KI-Anwendungsfälle auswählen

Select AI verbessert die Dateninteraktion und ermöglicht es Entwicklern, KI-gesteuerte Anwendungen direkt aus SQL zu erstellen, Eingabeaufforderungen in natürlicher Sprache in SQL-Abfragen und Textantworten zu transformieren, die Chatinteraktion mit LLMs zu unterstützen, die Reaktionsgenauigkeit mit aktuellen Daten mit RAG zu verbessern und synthetische Daten zu generieren.

Zu den Anwendungsfällen gehören:

• SQL aus Eingabeaufforderungen in natürlicher Sprache generieren

  Entwicklerproduktivität: Select AI verbessert die Entwicklerproduktivität erheblich, indem es schnell "starter" SQL-Abfragen bereitstellt. Entwickler können Eingabeaufforderungen in natürlicher Sprache eingeben. Select AI generiert SQL basierend auf den Tabellen und Views Ihres Datenbankschemas. Dies reduziert den Zeit- und Arbeitsaufwand, der erforderlich ist, um komplexe Abfragen von Grund auf neu zu erstellen, sodass sich Entwickler auf die Verfeinerung und Optimierung der generierten Abfragen für ihre spezifischen Anforderungen konzentrieren können.

  Abfragen in natürlicher Sprache für Endbenutzer: Mit der ausgewählten KI können Endbenutzer mithilfe von Abfragen in natürlicher Sprache mit den zugrunde liegenden Datentabellen und -ansichten Ihrer Anwendung interagieren. Diese Funktionalität ermöglicht es Benutzern ohne SQL-Kenntnisse, Fragen zu stellen und Daten direkt abzurufen. Dadurch wird der Datenzugriff intuitiver und benutzerfreundlicher in Bezug auf die Funktionen des verwendeten LLM und die Qualität der verfügbaren Schemametadaten.

  Weitere Funktionen für die SQL-Generierung: Die folgenden hervorgehobenen Funktionen werden auch für die Generierung von natürlicher Sprache in SQL unterstützt:

  • Schema oder Tabellen oder Views angeben: Mit Select AI können Sie eine Objektliste angeben, die aus Schema und optional Tabellen oder Views innerhalb dieses Schemas besteht.

  • Automatische Erkennung relevanter Tabellenmetadaten: Select AI erkennt automatisch relevante Tabellen und sendet Metadaten nur für die spezifischen, für die Abfrage relevanten Tabellen in Oracle Database 23ai.

  • Tabellenzugriff einschränken: Mit Select AI können Sie den Tabellenzugriff einschränken, indem Sie nur die Tabellen berücksichtigen, die in den AI-Profilattributen für die SQL-Generierung aufgeführt sind.
  • Geben Sie die Groß-/Kleinschreibung für Spalten an: Mit Select AI kann der Benutzer die Groß-/Kleinschreibung festlegen, sodass das LLM Antworten ohne Berücksichtigung der Groß-/Kleinschreibung aus der Datenbank und dem LLM erstellt.

• Unterhaltungen

  Aktivieren Sie Chatbot-ähnliche Funktionen mit Select AI, sodass Benutzer natürliche Unterhaltungen zum Abfragen von Daten und zum Ausführen von Aktionen führen können. Diese chats können den kontext verfolgen und nachfassantworten geben, die ursprüngliche fragen klären oder erweitern. Dieses Szenario steigert das Engagement und erleichtert komplizierte Abfragen durch Gespräche.

• Kundenspezifische Mediengenerierung

  Select AI kann verwendet werden, um personalisierte Medieninhalte wie E-Mails zu generieren, die auf individuelle Kundendetails zugeschnitten sind. Beispiel: In Ihrer Eingabeaufforderung können Sie das LLM anweisen, eine freundliche und optimierte E-Mail zu erstellen, in der ein Kunde aufgefordert wird, eine Reihe empfohlener Produkte auszuprobieren. Diese Empfehlungen können auf demografischen Daten des Kunden oder anderen spezifischen Informationen basieren, die in Ihrer Datenbank verfügbar sind. Diese Anpassungsebene verbessert die Kundenbindung, indem relevante und ansprechende Inhalte direkt an den Kunden übermittelt werden.

• Codegenerierung

  Mit der Aktion "AI auswählen chat" können Sie Select AI verwenden, um Ihr angegebenes LLM zu bitten, Code aus Eingabeaufforderungen in natürlicher Sprache zu generieren. Diese Funktion unterstützt verschiedene Programmiersprachen wie SQL, Python, R und Java. Beispiele:

  • Python-Code: "Schreiben Sie den Python-Code, um eine Verwechslungsmatrix über eine DataFrame mit den Spalten ACTUAL und PREDICTED zu berechnen."
  • SQL-DDL: "Schreiben Sie die DDL für eine SQL-Tabelle mit Spaltenname, Alter, Einkommen und Land."
  • SQL-Abfrage: "Schreiben Sie die SQL-Abfrage, die das datenbankinterne Oracle Machine Learning-Modell mit dem Namen CHURN_DT_MODEL verwendet, um vorherzusagen, welche Kunden abwandern und mit welcher Wahrscheinlichkeit."

• Retrieval Augmented Generation (RAG)

  Verwenden Sie Vektorspeicherinhalt für die semantische Ähnlichkeitssuche, um die Schnellgenauigkeit und Relevanz in LLM-Antworten zu verbessern.

• Synthetische Datengenerierung

  Generieren Sie synthetische Daten mit LLMs, die Ihrem Schema für Lösungstests, Proofs of Concept und andere Anwendungen entsprechen. Synthetische Daten können ein besseres Testen Ihrer Anwendungen ohne echte Daten unterstützen, was zur Gesamtqualität Ihrer Anwendung führt.

  Die synthetische Datengenerierung kann auch verwendet werden, um einen Autonomous Database-Klon oder einen Metadatenklon aufzufüllen. Select AI unterstützt die Generierung synthetischer Daten für solche Klone. Die Verwendung synthetischer Daten trägt zum Schutz sensibler Daten bei und ermöglicht gleichzeitig die Entwicklung, das Testen und die Validierung der Benutzererfahrung. Sie ist auch für KI- und ML-Projekte nützlich, die Beispieldaten für das Modelltraining oder Testdaten für die Bewertung benötigen.