AI-аналитика данных для собственного сайта: запросы на естественном языке, автоматические инсайты, обнаружение аномалий и отчёты
Когда для анализа данных собственного сайта используют большую языковую модель, главный риск не в том, что она "отвечает медленно", а в том, что она "отвечает правдоподобно, но с неверными цифрами". Правильная архитектура состоит из четырёх уровней: сотрудники задают вопросы на естественном языке, семантический слой предопределяет методику расчёта метрик, модель обращается только к ежедневному снимку в режиме чтения, а выводы публикуются после проверки человеком. Контринтуитивный момент: позволить большой модели напрямую писать SQL и подключаться к продакшен-базе кажется самым простым путём, но на деле это даёт зелёный свет ошибочным выводам — модель уверенно назовёт цифры, посчитанные по неверной методике. Ниже разберём NLQ, автоматические инсайты, пороги аномалий и три вида галлюцинаций по отдельности.