AI-függvények használata (előzetes verzió)

A következőkre vonatkozik:✅ SQL Analytics-végpont és -raktár a Microsoft Fabricben

Fontos

Ez a funkció előzetes verzióban érhető el.

A Fabric Data Warehouse és az SQL Analytics-végpont beépített AI-függvényeket biztosít, amelyekkel közvetlenül az SQL-lekérdezésekben elemezheti, osztályozhatja, összegzheti és átalakíthatja a szöveget. Ezen függvények használatával speciális szövegfeldolgozást végezhet anélkül, hogy elhagyná az adatkörnyezetet. Ebben az oktatóanyagban megtudhatja, hogyan alakíthat át szövegeket AI-függvényekkel.

Funkció Alkalmazás célja Példa szintaxisra
AI_ANALYZE_SENTIMENT Bemeneti szöveg hangulatának észlelése AI_ANALYZE_SENTIMENT(<text>)
AI_CLASSIFY Szöveg besorolása a megadott címkék alapján AI_CLASSIFY(<text>, <class1>, <class2>, ...)
AI_EXTRACT Entitások kinyerése JSON-tulajdonságokként AI_EXTRACT(<text>, <class1>, <class2>, ...)
AI_SUMMARIZE Szöveg összegzése AI_SUMMARIZE(<text>)
AI_GENERATE_RESPONSE Válasz létrehozása a parancssor alapján AI_GENERATE_RESPONSE(<prompt>, <data>)
AI_TRANSLATE Bemeneti szöveg fordítása a megadott célnyelvre AI_TRANSLATE(<text>, <lang_code>)
AI_FIX_GRAMMAR Nyelvhelyesség javítása a szövegben AI_FIX_GRAMMAR(<text>)

Ezek a függvények külső AI API-kat hívnak meg a szöveg feldolgozásához, ami befolyásolhatja a lekérdezés teljesítményét. A hatékonyság optimalizálása érdekében kerülje az ismétlődő szövegátalakítások SELECT alkalmazását ugyanazon adathalmaz lekérdezései között. Ehelyett a mesterséges intelligencia (MI) függvények eredményeit külön oszlopokként vagy előkészítési táblákban kell előre kiszámítani és megvalósítani.

Figyelmeztetés

A függvények akkor térnek vissza NULL , ha az AI-modell nem tudja feldolgozni a szöveget. Gyakori okok például:

  • A felelős AI-szabályok letiltják a bemeneti szöveg nem megfelelő tartalmát.
  • A bemeneti szöveg túllépi a token korlátait. Az aktuális modell legfeljebb 15 KB szöveget támogat.

Az AI-függvények jellemző feldolgozási sebessége másodpercenként 20–100 sor. Ha lassabb teljesítményt tapasztal, jelentse a problémás lekérdezést problémaként.

Prerequisites

Ellenőrizze az AI-függvények további előfeltételeit .

Hangulat elemzése

A AI_ANALYZE_SENTIMENT(text) függvény elemzi a bemenet text hangulatát, és a következő értékek egyikét adja vissza: positive, negative, mixedvagy neutral.

Example:

SELECT AI_ANALYZE_SENTIMENT('This hotel was great!') AS sentiment;

Várt eredmény:positive

További információ: AI_ANALYZE_SENTIMENT (Transact-SQL).

Szöveg osztályozása

A AI_CLASSIFY(text, class1, class2, ...) függvény a bemenetet text a megadott kategóriák egyikébe sorolja.

Example:

SELECT AI_CLASSIFY('Room was dirty', 'service','dirt','food') AS classification;

Várt eredmény:dirt

További információ: AI_CLASSIFY (Transact-SQL).

Entitások kinyerése szövegből

A AI_EXTRACT(text, class1, class2, ...) függvény a megadott osztályok alapján nyeri ki az entitásokat a bemenetből text .

Example:

SELECT AI_EXTRACT('Check-in was late and room dirty', 'sentiment','problem') AS extraction;

Várt eredmény:{"sentiment":"Negative","problem":"Dirty room"}

További információ: AI_EXTRACT (Transact-SQL).

Válasz létrehozása

A AI_GENERATE_RESPONSE(prompt, data) függvény egy adott prompt és nem kötelező dataválasz alapján hoz létre választ.

Example:

SELECT AI_GENERATE_RESPONSE('Reply in 20 words:', 'The room was noisy.') AS response;

Várt eredmény: "Őszintén elnézést kérünk a zaj okozta kellemetlenségekért, és elkötelezettek vagyunk a hangszigetelési intézkedések javítása mellett."

További információ: AI_GENERATE_RESPONSE (Transact-SQL).

Szöveg összegzése

A AI_SUMMARIZE(text) függvény tömör verzióban összegzi a bemenetet text .

Example:

SELECT AI_SUMMARIZE('The hotel was clean and staff were friendly.') AS summary;

Várt eredmény: "Tiszta szálloda, barátságos személyzet."

További információ: AI_SUMMARIZE (Transact-SQL).

Szöveg lefordítása

A AI_TRANSLATE(text, lang_code) függvény lefordítja text a megadott nyelvre lang_code használatával.

A támogatott nyelvkódok a következők de : (német), en (angol), fr (francia), it (olasz), es (spanyol), el (görög), pl (lengyel), sv (svéd), fi (finn) és cs (cseh).

Example:

SELECT AI_TRANSLATE('The hotel was great','de') AS translation_de;

Várt eredmény: 'Das Hotel war großartig.'

