Die generative künstliche Intelligenz (KI) und große Sprachmodelle (LLMs) finden häufig Anwendung in Unternehmensumgebungen, um Fragen auf Basis des Wissenskorpus eines Unternehmens zu beantworten. Vorentwickelte Grundmodelle (FMs) sind besonders gut in natürlicher Sprachverarbeitung (NLU) und können Zusammenfassungen, Textgenerierung und Fragen zu einer Vielzahl von Themen beantworten. Sie haben jedoch Schwierigkeiten, genaue Antworten ohne Halluzinationen zu liefern und stoßen an Grenzen, wenn es um Fragen zu Inhalten geht, die nicht in ihren Trainingsdaten enthalten sind. Zudem haben FMs keinen direkten Zugriff auf frische Daten zur Zeit des Inferenzierens, was zu inkorrekten oder unzulänglichen Antworten führen kann.
Eine Herausforderung besteht darin, den Unterschied zwischen natürlicher Sprache und strukturierten Daten zu überwinden. Natürliche Sprache ist oft mehrdeutig und ungenau, während Daten starren Schemata folgen. Die Interpretation komplexer Abfragen, die verschiedene Tabellen, Joins und Aggregationen involvieren, erschwert es, die Benutzerabsicht korrekt in die richtigen SQL-Operationen zu übersetzen. Die ambivalente Natur der natürlichen Sprache kann zu mehreren Interpretationen einer einzelnen Abfrage führen, was es schwierig macht, die genaue Absicht des Benutzers zu verstehen.
Um diese Lücke zu schließen, ist fortgeschrittene natürliche Sprachverarbeitung (NLP) erforderlich, um Benutzerabfragen in Datenbankschemata, Tabellen und Operationen zu mappen. Dabei fungiert Amazon Q Business als Vermittler, der natürliche Sprache in präzise SQL-Abfragen übersetzt. Diese Architektur erleichtert den Datenzugriff für nicht-technische Benutzer und optimiert Workflows für Fachleute, sodass sie sich auf anspruchsvollere Aufgaben konzentrieren können.