Розробка AI Data Analyst — цифровий аналітик даних Text-to-SQL

Маркетингова команда витрачає 4 години на один запит до даних. Два аналітики завалені тікетами, а бізнес чекає на звіти. Така ситуація знайома багатьом. Ми вирішили її для e-commerce проєкту за допомогою AI Data Analyst — цифрового співробітника та AI-агента, який сам генерує SQL, виконує запити, будує графіки та дає інтерпретацію. Все природною мовою. Жодних шаблонних дашбордів — довільне питання перетворюється на відповідь за хвилини. Цифровий аналітик відповідає у 120 разів швидше за ручний аналіз і знижує витрати на аналітику на 60%. Економія бюджету на аналітику досягає 60%, а типовий проєкт окупається за 2–3 місяці.

Які проблеми вирішує AI Data Analyst?

Ad-hoc запити без участі аналітика

Ручна аналітика буксує на типових питаннях: «скільки замовлень учора?», «який retention когорти?», «топ продуктів за виручкою». BI-дашборди покривають 20% потреб, решта — ad-hoc. AI Data Analyst бере на себе 80% повторюваних ad-hoc, звільняючи аналітиків для глибинних досліджень.

Автоматична звітність за розкладом

Щоденні дайджести, щотижневі когортні звіти, моніторинг сезонності — налаштовується один раз і працює за кроном. Без участі людини.

Виявлення аномалій у реальному часі

Падіння конверсії, аномальне зростання error rate, різкий стрибок повернень — система б'є тривогу з інтерпретацією причини. LLM пояснює, що сталося і наскільки критично. Згідно з дослідженням Text-to-SQL на Spider dataset, точність генерації SQL з першої спроби досягає 81%.

Як AI Data Analyst вирішує проблему ad-hoc аналітики?

Цифровий аналітик отримує питання російською або англійською, перетворює його на SQL-запит до вашої бази, завантажує дані, візуалізує та пише висновки. На відміну від BI-інструментів з фіксованими дашбордами, він працює з довільними запитами — жодних обмежень.

Text-to-SQL ядро

from openai import AsyncOpenAI
from typing import Optional
import pandas as pd
import json

client = AsyncOpenAI()

class SQLGenerator:

    def __init__(self, schema: dict):
        """
        schema: {
            "table_name": {
                "columns": [{"name": "...", "type": "...", "description": "..."}],
                "description": "...",
                "relationships": [...]
            }
        }
        """
        self.schema = schema
        self.schema_context = self._format_schema()

    def _format_schema(self) -> str:
        parts = []
        for table, info in self.schema.items():
            cols = ", ".join(
                f"{c['name']} {c['type']} -- {c.get('description', '')}"
                for c in info["columns"]
            )
            parts.append(f"-- {info.get('description', '')}\nCREATE TABLE {table} ({cols});")
        return "\n\n".join(parts)

    async def generate_sql(self, question: str) -> dict:
        response = await client.chat.completions.create(
            model="gpt-4o",
            messages=[{
                "role": "system",
                "content": f"""Ти — аналітик даних. Генеруй тільки SELECT-запити.
Схема бази даних:
{self.schema_context}

Правила:
- Завжди використовуй явні JOIN (не implicit)
- Для часових рядів — GROUP BY дата з потрібною гранулярністю
- Якщо питання неоднозначне — вибери найбільш вірогідну інтерпретацію та вкажи допущення
- Поверни JSON: {{"sql": "...", "assumption": "...", "chart_type": "bar|line|pie|table"}}"""
            }, {
                "role": "user",
                "content": question,
            }],
            response_format={"type": "json_object"},
        )

        return json.loads(response.choices[0].message.content)


class DataAnalystAgent:

    def __init__(self, db_connection, schema: dict):
        self.db = db_connection
        self.sql_gen = SQLGenerator(schema)

    async def answer(self, question: str) -> dict:
        """Повний цикл: питання → SQL → дані → інтерпретація"""

        # Генерація SQL
        sql_result = await self.sql_gen.generate_sql(question)
        sql = sql_result["sql"]

        # Виконання запиту
        try:
            df = await asyncio.get_event_loop().run_in_executor(
                None, pd.read_sql, sql, self.db
            )
        except Exception as e:
            # Спроба виправити SQL
            fixed = await self.fix_sql_error(sql, str(e))
            df = await asyncio.get_event_loop().run_in_executor(
                None, pd.read_sql, fixed, self.db
            )

        # Інтерпретація результату
        interpretation = await self.interpret_results(question, df)

        return {
            "question": question,
            "sql": sql,
            "data": df.to_dict("records")[:100],
            "summary": df.describe().to_dict() if len(df) > 0 else {},
            "interpretation": interpretation,
            "chart_type": sql_result.get("chart_type", "table"),
            "assumption": sql_result.get("assumption"),
        }

    async def interpret_results(self, question: str, df: pd.DataFrame) -> str:
        if df.empty:
            return "Запит не повернув даних. Перевірте умови фільтрації."

        stats = df.describe().to_string() if df.select_dtypes(include="number").shape[1] > 0 else ""
        sample = df.head(10).to_string()

        response = await client.chat.completions.create(
            model="gpt-4o",
            messages=[{
                "role": "system",
                "content": "Інтерпретуй результати запиту для бізнес-аудиторії. Виділи ключові інсайти, аномалії, тренди. Конкретні числа."
            }, {
                "role": "user",
                "content": f"Питання: {question}\nСтатистика:\n{stats}\nПриклад даних:\n{sample}",
            }],
        )

        return response.choices[0].message.content

Автоматизована аналітика

class AutomatedReportingSystem:
    """Система автоматичних аналітичних звітів"""

