แชร์ผ่าน

ใช้ฟังก์ชัน AI (พรีวิว)

นําไปใช้กับ:✅ จุดสิ้นสุดการวิเคราะห์ SQL และ Warehouse ใน Microsoft Fabric

สำคัญ

คุณลักษณะนี้อยู่ใน แสดงตัวอย่าง

Fabric Data Warehouse และตําแหน่งข้อมูลการวิเคราะห์ SQL มีฟังก์ชัน AI ในตัวที่คุณสามารถใช้เพื่อวิเคราะห์ จําแนก สรุป และแปลงข้อความได้โดยตรงภายในคิวรี SQL เมื่อใช้ฟังก์ชันเหล่านี้ คุณสามารถดําเนินการประมวลผลข้อความขั้นสูงได้โดยไม่ต้องออกจากสภาพแวดล้อมข้อมูลของคุณ ในบทช่วยสอนนี้ คุณจะได้เรียนรู้วิธีใช้ฟังก์ชัน AI เพื่อแปลงข้อความ

ฟังก์ชัน จุดประสงค์ ตัวอย่างไวยากรณ์
ai_analyze_sentiment ตรวจหาความคิดเห็นของข้อความที่ป้อน ai_analyze_sentiment(<text>)
ai_classify จําแนกข้อความตามป้ายกํากับที่ให้มา ai_classify(<text>, <class1>, <class2>, ...)
ai_extract แยกเอนทิตีเป็นคุณสมบัติ JSON ai_extract(<text>, <class1>, <class2>, ...)
ai_summarize สรุปข้อความ ai_summarize(<text>)
ai_generate_response สร้างการตอบสนองตามข้อความแจ้ง ai_generate_response(<prompt>, <data>)
ai_translate แปลข้อความที่ป้อนเป็นภาษาเป้าหมายที่ระบุ ai_translate(<text>, <lang>)
ai_fix_grammar แก้ไขไวยากรณ์ในข้อความ ai_fix_grammar(<text>)

ฟังก์ชันเหล่านี้เรียก AI API ภายนอกเพื่อประมวลผลข้อความ ซึ่งอาจส่งผลต่อประสิทธิภาพของคิวรี เพื่อเพิ่มประสิทธิภาพ ให้หลีกเลี่ยงการใช้การแปลงข้อความซ้ําๆ ภายใน SELECT คิวรีในชุดข้อมูลเดียวกัน ให้คํานวณล่วงหน้าและทําให้ผลลัพธ์ของฟังก์ชัน AI เป็นคอลัมน์แยกต่างหากหรือในตารางการจัดเตรียมแทน

คำเตือน

ฟังก์ชันจะส่งคืน NULL หากโมเดล AI ไม่สามารถประมวลผลข้อความได้ สาเหตุทั่วไป ได้แก่

  • กฎ AI ที่มีความรับผิดชอบจะบล็อกเนื้อหาที่ไม่เหมาะสมในข้อความที่ป้อน
  • ข้อความที่ป้อนเกินขีดจํากัดโทเค็น รุ่นปัจจุบันรองรับข้อความสูงสุด 15 KB

ความเร็วในการประมวลผลโดยทั่วไปของฟังก์ชัน AI คือ 20-100 แถวต่อวินาที หากคุณพบว่าประสิทธิภาพการทํางานช้าลง ให้รายงานคิวรีที่มีปัญหาว่าเป็นปัญหา

ตรวจสอบ ข้อกําหนดเบื้องต้นของฟังก์ชัน AI สําหรับการเปิดใช้งานฟังก์ชัน AI ในพื้นที่ทํางานของคุณ ฟังก์ชัน AI สําหรับ Azure OpenAI Service พร้อมใช้งานในบางภูมิภาค

วิเคราะห์ความคิดเห็น

ฟังก์ชันจะai_analyze_sentiment(text)วิเคราะห์ความคิดเห็นจากอินพุตtextและส่งคืนค่าใดค่าหนึ่งต่อไปนี้: positive, negative, หรือ mixedneutral

ตัวอย่าง:

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

ผลลัพธ์ที่คาดหวัง:positive

จัดประเภทข้อความ

ฟังก์ชันจะ ai_classify(text, class1, class2, ...) จําแนกอินพุต text ออกเป็นหมวดหมู่ใดประเภทหนึ่งที่ให้มา

ตัวอย่าง:

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

ผลลัพธ์ที่คาดหวัง:dirt

แยกเอนทิตีออกจากข้อความ

ฟังก์ชันจะ ai_extract(text, class1, class2, ...) แยกเอนทิตีจากอินพุต text ตามคลาสที่ระบุ

