Analizzare le recensioni dei clienti con Funzioni di intelligenza artificiale

Importante

Questa funzionalità è disponibile in anteprima pubblica.

Questo articolo illustra come usare Funzioni di intelligenza artificiale per esaminare le revisioni dei clienti e determinare se deve essere generata una risposta. Le funzioni di intelligenza artificiale usate in questo esempio sono funzioni SQL predefinite di Databricks, basate su modelli di intelligenza artificiale generativi resi disponibili dalle API del modello di Databricks Foundation. Vedere Funzioni di intelligenza artificiale in Azure Databricks.

In questo esempio viene eseguito quanto segue in un set di dati di test denominato reviews usando Funzioni di intelligenza artificiale:

• Determina il sentiment di una recensione.
• Per le revisioni negative, estrae informazioni dalla revisione per classificare la causa.
• Identifica se è necessaria una risposta al cliente.
• Genera una risposta che menziona prodotti alternativi che possono soddisfare il cliente.

Requisiti

• Un'area di lavoro in un'area supportata con pagamento in base al token in un'API modello di base.
• Queste funzioni non sono disponibili in Azure Databricks SQL Classico.
• Durante l'anteprima, queste funzioni hanno restrizioni sulle prestazioni. Contattare il team dell'account Databricks se è necessaria una quota più elevata per i casi d'uso.

Analizzare il sentiment delle recensioni

È possibile usare il ai_analyze_sentiment() per comprendere come i clienti si sentono dalle recensioni. Nell'esempio seguente il sentiment può essere positivo, negativo, neutro o misto.

SELECT
  review,
  ai_analyze_sentiment(review) AS sentiment
FROM
  product_reviews;

Dai risultati seguenti, si noterà che la funzione restituisce il sentiment per ogni recensione senza alcuna richiesta di progettazione o analisi dei risultati.

Classificare le recensioni

In questo esempio, dopo aver identificato recensioni negative, è possibile usare ai_classify() per ottenere maggiori informazioni sulle recensioni dei clienti, ad esempio se la revisione negativa è dovuta a scarsa logistica, qualità del prodotto o altri fattori.

SELECT
  review,
  ai_classify(
    review,
    ARRAY(
      "Arrives too late",
      "Wrong size",
      "Wrong color",
      "Dislike the style"
    )
  ) AS reason
FROM
  product_reviews
WHERE
  ai_analyze_sentiment(review) = "negative"

In questo caso, ai_classify() è in grado di classificare correttamente le recensioni negative in base alle etichette personalizzate per consentire un'ulteriore analisi.

Estrarre informazioni dalle recensioni

Potresti voler migliorare la descrizione del prodotto in base ai motivi per cui i clienti avevano per le loro recensioni negative. È possibile trovare informazioni chiave da un BLOB di testo usando ai_extract(). L'esempio seguente estrae informazioni e classifica se la revisione negativa è basata su problemi di dimensionamento con il prodotto:

SELECT
  review,
  ai_extract(review, array("usual size")) AS usual_size,
  ai_classify(review, array("Size is wrong", "Size is right")) AS fit
FROM
  product_reviews

Di seguito è riportato un esempio di risultati:

Generare risposte con raccomandazioni

Dopo aver esaminato le risposte dei clienti, è possibile usare la funzione ai_gen() per generare una risposta a un cliente in base al reclamo e rafforzare le relazioni dei clienti con risposte richieste al feedback.

SELECT
  review,
  ai_gen(
    "Generate a reply in 60 words to address the customer's review.
    Mention their opinions are valued and a 30% discount coupon code has been sent to their email.
    Customer's review: " || review
  ) AS reply
FROM
  product_reviews
WHERE
  ai_analyze_sentiment(review) = "negative"

Di seguito è riportato un esempio di risultati:

Risorse aggiuntive

• Funzioni di intelligenza artificiale in Azure Databricks
• API del modello di Databricks Foundation