Aller au contenu
Saiku Cloud

Demander à l'IA

Le panneau Demander à l’IA se trouve dans la barre d’outils du workbench Saiku. Cliquez sur le bouton ⚡ et un tiroir glisse depuis la droite où vous pouvez taper des questions en langage naturel et obtenir en retour une requête structurée sur le cube sans écrire de MDX.

C’est le moyen le plus rapide d’arriver au « premier chiffre utile » sur un cube que vous n’avez pas encore mémorisé — et le panneau vous montre toujours la requête qu’il a générée, donc la mécanique n’est jamais opaque.

Ouvrir le panneau

  1. Choisissez un cube dans la barre latérale gauche — le panneau interroge toujours le cube actuellement sélectionné.

  2. Cliquez sur le bouton ⚡ Demander à l’IA dans la barre d’outils du workspace. (Clavier : pas encore de raccourci global — le bouton est votre point d’entrée.)

  3. Le tiroir glisse depuis la droite. Si aucun cube n’est choisi, l’état vide vous dit d’en choisir un d’abord.

Poser une question

Tapez votre question dans la zone de texte en bas et appuyez sur Envoyer — ou ⌘/Ctrl + Entrée pour envoyer sans toucher à la souris. Une Entrée simple insère un saut de ligne pour que les questions multi-lignes fonctionnent aussi.

Exemples qui se résolvent bien :

  • « Affiche les ventes par pays pour le dernier trimestre. »
  • « Top 5 des clients par store sales en 1997. »
  • « Comment unit sales se décompose-t-il par type de magasin et trimestre ? »
  • « Juste les totaux par région. »

Le modèle ne voit que le schéma de ce cube — noms de mesures, hiérarchies de dimensions, noms de niveaux, membres d’exemple — donc les questions qui référencent des choses présentes dans le cube se résolvent bien. Les questions sur des données d’un autre cube non (l’IA ne voit pas les autres cubes).

Multi-tour — relancer sur la réponse précédente

Une fois que vous avez posé une question, la suivante peut référencer la première :

« Affiche les ventes par pays le dernier trimestre. » → 3 lignes.

« Maintenant décompose-le aussi par région. » → toujours les ventes du dernier trimestre, mais avec la région ajoutée.

Les tours précédents sont renvoyés au modèle comme contexte, donc les relances se résolvent naturellement. Effacer la conversation (🗑 dans l’en-tête du panneau) efface ce contexte si vous voulez repartir à zéro.

Lire la réponse

Chaque réponse est une bulle dans le fil de chat contenant :

  • Un résumé en une ligne — « 12 lignes retournées. » ou un message d’auto-correction quand le modèle a choisi quelque chose d’invalide.
  • ▶ MDX généré — cliquez pour développer. C’est le MDX exact que le moteur a exécuté. Dans la vue développée :
    • Copier — dépose le MDX dans votre presse-papier.
    • Éditer dans le canvas — charge le MDX dans votre onglet de requête actif et le réexécute sur le workbench. Le graphique, la grille, le tri, le drill, l’export — tout ce que vous feriez avec une requête construite à la main fonctionne simplement.
  • via nom-du-modèle — petit pied de page indiquant quel LLM a produit cette réponse. Utile pour le débogage « pourquoi cette question s’est-elle comportée différemment hier ? ».

Le résultat vit aussi dans le panneau — vous n’avez besoin de Éditer dans le canvas que quand vous voulez tout le workbench autour.

Auto-correction — quand le modèle choisit quelque chose d’invalide

Le modèle peut nommer une mesure ou dimension que le cube n’a pas. Quand cela arrive, vous verrez une bulle qui dit « Le modèle a émis une requête qui n’a pas validé » avec une petite section Vouliez-vous dire (pour <champ>) listant les noms valides les plus proches sous forme de puces cliquables.

Cliquez sur n’importe quelle puce → le texte de la puce est ajouté à votre prompt → demandez à nouveau. Le modèle utilise la correction comme un indice et réussit généralement la deuxième fois.

C’est la même enveloppe de validation auto-correctrice que la AI Query API expose aux agents, affichée ici comme suggestions cliquables.

Ce que le panneau ne fait pas

Le panneau est délibérément étroit :

  • Un cube à la fois. Les questions inter-cubes (« compare Sales vs HR ») ne sont pas supportées — choisissez d’abord le bon cube.
  • Pas de streaming. La réponse apparaît une fois que le modèle a fini ; les points ❄️ de réflexion sont votre indicateur de statut.
  • Pas de sortie SQL. Le panneau parle MDX (le langage OLAP que Saiku utilise en interne) — si vous avez besoin de SQL brut, utilisez les outils MDX & Export après Éditer dans le canvas.
  • Pas d’historique entre sessions. Le fil de chat vit dans l’état d’ouverture du tiroir. Fermer le tiroir ou rafraîchir la page démarre une nouvelle conversation.

Confidentialité

Chaque question est envoyée à votre fournisseur LLM configuré (Anthropic ou OpenAI) avec le schéma du cube actif (noms de mesures, noms de dimensions, captions de membres d’exemple). Il ne voit pas :

  • Les autres cubes auxquels vous avez accès — uniquement celui de la requête.
  • Le SQL sous-jacent ou les identifiants du warehouse.
  • L’historique de conversation d’autres utilisateurs.
  • La requête HTTP, votre cookie de session ou un en-tête quelconque.

Si votre opérateur utilise un endpoint compatible OpenAI pointant vers une infrastructure on-prem (Azure / vLLM / Ollama), les questions ne quittent jamais cette limite. Voir la page AI Ask API pour le modèle de fournisseur.

Quand utiliser Demander à l’IA vs le reste du workbench

ObjectifUtiliser
Obtenir un premier chiffre utile sur un nouveau cubeDemander à l’IA, puis Éditer dans le canvas
Construire une requête champ par champ avec contrôle totalGlisser et drill dans le workbench
Créer un graphique complexeGraphiques
Accéder à du MDX existant ou exporter des données brutesMDX & Export
Laisser un agent interroger Saiku sans UIServeur MCP

Le panneau est un point d’entrée — une fois que vous avez une requête, le reste du workbench est là où vous vivez.

Où aller ensuite