AI Functions på Azure Databricks
Viktigt!
Den här funktionen finns som allmänt tillgänglig förhandsversion.
Den här artikeln beskriver Azure Databricks AI Functions, inbyggda SQL-funktioner som gör att du kan använda AI på dina data direkt från SQL.
SQL är avgörande för dataanalys på grund av dess mångsidighet, effektivitet och utbredda användning. Enkelheten möjliggör snabb hämtning, manipulering och hantering av stora datamängder. Att införliva AI-funktioner i SQL för dataanalys förbättrar effektiviteten, vilket gör det möjligt för företag att snabbt extrahera insikter.
Integrering av AI i analysarbetsflöden ger åtkomst till information som tidigare inte var tillgänglig för analytiker och ger dem möjlighet att fatta mer välgrundade beslut, hantera risker och upprätthålla en konkurrensfördel genom datadriven innovation och effektivitet.
AI-funktioner med Databricks Foundation-modell-API:er
Kommentar
För Databricks Runtime 15.0 och senare stöds dessa funktioner i notebook-miljöer, inklusive Databricks-notebook-filer och arbetsflöden.
Dessa funktioner anropar en toppmodern generativ AI-modell från Databricks Foundation Model API:er för att utföra uppgifter som attitydanalys, klassificering och översättning. Se Analysera kundrecensioner med hjälp av AI Functions.
- ai_analyze_sentiment
- ai_classify
- ai_extract
- ai_fix_grammar
- ai_gen
- ai_mask
- ai_similarity
- ai_summarize
- ai_translate
ai_query
Kommentar
- För Databricks Runtime 14.2 och senare stöds den här funktionen i notebook-miljöer, inklusive Databricks-notebook-filer och arbetsflöden.
- För Databricks Runtime 14.1 och nedan stöds inte den här funktionen i notebook-miljöer, inklusive Databricks-notebook-filer.
Med ai_query()
funktionen kan du hantera dina maskininlärningsmodeller och stora språkmodeller med hjälp av Databricks Model Serving och köra frågor mot dem med hjälp av SQL. För att göra det anropar den här funktionen en befintlig Databricks-modell som betjänar slutpunkt och parsar och returnerar svaret. Du kan använda ai_query()
för att fråga efter slutpunkter som hanterar anpassade modeller, grundmodeller som görs tillgängliga med hjälp av Foundation Model-API:er och externa modeller.
Feedback
https://aka.ms/ContentUserFeedback.
Kommer snart: Under hela 2024 kommer vi att fasa ut GitHub-problem som feedbackmekanism för innehåll och ersätta det med ett nytt feedbacksystem. Mer information finns i:Skicka och visa feedback för