Select AI mejora la interacción de datos y permite a los desarrolladores crear aplicaciones basadas en IA directamente desde SQL, transformando las peticiones de datos en lenguaje natural en consultas SQL y respuestas de texto, permitiendo la interacción de chat con LLM, mejorando la precisión de la respuesta con los datos actuales mediante RAG y generando datos sintéticos.

Entre los casos de uso se incluyen:

• Generar SQL a partir de peticiones de datos de lenguaje natural

  Productividad de los desarrolladores: Select AI mejora significativamente la productividad de los desarrolladores al proporcionar consultas SQL "iniciales" rápidamente. Los desarrolladores pueden introducir peticiones de datos en lenguaje natural y Select AI genera SQL en función de las vistas y tablas de esquema de la base de datos. Esto reduce el tiempo y el esfuerzo necesarios para escribir consultas complejas desde cero, lo que permite a los desarrolladores centrarse en refinar y optimizar las consultas generadas para sus necesidades específicas.

  Consultas en lenguaje natural para usuarios finales: Select AI permite a los usuarios finales interactuar con las vistas y tablas de datos subyacentes de la aplicación mediante consultas en lenguaje natural. Esta funcionalidad permite a los usuarios sin experiencia en SQL hacer preguntas y recuperar datos directamente, lo que hace que el acceso a los datos sea más intuitivo y fácil de usar en relación con las capacidades del LLM que se utiliza y la calidad de los metadatos de esquema disponibles.

  Otras capacidades para la generación de SQL: las siguientes capacidades resaltadas también están soportadas para la generación de lenguaje natural a SQL:

  • Especificar esquema, tablas o vistas: Select AI permite especificar una lista de objetos que consta de esquema y, opcionalmente, tablas o vistas dentro de ese esquema.

  • Detección automática de metadatos de tabla relevantes: Seleccionar AI detecta automáticamente las tablas relevantes y envía metadatos solo para esas tablas específicas, relevantes para la consulta, en Oracle Database 23ai.

  • Restringir el acceso a tablas: Select AI permite restringir el acceso a tablas considerando solo las tablas enumeradas en los atributos de perfil de AI para la generación de SQL.
  • Especificar la distinción entre mayúsculas y minúsculas para las columnas: Select AI permite al usuario especificar la distinción entre mayúsculas y minúsculas de modo que el LLM produzca respuestas no sensibles a mayúsculas y minúsculas desde la base de datos y el LLM.

• Conversaciones

  Active las funciones similares a los bots conversacionales con Select AI, lo que permite a los usuarios tener conversaciones naturales para consultar datos y realizar acciones. Estos chats pueden realizar un seguimiento del contexto, dando respuestas de seguimiento que aclaren o amplíen las preguntas originales. Este escenario aumenta el compromiso y facilita las consultas complicadas a través de la conversación.

• Generación de medios personalizada

  La IA de selección se puede utilizar para generar contenido multimedia personalizado, como correos electrónicos adaptados a los detalles individuales del cliente. Por ejemplo, en su petición de datos, puede indicar al LLM que cree un correo electrónico amigable y optimista que aliente a un cliente a probar un conjunto de productos recomendados. Estas recomendaciones podrían basarse en los datos demográficos del cliente u otra información específica disponible en la base de datos. Este nivel de personalización mejora la interacción con el cliente al ofrecer contenido relevante y atractivo directamente al cliente.

• Generación de Código

  Con la acción Select AI chat, puede utilizar Select AI para solicitar al LLM especificado que genere código a partir de peticiones de datos de lenguaje natural. Esta función soporta varios lenguajes de programación, como SQL, Python, R y Java. Por ejemplo:

  • Código Python: "Escriba el código Python para calcular una matriz de confusión en DataFrame con columnas ACTUAL y PREDICTED".
  • DDL SQL: "Escriba el DDL de una tabla SQL con el nombre, la edad, los ingresos y el país de las columnas".
  • Consulta SQL: escriba la consulta SQL que utilizará el modelo en la base de datos de Oracle Machine Learning denominado CHURN_DT_MODEL para predecir qué clientes abandonarán y con qué probabilidad.

• Generación aumentada de recuperación (RAG)

  Utilice el contenido del almacén de vectores para la búsqueda de similitud semántica para mejorar la precisión y la relevancia de la petición de datos en las respuestas de LLM.

• Generación de datos sintéticos

  Genere datos sintéticos mediante LLM que cumplan con su esquema para pruebas de soluciones, pruebas de concepto y otros usos. Los datos sintéticos pueden soportar mejores pruebas de sus aplicaciones en ausencia de datos reales, lo que lleva a la calidad general de su aplicación.

  La generación de datos sintéticos también se puede utilizar para rellenar una clonación de Autonomous Database o una clonación de metadatos. Seleccionar AI admite la generación de datos sintéticos para dichos clones. El uso de datos sintéticos ayuda a proteger los datos confidenciales al tiempo que permite el desarrollo, las pruebas y la validación de las experiencias de usuario. También es útil para proyectos de IA y aprendizaje automático que necesitan datos de muestra para el entrenamiento de modelos o datos de prueba para la puntuación.