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 umzuwandeln, die Chatinteraktion mit LLMs zu unterstützen, die Reaktionsgenauigkeit mit aktuellen Daten mithilfe von RAG zu verbessern und synthetische Daten zu generieren.

Anwendungsfälle:

• SQL aus Prompts in natürlicher Sprache generieren

  Entwicklerproduktivität: Select AI steigert die Entwicklerproduktivität erheblich, indem SQL-Abfragen mit "Startern" schnell bereitgestellt werden. Entwickler können Eingabeaufforderungen in natürlicher Sprache eingeben, und Select AI generiert SQL basierend auf den Tabellen und Views Ihres Datenbankschemas. Dies reduziert den Zeit- und Arbeitsaufwand für das Schreiben komplexer Abfragen von Grund auf, sodass sich Entwickler auf die Verfeinerung und Optimierung der generierten Abfragen für ihre spezifischen Anforderungen konzentrieren können.

  Abfragen in natürlicher Sprache für Endbenutzer: Mit Select AI können Endbenutzer mithilfe von Abfragen in natürlicher Sprache mit den zugrunde liegenden Datentabellen und Views Ihrer Anwendung interagieren. Mit dieser Funktionalität können Benutzer ohne SQL-Kenntnisse Fragen stellen und Daten direkt abrufen. Dadurch wird der Datenzugriff im Vergleich zu den verwendeten LLM-Funktionen und der Qualität der verfügbaren Schemadaten intuitiver und benutzerfreundlicher.

  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 aus Tabellen oder Views innerhalb dieses Schemas besteht.

  • Relevante Tabellenmetadaten automatisch erkennen: Select AI erkennt automatisch relevante Tabellen und sendet Metadaten nur für die für die Abfrage relevanten spezifischen 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.
  • Groß-/Kleinschreibung für Spalten angeben: Mit AI kann der Benutzer die Groß-/Kleinschreibung so angeben, dass LLM Antworten ohne Berücksichtigung der Groß-/Kleinschreibung aus der Datenbank und LLM erzeugt.

• Gespräche

  Aktivieren Sie Chatbot-ähnliche Funktionen mit Select AI, sodass Benutzer natürliche Unterhaltungen zum Abfragen von Daten und Ausführen von Aktionen führen können. Diese Chats können den Kontext verfolgen und Follow-up-Antworten 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 optimistische E-Mail zu erstellen, die einen Kunden ermutigt, eine Reihe von empfohlenen Produkten auszuprobieren. Diese Empfehlungen können auf Kundendemografien oder anderen spezifischen Informationen basieren, die in Ihrer Datenbank verfügbar sind. Diese Anpassungsstufe verbessert die Kundenbindung, indem relevante und ansprechende Inhalte direkt an den Kunden bereitgestellt werden.

• Codegenerierung

  Mit der Aktion "AI chat auswählen" können Sie mit "AI auswählen" den angegebenen LLM 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 CHURN_DT_MODEL verwendet, um vorherzusagen, welche Kunden abwandern und mit welcher Wahrscheinlichkeit."

• Abruf der erweiterten Generation (RAG)

  Verwenden Sie Vektorspeicherinhalte für die semantische Ähnlichkeitssuche, um die Genauigkeit und Relevanz von LLM-Antworten zu verbessern.

• Synthetische Datengenerierung

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

  Die Generierung synthetischer Daten kann auch zum Auffüllen eines Autonomous Database-Klons oder eines Metadatenklons verwendet werden. 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 von Benutzererfahrungen. Es ist auch nützlich für KI- und ML-Projekte, die Beispieldaten für das Modelltraining oder Testdaten für die Bewertung benötigen.