Swiggy的Hermes：无缝数据驱动决定的AI解决方案

Swiggy的Hermes：通过生成AI彻底改变数据访问

在当今数据驱动的景观中，印度领先的粮食送货服务Swiggy通过其创新工具Hermes利用了生成AI的力量。爱马仕（Hermes）旨在加快数据访问和解释，使Swiggy的不同团队能够做出更快，更明智的决定。与许多专注于文本摘要的AI工具不同，爱马仕（Hermes）擅长提供精确的数值数据和对业务策略至关重要的详细见解。无论是评估网络中断的影响还是分析客户反馈，Hermes都可以使Swiggy员工提出自然语言问题并立即在Slack中获得SQL查询和结果。这消除了对广泛的技术专长的需求，使整个组织的数据访问民主化。

爱马仕的主要特征：

• 简化所有团队的数据访问和解释。
• 通过即时的SQL查询促进自然语言查询，并在松弛方面交付。
• 最新的迭代爱马仕V2采用了一种分隔的方法来提高准确性和效率。
• 利用知识库和检索效果生成（RAG）来增强上下文理解。
• 遍布偏斜的广泛采用，大大减少了数据检索时间。
• 以最小的技术障碍，包括产品经理，数据科学家和分析师在内的各种团队。

目录：

• Swiggy的数据挑战
• 爱马仕V1：最初的实施
• 爱马仕V2：增强和改进
• 生成AI模型管道
• 精制模型管道
• 爱马仕（Hermes）在swiggy的未来
• 我们的观点
• 常见问题

Swiggy的数据挑战：

Swiggy面临着一个共同的组织障碍：在不依赖技术专家的情况下，向各个部门的员工提供无缝数据访问。传统方法涉及复杂的SQL查询和分析师干预，被证明是耗时且效率低下，阻碍及时的决策。

爱马仕V1：坚实的基础：

爱马仕的第一个版本使用了GPT-3.5变体。在成功的同时，它强调了需要更量身定制的解决方案来处理复杂的查询和大型数据集。这导致了关键的设计转变：将爱马子的划分为不同的业务部门（“宪章”），每个单元都有自己的元数据和特定的用例。

爱马仕V2：一种更精致的方法：

爱马仕V2通过精致的体系结构解决了其前身的局限性：

• 用户界面： Slack仍然是查询和接收结果的主要接口。
• 中间件（AWS lambda）：处理用户界面和AI模型之间的通信。
• 生成AI模型：生成SQL查询并通过Databricks作业执行它们。
• 知识库抹布：提供至关重要的环境并确保准确的查询产生。

生成AI模型管道：

爱马仕V2的核心力量在于其知识基础和抹布方法。这使该模型可以理解Swiggy的特定数据结构并生成准确的SQL查询。

知识库对于上下文理解，歧义，准确性和可扩展性至关重要。

精制模型管道：

爱马仕V2中改进的管道将用户提示分为阶段：

1. 指标检索：标识相关指标。
2. 表和列检索：找到必要的表和列。
3. 很少射击SQL检索：使用参考查询来指导生成。
4. 结构化及时创建：编译LLM的信息。
5. 查询验证：验证并纠正SQL查询。

采用和影响：

爱马仕已被广泛采用，每天处理数千个查询，平均响应时间不到两分钟。它的影响跨越了各个团队，从而大大提高了生产力和数据驱动的决策。

爱马仕在Swiggy的未来：

Swiggy继续完善Hermes，结合用户反馈并推动AI驱动数据可访问性的边界。

我们的观点：

Swiggy的爱马仕（Hermes）体现了生成AI在数据管理中的变革潜力。其量身定制的方法展示了AI如何赋予团队能力并提高运营效率。

结论：

Swiggy在爱马仕（Hermes）的成功强调了可访问和可行数据的重要性。爱马仕V2设定了将数据访问和加速决策民主化的新标准。

（经常询问的问题部分与原始输入相同。）

以上是Swiggy的Hermes：无缝数据驱动决定的AI解决方案的详细内容。更多信息请关注PHP中文网其他相关文章！