Générer du code SQL à partir d'invites en langage naturel à l'aide de l'intelligence artificielle sélectionnée

Autonomous AI Database on Dedicated Exadata Infrastructure Select AI vous permet d'interroger vos données à l'aide du langage naturel.

La fonction Sélectionner l'IA permet à Autonomous AI Database d'utiliser l'IA générative avec de grands modèles de langage (LLM) pour convertir le texte d'entrée de l'utilisateur dans Oracle SQL. Sélectionnez AI pour traiter l'invite en langage naturel, ajouter les métadonnées à l'invite, puis générer et exécuter une interrogation SQL.

À propos de Select AI

Utilisez le langage naturel pour interagir avec votre base de données et vos LLM au moyen de SQL afin d'améliorer la productivité des utilisateurs et de développer des applications basées sur l'IA. Select AI simplifie et automatise l'utilisation de l'IA générative, que ce soit pour générer, exécuter et expliquer du SQL à partir d'une invite de langage naturel, à l'aide de la génération augmentée d'extraction avec des magasins vectoriels, la génération de données synthétiques ou le clavardage avec le LLM.

Lorsque vous utilisez Select AI, Autonomous AI Database gère le processus de conversion du langage naturel en SQL. Cela signifie que vous pouvez fournir une invite en langage naturel plutôt qu'un code SQL pour interagir avec vos données. Select AI sert d'outil de productivité pour les utilisateurs et les développeurs SQL et permet aux utilisateurs SQL non experts de tirer des informations utiles de leurs données, sans avoir à comprendre les structures de données ou les langages techniques.

Select AI automatise également le processus d'extraction de génération augmentée (RAG), de la génération d'intégrations vectorielles à l'extraction de contenu pertinent en fonction de votre invite au moyen d'une recherche de similarité sémantique à l'aide de votre magasin de vecteurs. D'autres fonctionnalités incluent la génération de données synthétiques, la prise en charge de l'historique de clavardage pour les conversations et d'autres fonctionnalités, le tout à partir d'une interface SQL.

L'ensemble DBMS_CLOUD_AI permet l'intégration à un LLM spécifié par l'utilisateur pour générer du code SQL à l'aide d'invites de langage naturel. Pour la génération du langage naturel vers SQL, ce package fournit une invite augmentée au LLM contenant les métadonnées de schéma de base de données pertinentes. Cela permet de générer, d'exécuter et d'expliquer des interrogations SQL en fonction des invites de langage naturel. Il facilite également la génération augmentée d'extraction à l'aide de magasins vectoriels, la génération de données synthétiques et permet le clavardage avec le LLM. L'ensemble DBMS_CLOUD_AI fonctionne avec les fournisseurs d'IA listés dans Sélectionner votre fournisseur d'IA et les LLM.

Note :

• Vous devez avoir un compte auprès du fournisseur d'IA et fournir les données d'identification au moyen des objets DBMS_CLOUD_AI que la base de données d'IA autonome utilise.
• Vous pouvez soumettre des invites dans plusieurs langues. La qualité du résultat dépend des capacités du LLM spécifique ou du modèle d'intégration (transformateur) utilisé. Vérifiez votre LLM ou la documentation du modèle d'intégration pour la prise en charge multilingue.

Plates-formes prises en charge

Select AI est pris en charge sur Autonomous AI Database Serverless et Autonomous AI Database sur une infrastructure Exadata dédiée et Cloud at Customers.

• Base de données Autonomous AI Database sans serveur

• Base de données Autonomous AI Database sur une infrastructure Exadata dédiée

• Base de données d'intelligence artificielle autonome sur une région d'infrastructure Exadata dédiée

• Base de données Autonomous AI Database Cloud@Customer

Terminologie connexe

Il est important de comprendre les différents termes utilisés avec Select AI avant de l'utiliser.

