Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Anreicherung von Datensätzen

Dataset Enrichment ist eine Funktion in Amazon Quick Sight, mit der Datensatzautoren umfangreiche semantische Metadaten zu ihren Datensätzen hinzufügen können. Durch die Bereitstellung von Beschreibungen, benutzerdefinierten Anweisungen und strukturierten Metadaten stellen Sie sicher, dass sowohl menschliche Verbraucher als auch AI-powered Agenten verstehen, wofür ein Datensatz steht und wie er verwendet wird.

Überblick über die Anreicherung von Datensätzen

Mit der Datensatzanreicherung können Autoren und Autorenexperten Datensätze sowohl auf Datensatz- als auch auf Spaltenebene mit semantischem Kontext annotieren. Diese Metadaten verbinden Rohdaten mit dem Geschäftskontext. Es richtet sich an zwei Zielgruppen:

Komponenten zur Anreicherung von Datensätzen

Dataset-level Anreicherung

Column-level Bereicherung

Vorteile der Datenanreicherung

Berechtigungen und Anforderungen

Autoren und Autorenprofis mit Enterprise-Lizenzen können jeden Datensatz, den sie besitzen oder verwalten, erweitern.

Zugriff auf Dataset Enrichment

Gehen Sie wie folgt vor, um auf Dataset Enrichment zuzugreifen.

Effektive benutzerdefinierte Anweisungen verfassen

Benutzerdefinierte Anweisungen sind die wirkungsvollste Komponente von Dataset Enrichment. Sie unterstützen KI-Agenten direkt bei der Interpretation und Abfrage eines Datensatzes. Im Folgenden finden Sie Beispiele für effektive und ineffektive benutzerdefinierte Anweisungen.

Gute benutzerdefinierte Anweisungen

Beispiel 1 — Umsatzdatensatz

This dataset contains net revenue after returns and discounts, calculated
on an accrual basis. Revenue is recognized at the point of sale for retail
transactions and upon delivery confirmation for B2B orders. All figures are
in USD. The 'revenue' column specifically excludes taxes, shipping fees,
and promotional credits. For year-over-year comparisons, use the
'fiscal_year' field rather than 'calendar_year' as our fiscal year runs
April–March.

Warum es effektiv ist:

Beispiel 2 — Kundendatensatz

Customer status definitions: 'Active' = purchased within last 12 months;
'Dormant' = 12–24 months since last purchase; 'Churned' = 24+ months
inactive. The 'customer_segment' field uses RFM analysis (Recency,
Frequency, Monetary). 'Lifetime_value' is calculated as total historical
spend, not predictive LTV. When analyzing customer counts, always filter
out 'is_test_account = true' to exclude internal test data.

Warum es effektiv ist:

Unwirksame benutzerdefinierte Anweisungen

Beispiel — Kundendatensatz

Contains customer information including names, addresses, purchase history,
and other details. Use this for customer analysis.

Warum es unwirksam ist:

Wichtige Prinzipien für das Schreiben guter benutzerdefinierter Anweisungen

Zwei Ansätze zur semantischen Anreicherung

Manuelle Anmerkung UI-based

Die Autoren von Datensätzen fügen über die Quick Sight-Oberfläche direkt Datensatz- und Spaltenbeschreibungen sowie benutzerdefinierte Anweisungen hinzu. Quick Sight zeigt Beschreibungen gut sichtbar in der Benutzeroberfläche an und hilft allen Benutzern, den Inhalt der Datensätze, die Spaltendefinitionen und die entsprechenden Anwendungsfälle zu verstehen.

Datei-Upload aus externen Katalogen

Datensatzautoren können semantische Metadaten aus externen Katalogen exportieren und über die API oder Benutzeroberfläche eine Datei pro Datensatz im YAML-, JSON- oder TXT-Format anhängen. Diese Informationen werden zwar von KI-Modellen verwendet und nicht in der Benutzeroberfläche angezeigt, sie ermöglichen jedoch Metadaten in Katalogqualität in großem Maßstab.

Die Verbrauchsebene: Fragen und Antworten zu Datensätzen

Dataset Q&A ist die Nutzungsebene, die Metadaten zur Datensatzanreicherung verwendet. Es ermöglicht Benutzern, offene Fragen in natürlicher Sprache direkt zu den Datensätzen zu stellen, auf die sie Zugriff haben — ohne vorgefertigte Dashboards oder manuell konfigurierte Themen zu benötigen.

Der KI-Agent verwendet den angereicherten Kontext auf folgende Weise:

Ohne Anreicherung verfügt der AI-Agent nur über Spaltennamen und Datentypen, mit denen er arbeiten kann — die oft mehrdeutig sind. Mit der Anreicherung erhält der Agent den vollständigen Geschäftskontext, den er benötigt, um:

Nachdem Sie einem Datensatz einen semantischen Kontext hinzugefügt haben, können Benutzer in Fragen und Antworten auf den Datensatz verweisen und ihn im Chat abfragen. Der KI-Agent verwendet die hinzugefügten Metadaten, um genauere Antworten zu liefern.

Zusammenfassung

Dataset Enrichment fügt den Datensätzen semantische Metadaten zur Analyse hinzu. AI-powered Indem sie ein paar Minuten in das Hinzufügen von Beschreibungen, benutzerdefinierten Anweisungen und Metadatendateien investieren, können die Autoren von Datensätzen die Genauigkeit von Fragen und AI-powered Antworten verbessern und gleichzeitig ihre Datensätze für alle Verbraucher im Unternehmen verständlicher und zugänglicher machen.