Analista dati AI
Nessun segnale quando
il numero è sbagliato.
Un analista in chat stampa sempre qualcosa di plausibile — giusto o sbagliato, si legge allo stesso modo. SQAI è l'analista dati AI costruito al contrario: un motore deterministico calcola ogni cifra, e ogni cifra porta l'hash per riprodurla.
Il plausibile non è dimostrabile.
IIIl registro dell'analista
Cosa risponde. Cosa può provare.
Stessa domanda, stesse cifre, due oggetti molto diversi. La colonna sinistra è una risposta. La colonna destra è un registro — hash di piano, invocazione e calcolo che rieseguiti restituiscono gli stessi byte.
il registro dell'analistaogni riga include i propri hash
№ 01region = "east" · sum(revenue)Ricavi totali, regione est
Cinque righe su dodici corrispondono. Rieseguilo in TypeScript o Python — lo stesso hash viene restituito.
№ 02finance.npv(0.1, [-1000, 300, 420, 560, 680])Valore attuale netto al 10%
Tutte e quindici le cifre, byte identici tra TypeScript e Python.
№ 03finance.npv(rate, revenue)Lo stesso modulo, collegato a una colonna live
Calcolato nel motore, mai nella chat — pronto in 0,83 ms.
Cifre identiche. Solo una colonna supera un audit.
IIIStesso modello, due volte
0 su 16, poi 16 su 16.
Sedici domande quantitative, un modello, due esecuzioni. A sinistra: il modello fa i propri calcoli. A destra: il motore di SQAI calcola e il modello riporta. Stessi prompt, stessi dati — l'unica differenza è chi possiede il numero.
Il modello è bravo a leggere la domanda. Non è mai stato costruito per fare da calcolatore. Perché le risposte del motore si ripetono →
IVLa scrivania
445 moduli a disposizione.
Un analista vale quanto la scrivania che ha alle spalle. Il piano tipizzato nomina una capacità — finanza, rischio, statistica, serie temporali — e il motore la calcola sul runtime fissato: float64, single-threaded, gli stessi byte a ogni esecuzione.
445moduli di calcolo nel contratto
- 0,83–0,93 ms calcolo a caldo
- aggregazioni sub-ms, in processo
- ~110 s provisioning una tantum
- finance.npv
- valore attuale netto di una serie di flussi di cassa
- finance.irr
- tasso interno di rendimento
- risk.beta
- sensibilità di una serie di rendimenti rispetto al benchmark
- stat_tests.pearson_r
- correlazione, con la statistica del test
- regression.ols_multiple
- driver multi-fattore in un'unica passata
- timeseries_stats.holt_linear
- previsione di tendenza su una serie temporale
VDue tipi di analista
L'accessibile non è verificabile.
Gli analisti prosumer ottimizzano la superficie della risposta — chat in entrata, grafico in uscita, incollato nel deck. SQAI ottimizza ciò che sta dietro: una superficie in sola lettura, una policy che il tuo codice definisce, provenienza su ogni cifra.
In sola lettura per costruzione. Il modello può solo richiedere; la tua allow-list decide. Come la policy restringe l'accesso →
VIDomande
Domande e risposte.
Cos'è un analista dati AI?
Software che trasforma domande in linguaggio naturale in risposte calcolate sui tuoi dati. La maggior parte è chat-first: un modello legge il file e improvvisa l'analisi. SQAI è tool-first: il modello traduce la domanda in un piano tipizzato, un motore deterministico lo esegue, e la risposta torna con gli hash per riprodurla esattamente.
Posso usare SQAI al posto di un analista dati ChatGPT?
Se hai bisogno di numeri che puoi difendere, sì. Un analista chat è costruito per l'accessibilità — carica un file, ottieni una cifra plausibile. SQAI è costruito per la verificabilità: il modello non esegue mai i calcoli. Su sedici domande quantitative, lo stesso modello ha ottenuto 0 su 16 da solo e 16 su 16 con il motore che calcolava.
Come faccio a sapere che il numero è corretto?
Ogni risposta porta gli hash di piano, invocazione e calcolo sull'input canonico e sul risultato. Riesegui la richiesta e i byte coincidono — in TypeScript e in Python. Se lo schema dei dati cambia nel frattempo, l'esecuzione fallisce con schema_revision_mismatch invece di restituire silenziosamente un numero diverso.
È abbastanza veloce per l'analisi interattiva?
Le aggregazioni rispondono in meno di un millisecondo, in processo. I 445 moduli di calcolo rispondono in 0,83–0,93 ms a regime; il provisioning del motore è una tantum di ~110 s.
Il modello legge l'intero dataset?
No. Il motore legge i dati; il modello vede al massimo 25 righe, 250 celle e 32.000 byte per risposta — e qualsiasi troncamento è dichiarato, mai silenzioso. L'intera superficie è in sola lettura per costruzione.