Hermes de Swiggy: révolutionner l'accès aux données avec une IA générative

Dans le paysage basé sur les données d'aujourd'hui, Swiggy, un premier service de livraison de nourriture indienne, tire parti de la puissance de l'IA générative grace à son outil innovant, Hermès. Con?u pour accélérer l'accès et l'interprétation des données, Hermès permet aux diverses équipes de Swiggy de prendre des décisions plus rapides et plus éclairées. Contrairement à de nombreux outils d'IA axés sur le résumé de texte, Hermès excelle à fournir des données numériques précises et des informations détaillées cruciales pour la stratégie commerciale. Qu'il s'agisse d'évaluer l'impact d'une panne de réseau ou d'analyser les commentaires des clients, Hermes permet aux employés de Swiggy de poser des questions en langage naturel et de recevoir des requêtes SQL immédiates et des résultats dans Slack. Cela élimine le besoin d'une expertise technique approfondie, démocratisant l'accès aux données à travers l'organisation.

Caractéristiques clés d'Hermès:

• Rationalise l'accès et l'interprétation des données pour toutes les équipes.
• Facilite les requêtes en langage naturel avec une requête SQL instantanée et la livraison des résultats en Slack.
• Hermes V2, la dernière itération, utilise une approche compartimentée pour améliorer la précision et l'efficacité.
• Tire parti d'une base de connaissances et d'une génération auprès de la récupération (RAG) pour une compréhension contextuelle améliorée.
• Largement adopté à travers Swiggy, réduisant considérablement le temps de récupération des données.
• Rend, diverses équipes, y compris les chefs de produit, les scientifiques des données et les analystes, avec un minimum d'obstacles techniques.

Table des matières:

• Challenge de données de Swiggy
• Hermes v1: l'implémentation initiale
• Hermes V2: améliorations et raffinements
• Le pipeline de modèle AI génératif
• Le pipeline de modèle raffiné
• L'avenir d'Hermès à Swiggy
• Notre point de vue
• Questions fréquemment posées

Challenge de données de Swiggy:

Swiggy a été confronté à un obstacle organisationnel commun: fournir un accès transparent aux données aux employés de divers départements sans s'appuyer fortement sur des spécialistes techniques. Les méthodes traditionnelles, impliquant des requêtes SQL complexes et une intervention des analystes, ont prouvé du temps et inefficace, ce qui entrave la prise de décision en temps opportun.

Hermes v1: une base solide:

La première version d'Hermes a utilisé des variantes GPT-3.5. Bien que réussi, il a mis en évidence la nécessité d'une solution plus sur mesure pour gérer les requêtes complexes et les grands ensembles de données. Cela a conduit à un changement de conception clé: la compartimentation Hermès en unités commerciales distinctes ("chartes"), chacune avec ses propres métadonnées et ses cas d'utilisation spécifiques.

Hermes V2: une approche plus raffinée:

Hermes V2 aborde les limites de son prédécesseur avec une architecture raffinée:

• Interface utilisateur: Slack reste l'interface principale pour interroger et recevoir des résultats.
• Middleware (AWS Lambda): gère la communication entre l'interface utilisateur et le modèle AI.
• Modèle AI génératif: génère des requêtes SQL et les exécute via des travaux de données.
• Rag de base de connaissances: fournit un contexte crucial et assure une génération précise de requête.

Le pipeline générateur du modèle AI:

La force centrale d'Hermès V2 réside dans son approche de base de connaissances et de Rag. Cela permet au modèle de comprendre les structures de données spécifiques de Swiggy et de générer des requêtes SQL précises.

La base de connaissances est cruciale pour la compréhension contextuelle, la désambigu?sation, la précision et l'évolutivité.

Le pipeline du modèle raffiné:

Le pipeline amélioré dans Hermes V2 décompose l'utilisateur en étapes:

1. Récupération des mesures: identifie les mesures pertinentes.
2. Table et colonne Retrieval: Localise les tables et les colonnes nécessaires.
3. Récupération SQL à quelques coups: utilise des requêtes de référence pour guider la génération.
4. Création rapide structurée: compile des informations pour le LLM.
5. Validation de la requête: valide et corrige les requêtes SQL.

Adoption et impact:

Hermès a été largement adopté, traitant des milliers de requêtes par jour avec un temps de réponse moyen en moins de deux minutes. Son impact s'étend dans diverses équipes, augmentant considérablement la productivité et la prise de décision basée sur les données.

L'avenir d'Hermès à Swiggy:

Swiggy continue d'affiner Hermes, incorporant les commentaires des utilisateurs et repoussant les limites de l'accessibilité des données alimentées par l'IA.

Notre perspective:

Hermes de Swiggy illustre le potentiel transformateur de l'IA génératif dans la gestion des données. Son approche sur mesure montre comment l'IA peut autoriser les équipes et améliorer l'efficacité opérationnelle.

Conclusion:

Le succès de Swiggy avec Hermès souligne l'importance des données accessibles et exploitables. Hermes V2 établit une nouvelle norme pour démocratiser l'accès aux données et accélérer la prise de décision.

(La section des questions fréquemment posées reste la même que dans l'entrée d'origine.)

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!