.
- Asunción de Rol IAM: La aplicación asume un rol IAM y obtiene una sesión de AWS mediante el Servicio de Seguridad de Tokens de AWS (AWS STS).
- Consulta en Lenguaje Natural: La aplicación formula los avisos y metadatos, que luego son enviados a la API
chat_syncde Amazon Q Business para generar una consulta Athena. - Ejecución de la Consulta: La aplicación ejecuta la consulta Athena y muestra los datos resultantes en la interfaz de usuario.
En resumen, Amazon Q Business habilita la generación de respuestas utilizando modos de chat avanzados como CREATOR_MODE, lo que facilita la generación de respuestas de manera directa. Esta capacidad permite a los usuarios empresariales acceder y analizar datos estructurados de manera efectiva, catalizando la toma de decisiones basada en datos y fomentando la innovación para crear nuevas oportunidades de crecimiento y éxito en el entorno empresarial.