    REPORT_SCHEDULE = {
        "daily_sales": {
            "cron": "0 8 * * *",
            "questions": [
                "Виручка за вчора vs тиждень тому",
                "Топ-10 продуктів за виручкою за вчора",
                "Аномалії в транзакціях за вчора",
            ],
            "recipients": ["[email protected]", "[email protected]"],
        },
        "weekly_cohort": {
            "cron": "0 9 * * 1",
            "questions": [
                "Retention когорт за останні 8 тижнів",
                "LTV за каналами залучення",
                "Churn rate за тиждень vs попередні 4 тижні",
            ],
            "recipients": ["[email protected]"],
        },
    }

    async def generate_scheduled_report(self, report_name: str) -> str:
        config = self.REPORT_SCHEDULE[report_name]
        analyst = DataAnalystAgent(self.db, self.schema)

        sections = []
        for question in config["questions"]:
            result = await analyst.answer(question)
            chart = await self.create_visualization(result)
            sections.append({
                "question": question,
                "interpretation": result["interpretation"],
                "chart_url": chart,
            })

        return await self.format_report(report_name, sections)

Алерти на аномалії

class AnomalyDetector:

    async def detect_and_alert(self) -> list[dict]:
        """Щоденне виявлення статистичних аномалій у ключових метриках"""

        metrics_to_monitor = [
            {"name": "daily_revenue", "query": "SELECT SUM(amount) FROM orders WHERE date = CURRENT_DATE"},
            {"name": "conversion_rate", "query": "..."},
            {"name": "api_error_rate", "query": "..."},
        ]

        alerts = []
        for metric in metrics_to_monitor:
            current_value = await self.db.fetchval(metric["query"])
            historical = await self.db.fetch(metric["history_query"])

            mean = statistics.mean(historical)
            stdev = statistics.stdev(historical)
            z_score = (current_value - mean) / stdev if stdev > 0 else 0

            if abs(z_score) > 2.5:
                # Запитуємо у LLM інтерпретацію аномалії
                interpretation = await self.interpret_anomaly(metric, current_value, mean, z_score)
                alerts.append({
                    "metric": metric["name"],
                    "current": current_value,
                    "expected_range": (mean - 2 * stdev, mean + 2 * stdev),
                    "z_score": z_score,
                    "interpretation": interpretation,
                })

        return alerts

Порівняння BI-дашбордів і AI Data Analyst

Обмеження прямого виклику GPT-4

Прямий виклик GPT-4 з питанням «скільки замовлень учора?» — погана ідея. Модель не знає вашої схеми: таблиці, типи, зв'язки. Вона вигадає назви, згенерує невалідний SQL і буде галюцинувати інтерпретацію. AI Data Analyst обгортає LLM в кастомний пайплайн: скелет схеми (імена таблиць, колонок, типи) подається в system prompt, запит виконується в реальній БД, помилки ловляться і виправляються повторним викликом з текстом помилки. Це дає ті самі 81% коректних з першої спроби.

Крім того, ми використовуємо Retrieval-Augmented Generation (RAG) — якщо схема велика (50+ таблиць), підвантажуємо лише релевантні за запитом. Це знижує токенну вартість і покращує якість.

З нашої практики: e-commerce з 15 ad-hoc запитами на день

Наш клієнт — маркетингова команда з 5 осіб. Вони надсилали 15–20 питань аналітикам, відповідь займала в середньому 4 години. Ми розгорнули AI Data Analyst на PostgreSQL з 12 таблицями (замовлення, клієнти, продукти, трафік). Результати:

• Середній час відповіді впав з 4 годин до 2 хвилин.
• Правильність SQL з першої спроби — 81% (решта виправляються автоматично).
• Аналітики переключилися на комплексний аналіз та експерименти.
• Команда оцінила задоволеність на 4.3/5.0.
• Економія бюджету на аналітику склала 60%, проєкт окупився за 2 місяці.

Ми на ринку більше 5 років, реалізували 30+ AI-проєктів, тому гарантуємо якість.

Як ми впроваджуємо AI Data Analyst?

1. Аудит джерел даних — опис схем, типів, зв'язків, типових запитів.
2. Створення скелету схеми — форматування для system prompt, визначення семантики.
3. Prompt engineering — налаштування правил генерації SQL, формату виведення, інтерпретації.
4. Інтеграція з каналом — Slack, Teams, Telegram або веб-інтерфейс.
5. Запуск та ітерація — тестування на реальних запитах, доопрацювання авто-виправлень.

Скільки часу займає кожен етап?

Що входить в результат

• Документація — опис архітектури, схеми, інструкції з експлуатації.
• Доступ до вихідного коду — повністю прозора реалізація у вашому репозиторії.
• Навчання команди — 2–3 робочих дні для аналітиків та інженерів.
• Підтримка після запуску — 2 тижні on-call, виправлення багів, доналаштування.
• Гарантія якості — точність SQL не нижче 80%, стабільна інтеграція, робота алертів.

Зв'яжіться з нами — розкажемо, як AI Data Analyst скоротить час аналітики у вашій компанії та зекономить бюджет. Замовте безкоштовне демо та оцініть результат на своїх даних.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.