KI-Funktionen in Azure Databricks
Wichtig
Dieses Feature befindet sich in der Public Preview.
In diesem Artikel werden Azure Databricks KI-Funktionen, integrierte SQL-Funktionen, beschrieben, mit denen Sie KI direkt aus SQL auf Ihre Daten anwenden können.
SQL ist aufgrund seiner Vielseitigkeit, Effizienz und weit verbreiteten Verwendung entscheidend für die Datenanalyse. Die Einfachheit ermöglicht schnelles Abrufen, Bearbeiten und Verwalten großer Datasets. Durch die Integration von KI-Funktionen in SQL zur Datenanalyse wird die Effizienz verbessert, wodurch Unternehmen schnell Erkenntnisse extrahieren können.
Die Integration von KI in Analyseworkflows ermöglicht den Zugriff auf Informationen, die zuvor für Analysten nicht zugänglich waren, und ermöglicht es ihnen, fundiertere Entscheidungen zu treffen, Risiken zu verwalten und einen Wettbewerbsvorteil durch datengesteuerte Innovation und Effizienz aufrechtzuerhalten.
KI-Funktionen mit Databricks Foundation Model-APIs
Hinweis
Für Databricks Runtime 15.0 und höher werden diese Funktionen in Notebookumgebungen unterstützt, einschließlich Databricks-Notebooks und -Workflows.
Diese Funktionen rufen ein hochmodernes generatives KI-Modell aus Databricks Foundation Model-APIs auf, um Aufgaben wie Stimmungsanalyse, Klassifizierung und Übersetzung auszuführen. Siehe Analysieren von Kundenbewertungen mithilfe von KI-Funktionen.
- ai_analyze_sentiment
- ai_classify
- ai_extract
- ai_fix_grammar
- ai_gen
- ai_mask
- ai_similarity
- ai_summarize
- ai_translate
ai_query
Hinweis
- Für Databricks Runtime 14.2 und höher wird diese Funktion in Notebookumgebungen unterstützt, einschließlich Databricks-Notebooks und -Workflows.
- Für Databricks Runtime 14.1 und früher wird diese Funktion in Notebookumgebungen, einschließlich Databricks-Notebooks, nicht unterstützt.
Die ai_query()
-Funktion ermöglicht Ihnen, Ihre Machine Learning-Modelle und großen Sprachmodelle mithilfe von Mosaic AI Model Serving bereitzustellen und sie mit SQL abzufragen. Dazu ruft diese Funktion einen vorhandenen Mosaic AI Model Serving-Endpunkt auf, analysiert dessen Antwort und gibt diese zurück. Sie können ai_query()
verwenden, um Endpunkte abzufragen, die benutzerdefinierte Modelle, Foundation-Modelle, die mit Foundation Model-APIs verfügbar gemacht wurden, und externen Modelle bedienen.
- ai_query-Funktion.
- Abfragen eines bereitgestellten Modells mit ai_query().
- Abfragen eines externen Modells mit ai_query().
vector_search
Mit der Funktion vector_search()
können Sie einen Mosaic AI-Vektorsuchindex mithilfe von SQL durchsuchen und abfragen.
Wichtig
Diese Funktion befindet sich in der Public Preview. Übermitteln Sie das Registrierungsformular, um an der Preview teilzunehmen.
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unterFeedback senden und anzeigen für