Inconvo یک استارتاپ YC S23 است که تحلیل داده را برای کاربران غیرفنی ساده میکند. این مطالعه موردی بر این تمرکز دارد که چگونه Inconvo از LangGraph و LangSmith برای سادهسازی فرآیند پرس و جوی دادههای خود استفاده میکند.
مشکل: غلبه بر مانع تحلیل داده
Inconvo به یک چالش رایج که بسیاری از کاربران غیرفنی با آن روبرو هستند، میپردازد؛ کاربرانی که برای استخراج بینشهای ساده از دادهها با گردش کار سنتی هوش تجاری (BI) دست و پنجه نرم میکنند. به عنوان مثال، ممکن است یک کاربر یک برنامه SaaS برای پاسخ دادن به سوالات سادهای مانند "چه مقدار محصول را در دو هفته گذشته فروختهام؟" با ابزارهای پیچیده BI دست و پنجه نرم کند. این ناکارآمدی نه تنها زمان را تلف میکند، بلکه توانایی کاربران برای تصمیمگیری مبتنی بر داده را محدود میکند.
نیاز به یک راهحل شهودیتر زمانی آشکار شد که Inconvo به دنبال این بود که کاربران را قادر سازد تا به زبان طبیعی سوال بپرسند، در نتیجه نیاز به تخصص فنی در تحلیل دادهها را از بین ببرد. Inconvo با ارائه یک API ساده، قصد دارد اضافه کردن تجزیه و تحلیل مکالمهای را به برنامههای خود برای توسعهدهندگان آسان کند.
UX عامل: API برای تحلیل داده مکالمهای
رابط عامل Inconvo به کاربران روشهای مختلفی برای تجسم و تعامل با دادههای خود ارائه میدهد. هنگامی که کاربران پرس و جوهای زبان طبیعی را ارسال میکنند، API نتایج JSON را در قالبهای زیر برمیگرداند:
- نمودارهای میلهای برای مقایسه دادههای دستهبندی شده
- نمودارهای خطی برای تجزیه و تحلیل سری زمانی
- جداول برای بررسی دقیق دادهها
- متن برای پاسخهای ساده
API به کاربران اجازه میدهد تا پرس و جوهای خود را به صورت مکالمهای اصلاح کنند. به عنوان مثال، پس از مشاهده نتایج اولیه، یک کاربر میتواند درخواست تجسم دیگری داشته باشد یا درخواست فیلتر کردن بیشتر دادهها را بدهد. این تجربه تعاملی تحلیل دادههای پیچیده را بدون نیاز به یادگیری SQL یا ابزارهای تخصصی BI برای کاربران غیرفنی در دسترس قرار میدهد.
ساخت یک سیستم قدرتمند پردازش پرس و جو با LangGraph
LangGraph نقش کلیدی در معماری Inconvo ایفا میکند و یک گردش کار چند مرحلهای را امکانپذیر کرده است که به طور موثر پرس و جوهای کاربر را پردازش میکند. هنگامی که یک کاربر سوالی را ارسال میکند، LangGraph کل فرآیند بازیابی داده را هماهنگ میکند، و با introspection پایگاه داده برای درک شمای آن شروع میشود. این به Inconvo اجازه میدهد تا پیکربندی کند که کدام دادهها قابل دسترسی هستند و چگونه میتوان آنها را پرس و جو کرد.
معماری Inconvo از LangGraph برای مدیریت گردشهای کار مشروط استفاده میکند، جایی که عملیات مختلف میتوانند بر اساس ورودی کاربر اجرا شوند. این شامل انتخاب جداول، اجرای پرس و جوهای SQL و برگرداندن خروجیهای ساختاریافته در قالبهای مختلف است. Inconvo با ادغام با LangGraph، میتواند پرس و جوهای پیچیده را با چندین مرحله مدیریت کند و اطمینان حاصل کند که کاربران به سرعت نتایج دقیق و مرتبط را دریافت میکنند.
معماری شناختی از یک الگوی استدلال سنجیده پیروی میکند:
- تجزیه پرس و جوی زبان طبیعی کاربر
- نگاشت پرس و جو به جداول و فیلدهای پایگاه داده مرتبط
- تولید پرس و جوهای SQL مناسب
نتیجهگیری
استفاده Inconvo از LangGraph نحوه تعامل کاربران غیرفنی با دادههای خود را متحول کرده است و از طریق پردازش زبان طبیعی موانع تحلیل دادهها را از بین برده است. Inconvo با حذف نیاز به مهارتهای فنی تخصصی، دسترسی به بینشهای داده را دموکراتیک کرده است و کاربران را در صنایع مختلف قادر میسازد تا به سرعت و به طور موثر تصمیمات آگاهانه بگیرند. این مطالعه موردی نشان میدهد که چگونه راهحلهای نوآورانه هوش مصنوعی میتوانند مشکلات دنیای واقعی را حل کنند و تجربیات کاربری شهودیتری را در فضای تجزیه و تحلیل داده ایجاد کنند.