További információ: AI_TRANSLATE (Transact-SQL).

Nyelvhelyesség javítása

A AI_FIX_GRAMMAR(text) függvény kijavítja a bemenet textnyelvhelyességét.

Example:

SELECT AI_FIX_GRAMMAR('Th room are clean and staff were nice') AS fixed_text;

Várt eredmény: "A szobák tisztaak, és a személyzet kedves volt."

További információ: AI_FIX_GRAMMAR (Transact-SQL).

Megjegyzések

Az AI-függvények több okból is visszaadhatnak hibákat, vagy a vártnál lassabb teljesítményt tapasztalhatnak:

  • Az AI-függvények használata előtt győződjön meg arról, hogy megfelel az összes szükséges előfeltételnek . Ha hiányzik egy előfeltétel, a függvény hibát ad vissza.
  • Ha a bemeneti szöveg nem dolgozható fel – például azért, mert túllépi a jogkivonatok korlátait, korlátozott vagy sértő tartalmat tartalmaz, vagy más módon megsérti a szolgáltatásszabályzatokat – a függvény visszaadja NULL. Mindig ellenőrizze, hogy a visszatérési érték szerepel-e NULL a lekérdezésekben, alkalmazásokban vagy adatfeldolgozási folyamatokban, és megfelelően kezeli-e ezt az esetet.
  • A teljesítmény a bemeneti mérettől, a bemeneti összetettségtől és az általános szolgáltatásterheléstől függ. Az egyes szöveges értékek feldolgozása általában néhány másodpercen belül történik, míg a nagyobb kötegek másodpercenként körülbelül 10–30 szöveges értéket érhetnek el. Ha folyamatosan a vártnál lassabb teljesítményt tapasztal, előfordulhat, hogy szolgáltatás- vagy konfigurációs probléma befolyásolja a feldolgozási teljesítményt.

Ha problémát tapasztalsz az AI funkciókkal Fabric Data Warehouse-ben vagy egy SQL analitikai végponton:

Examples

A. Adatok importálása és szövegoszlop átalakítása AI-függvényekkel

Ez a minta betölti az adatokat egy Lakehouse-fájlból a hotel_reviews raktár táblájába. Kiválasztja a /Files szakasz egyik fájlját, majd alkalmazza az AI-függvényeket az adatok bővítésére:

CREATE TABLE HotelDW.dbo.hotel_reviews
AS
SELECT
    city, latitude, longitude, name, reviews_rating, reviews_text,
    AI_SUMMARIZE(reviews_text) AS reviews_summary,
    AI_CLASSIFY( reviews_text, 'service', 'dirt', 'food', 'air conditioning', 'other') AS reviews_classification,
    AI_ANALYZE_SENTIMENT(reviews_text) AS reviews_sentiment,
    AI_TRANSLATE(reviews_text, 'de') AS reviews_text_de,
    AI_TRANSLATE(reviews_text, 'es') AS reviews_text_es,
    AI_TRANSLATE(reviews_text, 'fr') AS reviews_text_fr,
    AI_TRANSLATE(reviews_text, 'it') AS reviews_text_it
FROM OPENROWSET( BULK '/Files/csv/hotel_reviews_demo.csv', DATA_SOURCE = 'TextLakehouse', HEADER_ROW = TRUE);

B. Szöveg oszlop frissítése AI funkció használatával

Az alábbi példa kijavítja az oszlop nyelvhelyességi hibáit reviews_text :

UPDATE HotelDW.dbo.hotel_reviews
SET reviews_text = ISNULL(AI_FIX_GRAMMAR(reviews_text), reviews_text);

Az AI-függvények hiba esetén visszatérhetnek NULL , ezért ne írja felül a meglévő értékeket a következővel NULL: .

Használja a ISNULL(<ai function>, <original value>) mintát az eredeti szöveg megőrzésére, ha az AI-függvények nem képesek eredményeket szolgáltatni.

C. Értékek kinyerése szövegből

Ebben a példában a AI_EXTRACT függvény elemzi a felülvizsgálati szöveget, és visszaad egy JSON-objektumot, amely tartalmazza a tulajdonságokat sentiment, time_reportedés problem. A OPENJSON függvény ezután elemzi ezt a JSON-t, és leképezi ezeket a tulajdonságokat különálló oszlopokba a könnyű lekérdezés és elemzés érdekében.

Ez a példaszkript külön oszlopként szúrja be a kinyert értékeket a céltáblába.

INSERT INTO gold.hotel_reviews
SELECT sentiment, time_reported, problem
FROM hotel_reviews
CROSS APPLY 
OPENJSON(
    AI_EXTRACT(reviews_text, 'sentiment', 'time_reported', 'problem')
) WITH ( sentiment VARCHAR(1000), time_reported VARCHAR(100), problem VARCHAR(1000) );

A AI_EXTRACT függvény homályos környezeti szabályokat alkalmaz a témakörök azonosítására és kinyerésére a szövegből anélkül, hogy manuális elemzést vagy összetett reguláris kifejezéseket kellene megkövetelnie. Ez a megközelítés leegyszerűsíti a szövegelemzést azáltal, hogy az AI-alapú szemantikai megértést használja a merev mintaegyeztetés helyett, így robusztusabb és könnyebben alkalmazkodik a természetes nyelvi változatokhoz.

Kapcsolódó tartalom

  • Last updated on