Analizowanie przeglądów klientów przy użyciu funkcji sztucznej inteligencji
Ważne
Ta funkcja jest dostępna w publicznej wersji zapoznawczej.
W tym artykule pokazano, jak używać usługi AI Functions do sprawdzania opinii klientów i określania, czy należy wygenerować odpowiedź. Funkcje sztucznej inteligencji używane w tym przykładzie to wbudowane funkcje SQL usługi Databricks obsługiwane przez generowanie modeli sztucznej inteligencji udostępnianych przez interfejsy API modelu usługi Databricks Foundation. Zobacz Funkcje sztucznej inteligencji w usłudze Azure Databricks.
W tym przykładzie na testowym zestawie danych o nazwie reviews using AI Functions (Funkcje sztucznej inteligencji) są wykonywane następujące czynności:
- Określa tonację przeglądu.
- W przypadku negatywnych przeglądów wyodrębnia informacje z przeglądu, aby sklasyfikować przyczynę.
- Określa, czy odpowiedź jest wymagana z powrotem do klienta.
- Generuje odpowiedź wskazującą alternatywne produkty, które mogą być zgodne z klientem.
Wymagania
- Obszar roboczy w regionie obsługiwanym przez interfejsy API modelu foundation pay-per-token.
- Te funkcje nie są dostępne w usłudze Azure Databricks SQL Classic.
- W wersji zapoznawczej te funkcje mają ograniczenia dotyczące wydajności. Skontaktuj się z zespołem konta usługi Databricks, jeśli potrzebujesz wyższego limitu przydziału dla przypadków użycia.
Analizowanie tonacji recenzji
Możesz użyć ai_analyze_sentiment(), aby pomóc zrozumieć, jak klienci czują się z ich recenzji. W poniższym przykładzie tonacja może być pozytywna, negatywna, neutralna lub mieszana.
SELECT
review,
ai_analyze_sentiment(review) AS sentiment
FROM
product_reviews;
W poniższych wynikach zobaczysz, że funkcja zwraca tonację dla każdego przeglądu bez żadnych monitów inżynieryjnych ani analizujących wyników.
Klasyfikowanie recenzji
W tym przykładzie po zidentyfikowaniu negatywnych recenzji można użyć ai_classify(), aby uzyskać więcej informacji na temat przeglądów klientów, takich jak to, czy negatywna recenzja jest spowodowana niską logistyką, jakością produktu lub innymi czynnikami.
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"
W takim przypadku ai_classify() można poprawnie kategoryzować negatywne recenzje na podstawie etykiet niestandardowych, aby umożliwić dalszą analizę.
Wyodrębnianie informacji z przeglądów
Warto ulepszyć opis produktu na podstawie powodów, dla których klienci mieli negatywne opinie. Kluczowe informacje z obiektu blob tekstu można znaleźć przy użyciu ai_extract(). Poniższy przykład wyodrębnia informacje i klasyfikuje, czy negatywna recenzja była oparta na problemach z ustalaniem rozmiaru produktu:
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
Poniżej przedstawiono przykład wyników:
Generowanie odpowiedzi przy użyciu zaleceń
Po przejrzeniu odpowiedzi klientów możesz użyć funkcji ai_gen(), aby wygenerować odpowiedź na klienta na podstawie ich skargi i wzmocnić relacje klientów z odpowiedziami z monitami o opinię.
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"
Poniżej przedstawiono przykład wyników:
