Indexering för generativ AI : Tillämpas på UNS-data

Sammanfattning

Detta examensarbete undersöker olika lösningar för att indexera data i ett Unified Namespace för att göra det tillgängligt för generativ AI. Projektet genomförs i samarbete med SCA och har haft som mål att identifiera lämpliga indexeringsmetoder utifrån data och metadata, samt att utveckla en demonstrator som förbättrar sökningar i databasen och möjliggör bearbetning av data med hjälp av AI. Inledningsvis undersöktes deras befintliga databas och normaliserades. Därefter implementerades en demonstrator i Docker med TimescaleDB, MindsDB och Ollama. En Flask-server lät användare ställa frågor via ett gränssnitt som översattes till SQL av en generativ AI. Prestandamätningar visar att indexering och normalisering av databasen kraftigt förbättrar svarstiden. Tidsintervallfrågor exekverades minst 27 gånger snabbare, aggregerande frågor minst fem gånger snabbare och platsbaserade sökningar reducerades med över 40 procent i exekveringstid. Efter justering av promptmallen gav den generativa AI:n även mer koncisa svar. Samtliga uppsatta mål uppfylldes, och slutsatsen bekräftar att en välstrukturerad databas är en förutsättning för både prestanda och precision i generativ AI-chatt.