Die Abbildung zeigt die logische Architektur, die aus einer Compute-VM mit den folgenden Komponenten besteht:

• Router: Benutzeranforderungen werden an den Router geleitet, der den Anforderungstyp (SQL-Generierung und Datenabruf oder Datenanalyse) identifiziert und an die entsprechende Verarbeitungspipeline leitet. Die Komponente basiert auf LLM mit einer speziellen Eingabeaufforderung.
• Schema Manager: Verwaltet alle Metadaten für das Datenbankschema. Es spielt eine entscheidende Rolle, wenn es darum geht, für jede NL-Anforderung die Liste der Tabellen ("eingeschränktes Schema") bereitzustellen, die für die SQL-Generierung und alle zugehörigen Metadaten verwendet werden sollen. Es nutzt eine 23ai-Datenbank und eine semantische Suche in der Datenbank, um die für die Benutzer-NL-Anforderung relevanten Tabellen zu finden.
• SQL-Generator: Übersetzt die NL-Anforderung in eine ausführbare SQL-Anweisung in der verbundenen "Data"-Datenbank. Es verwendet ein Ensemble von LLM-Modellen, um die Genauigkeit zu verbessern und die Erfolgsrate korrekt generierter SQL-Anweisungen zu erhöhen. SQL Generator wird über einen unidirektionalen Pfeil aus dem Cache verbunden und über einen unidirektionalen Pfeil mit SQL Executor verbunden.
• SQL-Cache: Speichert NL-Anweisungen (und deren SQL-Äquivalente) für die häufigsten Anforderungen.
• SQL Executor: Aktiviert die Syntaxvalidierung der generierten SQL-Anweisung, führt die Anweisung aus und sendet sie an den Benutzer zurück.
• AI Data Analyzer: Analysiert gespeicherte Konversationsdaten, um Antworten für Analyseanforderungen oder Berichtsgenerierung zu generieren.

Daten werden im Dashboard über den SQL Agent Monitor angezeigt.