ตัวอย่าง:

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

ผลลัพธ์ที่คาดหวัง:{"sentiment":"Negative","problem":"Dirty room"}

สร้างการตอบสนอง

ฟังก์ชันสร้างai_generate_response(prompt, data)การตอบสนองตามpromptที่กําหนดและไม่บังคับdata

ตัวอย่าง:

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

ผลลัพธ์ที่คาดหวัง: 'เราขออภัยอย่างจริงใจสําหรับความไม่สะดวกที่เกิดจากเสียงรบกวน และมุ่งมั่นที่จะปรับปรุงมาตรการป้องกันเสียงรบกวนของเรา'

สรุปข้อความ

ฟังก์ชันจะ ai_summarize(text) สรุปอินพุต text เป็นเวอร์ชันที่กระชับ

ตัวอย่าง:

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

ผลลัพธ์ที่คาดหวัง: "โรงแรมสะอาด พนักงานเป็นกันเอง"

แปลข้อความ

ฟังก์ชันจะ ai_translate(text, lang_code) แปล text เป็นภาษาที่ระบุโดยใช้ lang_code.

รหัสภาษาที่รองรับคือ de (เยอรมัน) en (อังกฤษ) fr (ฝรั่งเศส) it (อิตาลี) es (สเปน) el (กรีก) pl (โปแลนด์) sv (สวีเดน) fi (ฟินแลนด์) และ cs (เช็ก)

ตัวอย่าง:

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

ผลลัพธ์ที่คาดหวัง: 'Das Hotel สงคราม großartig'

แก้ไขไวยากรณ์

ai_fix_grammar(text)ฟังก์ชันจะแก้ไขไวยากรณ์ในการป้อนข้อมูลtext

ตัวอย่าง:

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

ผลลัพธ์ที่คาดหวัง: "ห้องพักสะอาด และพนักงานก็น่ารัก"

ตัวอย่าง

ตอบ นําเข้าข้อมูลและแปลงคอลัมน์ข้อความโดยใช้ฟังก์ชัน AI

ตัวอย่างนี้จะโหลดข้อมูลจากไฟล์ Lakehouse ลงใน hotel_reviews ตารางในคลังสินค้า เลือกจากไฟล์ในส่วน /Files จากนั้นใช้ฟังก์ชัน AI เพื่อเพิ่มข้อมูล:

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. อัปเดตคอลัมน์ข้อความโดยใช้ฟังก์ชัน AI

ตัวอย่างต่อไปนี้แก้ไขข้อผิดพลาดทางไวยากรณ์ใน reviews_text คอลัมน์:

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

ฟังก์ชัน AI อาจส่งคืนNULLหากเกิดข้อผิดพลาด ดังนั้นหลีกเลี่ยงการเขียนทับค่าที่มีอยู่ด้วยNULL

ใช้รูปแบบเพื่อ ISNULL(<ai function>, <original value>) รักษาข้อความต้นฉบับเมื่อฟังก์ชัน AI ไม่สามารถส่งคืนผลลัพธ์ได้

C. แยกค่าจากข้อความ

ในตัวอย่างนี้ ฟังก์ชันจะ ai_extract วิเคราะห์ข้อความรีวิวและส่งคืนออบเจ็กต์ JSON ที่มีคุณสมบัติ sentiment, time_reported, และ problem. จากนั้นฟังก์ชันจะ OPENJSON แยกวิเคราะห์ JSON นี้และแมปคุณสมบัติเหล่านี้เป็นคอลัมน์แยกต่างหากเพื่อให้การสืบค้นและวิเคราะห์ง่ายดาย

สคริปต์ตัวอย่างนี้จะแทรกค่าที่แยกออกมาเป็นคอลัมน์แยกต่างหากในตารางเป้าหมาย

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) );

ฟังก์ชันนี้ ai_extract ใช้กฎบริบทที่คลุมเครือเพื่อระบุและแยกหัวข้อออกจากข้อความโดยไม่ต้องแยกวิเคราะห์ด้วยตนเองหรือนิพจน์ทั่วไปที่ซับซ้อน วิธีการนี้ช่วยลดความยุ่งยากในการวิเคราะห์ข้อความโดยใช้ความเข้าใจเชิงความหมายที่ขับเคลื่อนด้วย AI แทนการจับคู่รูปแบบที่เข้มงวด ทําให้มีประสิทธิภาพมากขึ้นและปรับให้เข้ากับรูปแบบภาษาธรรมชาติ

เนื้อหาที่เกี่ยวข้อง

  • Last updated on