Анализ отзывов клиентов с помощью функций ИИ

Внимание

Эта функция предоставляется в режиме общедоступной предварительной версии.

В этой статье показано, как использовать функции ИИ для проверки отзывов клиентов и определения необходимости создания ответа. Функции искусственного интеллекта, используемые в этом примере, являются встроенными функциями Databricks SQL, основанными на созданных моделях ИИ, доступных API-интерфейсами модели Databricks Foundation. См. функции ИИ в Azure Databricks.

В этом примере выполняется следующий пример тестового набора данных, вызываемого reviews с помощью функций ИИ:

• Определяет тональность проверки.
• Для отрицательных отзывов извлекает информацию из проверки, чтобы классифицировать причину.
• Определяет, требуется ли ответ обратно клиенту.
• Создает ответ упоминание альтернативных продуктов, которые могут удовлетворить клиента.

Требования

• Рабочая область в поддерживаемом регионе API модели Foundation за токен.
• Эти функции недоступны в Классической версии SQL Azure Databricks.
• Во время предварительной версии эти функции имеют ограничения на их производительность. Обратитесь к группе учетных записей Databricks, если для вариантов использования требуется более высокая квота.

Анализ тональности отзывов

Вы можете использовать ai_analyze_sentiment(), чтобы помочь вам понять, как клиенты чувствуют себя из своих отзывов. В следующем примере тональность может быть положительной, отрицательной, нейтральной или смешанной.

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

В следующих результатах вы увидите, что функция возвращает тональность для каждой проверки без каких-либо результатов проектирования запросов или анализа.

Классификация проверок

В этом примере после выявления отрицательных отзывов можно использовать ai_classify() для получения дополнительных сведений о отзывах клиентов, например, из-за плохой логистики, качества продукта или других факторов.

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"

В этом случае можно правильно классифицировать отрицательные отзывы на основе пользовательских меток, ai_classify() чтобы обеспечить дальнейший анализ.

Извлечение сведений из проверок

Возможно, вы хотите улучшить описание продукта на основе причин, по которым клиенты имели свои отрицательные отзывы. Вы можете найти ключевые сведения из большого двоичного объекта текста с помощью ai_extract(). В следующем примере извлекается информация и классифицируется, если отрицательный обзор был основан на проблемах с изменением размера продукта:

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

Ниже приведен пример результатов.

Создание ответов с рекомендациями

После просмотра ответов клиента можно использовать функцию ai_gen() для создания ответа на клиент на основе жалобы и укрепления отношений с клиентами с помощью ответов на их отзывы.

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"

Ниже приведен пример результатов.

Дополнительные ресурсы

• Функции ИИ в Azure Databricks
• API модели Databricks Foundation