Sprechen Sie mit Ihren Daten. Schreiben Sie keine Abfragen mehr, sondern stellen Sie Fragen.

Was wäre, wenn jeder in Ihrem Unternehmen Fragen zu Unternehmensdaten – wie Anmeldedaten, Abrechnungsvorgänge oder Kurspläne – stellen könnte, indem er einfach eine Frage in normalem Deutsch formuliert? MitActian AI Analystund dem Actian Zen Konnektor ist diese Zukunft bereits im produktiven Einsatz.

DIE IDEE 

Von einer JDBC-Verbindung zur Konversationsintelligenz

DieActian Zen-Datenbank-Engineunterstützt seit langem Transaktions-Workloads in den Bereichen Bildung, Finanzen und Unternehmen – schnell, eingebettet und über JDBC zugänglich. Was bisher fehlte, war eine Ebene für natürliche Sprache, die diese Daten auswerten kann, ohne dass SQL-Kenntnisse erforderlich sind. 

AI Analyst schließt diese Lücke. Verbinden Sie Ihre Zen-JDBC-Datenquelle einmalig, lassen Sie den Steward Agent (den KI-Modellgenerator) Ihr Schema analysieren und eine semantische Ebene zu erstellen – und Ihre Nutzer können sofort mit dem Stellen von Fragen beginnen. Kein ETL, keine Data-Warehouse-Migration, kein Rückstand beim Datenteam. 

Hier sind drei Schritte für den Einstieg: 

VERBINDUNG HERSTELLEN 

Schritt 1: Richten Sie Ihre Zen-JDBC-Verbindung ein

Alles beginnt in den „Verbindungen“ . Actian AI Analyst akzeptiert eine standardmäßige Zen-JDBC-Verbindungszeichenfolge – im gleichen Format, das Ihre bestehenden Anwendungen bereits verwenden. Es ist keine benutzerdefinierte Konfiguration erforderlich.  

# JDBC Connection String (without jdbc:pervasive:// prefix)

host    : ec2-23-432-123-238.us-east-2.compute.amazonaws.com

port    : 1583

database: Demodata

uid     : Master

pwd     : ••••••••

# After saving: click 'Test Connection' to verify

Sobald die Verbindung hergestellt ist, kann AI Analyst Ihr Schema auslesen, alle Tabellen ermitteln und automatisch semantische Modelle zur Überprüfung und Verfeinerung erstellen. 

 MODELLERSTELLUNG 

Schritt 2. Lassen Sie Steward Ihre semantische Ebene aufbauen

Steward automatisiert die Erstellung semantischer Modelle in Actian AI Analyst. Wenn Sie auf + „Neues Modell“, wählen Sie die Methode zur Erstellung aus. Steward (empfohlen) analysiert Ihr Schema, erfasst den geschäftlichen Kontext und entwirft völlig eigenständig ein erstes Modell – mit Dimensionen, Kennzahlen, Beziehungen und Anleitungen für den Benutzer. 

In einer realen Sitzung mit der Zen-Demodata-Datenbank erhielt Steward eine single instruction: „Alle diese Tabellen.“ Daraufhin führte es 11 parallele SQL-Abfragen, untersuchte die Struktur jeder Tabelle und generierte eine erste semantische Ebene – alles im Rahmen eines einzigen Steward-Dialogs, ohne dass von Menschen geschriebene SQL-Anweisungen erforderlich waren. 

STEWARD AI – TATSÄCHLICHE SESSION-AUSGABE 

„Tolle Wahl! Ich werde Modelle für alle 11 Tabellen erstellen. Zunächst hole ich mir die Anleitung und schaue mir die Struktur der einzelnen Tabellen an.“

— Steward, nachdem der Nutzer : „all diese Tabellen“

DIE SEMANTISCHE EBENE 

Was Steward geschaffen hat – ganz automatisch

Ausgehend von einer einzigen Zen-JDBC-Verbindung zu einer Demo einer Universität erstellte Steward 11 vollständig modellierte Tabellen. Jedes Modell umfasst Dimensionen, Kennzahlen, modellübergreifende Beziehungen sowie Anleitungen durch KI-Agenten.  

Studierende → Person, Einschreibung → Kurse → Fakultät → Fachbereich– ermöglicht Ihren KI-Analysten eine nahtlose modellübergreifende Analyse ohne jegliche manuelle Konfiguration. 

DER KI-ANALYST 

Schritt 3. Konfigurieren und Bereitstellen Ihres Analysten

Sobald die Modelle eingerichtet sind, konfigurieren Sie Ihren AI Analyst so, dass er auf den vorgesehenen Nutzer abgestimmt ist, verfassen optionale Anweisungen zum Fachkontext und nutzen das integrierte Testpanel, um Abfragen vor der Bereitstellung zu validieren. 

• 10 Modelle verbunden. Legen Sie gezielt fest, auf welche Tabellen Ihr Analyst zugreifen darf. 
• 15 Vorschläge für Einstiegsfragen. Automatisch generierte Beispielfragen helfen neuen Nutzern dabei, die richtigen Fragen zu stellen. 
• Deployment mit einem Klick. Über einen Link teilen, einbetten Ihr Portal einbetten oder über eine API bereitstellen. 
• Nutzungsüberwachung. Verfolgen Sie, wer welche Fragen stellt und wo die semantische Ebene verfeinert werden muss.

KONVERSATIONELLE KI IN DER PRAXIS 

Einfaches Deutsch. Echte Ergebnisse.

So läuft es ab, wenn ein Nutzer eine Frage Nutzer : Es sind keine Kenntnisse in SQL oder BI-Tools erforderlich. Der KI-Analyst fragt die semantische Ebene ab, ermittelt den richtigen Verknüpfungspfad und liefert strukturierte Ergebnisse.  

Beispiel 1. Finanzabfrage: Studierende mit ausstehenden Zahlungen

Nutzer : „Liste die ersten 5 Studenten auf, die mehr als 2.000 Dollar schulden.“ 

Hinter den Kulissen identifizierte der Analyst „billing_transactions“ als „Source of Truth“ identifiziert, diese mit students und person und berechnete die ausstehenden Salden – in fünf logischen Schritten, ganz ohne manuelle SQL-Eingaben. 

Beispiel 2. Modellübergreifende Abfrage zur Einschreibung: Studierende des Kurses „Analysis II“

Nutzer : „Liste die Studierenden auf, die sich für ‚Calculus II‘ eingeschrieben haben.“ 

 MODELLÜBERGREIFENDE VERKNÜPFUNG – SO DENKT DER ANALYST 

„Ich muss die Tabellen ‚Kurs‘, ‚Klassen‘ und ‚Einschreibungen‘ verknüpfen, um die Studierenden für den Kurs ‚Analysis II‘ einzutragen, und anschließend die Tabelle ‚Personen‘ hinzufügen, um ihre Namen zu erhalten. Ich werde die Beziehungen überprüfen, um die richtigen Verknüpfungsschlüssel zu verwenden.“

Verbindungsweg: „enrolls“ → „classes“ über „class_id“ → „id“ · „enrolls“ → „students“ über „student_id“ → „id“ · „students“ → „person“ über „id“ → „id“ · Ausgeführt in 5,8 s 

WARUM DAS WICHTIG IST 

Die semantische Ebene ist der Schlüssel

Bei herkömmlichen BI-Tools muss erst jemand Berichte erstellen, bevor die Daten angezeigt werden können. Actian AI Analyst kehrt dieses Modell um. Die semantische Ebene wird einmalig von Actian AI Analyst erstellt, und dann kann frei erkunden. 

