SuperSonic融合ChatBI和HeadlessBI打造新一代的数据分析平台。通过SuperSonic的问答对话界面，用户能够使用自然语言查询数据，系统会选择合适的可视化图表呈现结果。
SuperSonic不需要修改或复制数据，只需要在物理数据模型之上构建逻辑语义模型（指标/维度/实体的定义，以及他们的业务含义、相互间关系等），即可开启数据问答体验。与此同时，SuperSonic被设计为可插拔的框架，采用Java SPI机制来扩展定制功能。
项目动机
大型语言模型（LLMs - Large Language Models）如ChatGPT的出现正在重塑信息检索的方式。在数据分析领域，学术界和工业界主要关注利用深度学习模型将自然语言查询转换为SQL查询。虽然一些工作显示出有前景的结果，但它们的可靠性还达不到生产可用的要求。
在我们看来，为了在实际场景发挥价值，有三个关键点：
- 融合HeadlessBI，通过统一语义层封装底层数据细节（关联、键值、公式等），降低SQL生成的复杂度。
- 通过一前一后的模式映射器和语义修正器，来缓解LLM常见的幻觉现象。
- 设计启发式的规则，在一些特定场景提升语义解析的效率。
为了验证上述想法，我们开发了SuperSonic项目，并将其应用在实际的内部产品中。与此同时，我们将SuperSonic作为一个可扩展的框架开源，希望能够促进数据问答对话领域的进一步发展。
开箱即用的特性
- 内置ChatBI界面以便业务用户输入数据查询
- 内置HeadlessBI界面以便分析工程师构建语义模型
- 内置图形用户界面以便系统管理员管理第三方插件和对话助理
- 支持文本输入的联想和查询问题的推荐
- 支持多轮对话，根据语境自动切换上下文
- 支持四级权限控制：主题域级、模型级、列级、行级
整体架构
SuperSonic的整体架构和主流程如下图所示
其中：
- 模型知识库(Knowledge Base)： 定期从语义模型中提取相关的模式信息，构建词典和索引，以便后续的模式映射
- 模式映射器(Schema Mapper)： 将自然语言文本在知识库中进行匹配，为后续的语义解析提供相关信息
- 语义解析器(Semantic Parser)： 理解用户查询并抽取语义信息，其由一组基于规则和基于模型的解析器组成，每个解析器可应对不同的特定场景
- 语义修正器(Semantic Corrector)： 检查语义信息的合法性，对不合法的信息做修正和优化处理
- 语义解释器(Semantic Interpreter)： 根据语义信息生成物理SQL执行查询
- 问答插件(Chat Plugin)： 通过第三方工具扩展功能。给定所有配置的插件及其功能描述和示例问题，大语言模型将选择最合适的插件
参考资料
标签：SuperSonic,插件,简介,模型,语义,查询,问答 From： https://www.cnblogs.com/tgzhu/p/17911526.html