• Semantisches SQL, kein reines SQL. Die KI erstellt Abfragen auf Basis Ihrer semantischen Modelle, in die die Geschäftslogik bereits integriert ist. Weniger Fehler, konsistente Ergebnisse. 
• Zugriffskontrolle auf Modellebene. Legen Sie genau fest, welche Modelle jeder Analyst einsehen darf. Sicherheit durch Design. 
• Tabellenübergreifendes Schlussfolgern. Einmal definierte Beziehungen bedeuten, dass die KI weiß, welchen Verknüpfungspfad sie verwenden muss. 
• Agentenunterstützung je nach Modell. Fügen Sie jedem Modell Anmerkungen in leicht verständlichem Englisch hinzu, und der KI-Analyst wendet diesen Kontext auf jede Frage an. 

ERSTE SCHRITTE 

Zen mit AI Analyst verbinden 

Wenn Sie Actian Zen bereits einsetzen, sind Sie nur eine JDBC-Verbindungszeichenfolge von der Konversationsanalyse entfernt. Der Weg dorthin ist ganz einfach: 

Bei einer typischen Zen-Datenbank mit 10 bis 15 Tabellen kann Steward einen voll einsatzfähigen Analysten in weniger als 30 Minuten. Sobald Steward die semantische Ebene entworfen hat, können Sie diese verfeinern, benutzerdefinierte Kennzahlen hinzufügen, Beschreibungen anpassen und Anweisungen für den Agenten festlegen. 

Actian AI Analyst ist überdieWebanwendungverfügbarundbietet eine kostenlose 14-tägige Testversion. Verbinden Sie Ihre erste Zen-Datenquelle unter„Verbindungen“ → „+ Neue Verbindung“ → „Zen JDBC“.  

FAZIT 

Über die Abfrage hinaus: Was die semantische Ebene tatsächlich leistet

Diese Vorteile verdeutlichen, dass es hier um mehr geht als nur um einen Chatbot einer Datenbank Chatbot . Die eigentliche Innovation von Actian AI Analyst liegt in der semantische Ebene, eine strukturierte, für KI lesbare Beschreibung Ihrer Daten, die zwischen rohem SQL und natürlicher Sprache angesiedelt ist. 

Sobald diese Ebene eingerichtet ist, kann jeder Nutzer Ihrer Organisation Ihre Zen-Datenbank direkt abfragen. Ein Universitätsverwalter kann abfragen, welche Studierenden die höchsten Studiengebühren schulden. Ein Studiensekretär kann alle Personen ermitteln, die in einem bestimmten Kurs eingeschrieben sind. Ein Fachbereichsleiter kann sehen, welche Dozenten eine übermäßige Lehrbelastung haben – und das alles, ohne ein BI-Tool öffnen, ein Ticket erstellen oder auch nur eine Zeile SQL schreiben zu müssen. 

Für Unternehmen, die bereits Actian Zen, ist die Einstiegshürde bewusst gering gehalten: eine JDBC-Verbindungszeichenfolge, eine Steward-Sitzung – und schon steht Ihnen ein funktionsfähiger KI-Analyst zur Verfügung. Es muss kein Data Warehouse eingerichtet, keine ETL-Pipeline gewartet und keine BI-Ebene separat lizenziert werden. 

Die Antworten lagen schon immer in Ihren Daten. Jetzt kann jeder sie abfragen.

Über den Autor

Über Johnson Varughese

Johnson Varughese leitet den Bereich Support Engineering bei Actian und unterstützt Entwickler bei der Nutzung der Actian-Datenschnittstellen (ODBC, JDBC, ADO.NET und weitere). Als Google Certified Data Practitioner und Generative AI bietet er technische Beratung und Fachwissen zur Fehlerbehebung, um eine robuste Anwendungsleistung in verschiedenen Programmierumgebungen sicherzustellen. Johnsons umfangreiches Wissen über Datenzugriffsschnittstellen hat zahlreiche Entwicklungsprojekte optimiert. Seine Blogbeiträge bei Actian beschreiben Best Practices für die Integration der Datenbank-Engines und Schnittstellen von Actian. Entdecken Sie seine Artikel, um Ihre datenbankgestützten Anwendungen zu optimieren.