Les termes suivants sont liés à la fonction Sélectionner l'intelligence artificielle :

Terme	Définition
Conversations	Les conversations dans Select AI représentent un échange interactif entre l'utilisateur et le système, permettant aux utilisateurs d'interroger ou d'interagir avec la base de données au moyen d'une série d'invites en langage naturel. Select AI intègre des conversations à court terme basées sur la session pour générer des réponses contextuelles pour l'invite courante en fonction des interactions précédentes. Jusqu'à 10 invites précédentes sont intégrées à la demande courante avec des conversations à court terme, ce qui crée une invite augmentée envoyée au LLM. Select AI prend en charge l'utilisation de conversations personnalisables à long terme, ce qui vous permet d'utiliser Select AI avec différents sujets sans mélanger le contexte, qui peut être configuré au moyen des API de conversation de l'ensemble DBMS_CLOUD_AI. Pour plus de détails, voir Utiliser et personnaliser les conversations.
Données d'identification de la base de données	Les données d'identification de base de données sont des données d'identification d'authentification utilisées pour accéder aux bases de données et interagir avec elles. Ils se composent généralement d'un nom d'utilisateur et d'un mot de passe, parfois complétés par des facteurs d'authentification supplémentaires tels que des jetons de sécurité. Ces informations d'identification sont utilisées pour établir une connexion sécurisée entre une application ou un utilisateur et une base de données, en veillant à ce que seules les personnes ou systèmes autorisés puissent accéder aux données stockées dans la base et les manipuler.
Hallucination en LLM	Hallucination dans le contexte des grands modèles de langage fait référence à un phénomène où le modèle génère un texte incorrect, non sensé ou sans rapport avec l'invite d'entrée. Bien qu'ils soient le résultat de la tentative du modèle de générer un texte cohérent, ces exemples peuvent contenir des informations fabriquées, trompeuses ou purement imaginatives. L'hallucination peut survenir en raison de biais dans les données d'entraînement, d'un manque de compréhension du contexte ou de limites dans le processus d'entraînement du modèle.
GIA	Le service de gestion des identités et des accès (GIA) pour Oracle Cloud Infrastructure vous permet de configurer les droits d'accès aux ressources en nuage. Vous pouvez contrôler le type d'accès affecté à un groupe d'utilisateurs et les ressources concernées. Pour en savoir plus, voir Aperçu du service de gestion des identités et des accès.
Raffinement itératif	L'affinement itératif est un processus d'amélioration progressive d'une solution ou d'un modèle à travers des cycles répétés d'ajustements basés sur la rétroaction ou l'évaluation. Il commence par une approximation initiale, l'affine étape par étape et se poursuit jusqu'à ce que la précision ou le résultat souhaité soit atteint. Chaque itération s'appuie sur la précédente, en incorporant des corrections ou des optimisations pour se rapprocher de l'objectif. Lors de la génération d'un sommaire de texte, un affinement itératif peut être utile pour traiter des fichiers ou des documents volumineux. Le processus divise le texte en fragments de taille gérable, par exemple, qui correspondent aux limites de jetons d'un LLM, génère un sommaire pour un fragment, puis améliore le sommaire en incorporant séquentiellement les fragments suivants. Cas d'utilisation pour l'affinement itératif : Convient mieux pour les situations où la précision et la cohérence contextuelles sont essentielles, par exemple pour résumer des textes complexes ou hautement interconnectés où chaque partie s'appuie sur le précédent. Idéal pour les tâches à petite échelle où le traitement séquentiel est acceptable. Voir Techniques de résumé.
MapReduce	En général, le modèle de programmation MapReduce permet de traiter des données volumineuses en divisant les tâches en deux phases : Map et Reduce. Map : Traite les données d'entrée et les transforme en paires clé-valeur. Reduce : Agrége et résume les données mappées en fonction des clés. MapReduce effectue un traitement parallèle des jeux de données volumineux. Dans le cas de Select AI Summarize, MapReduce partitionne le texte en plusieurs fragments et les traite en parallèle et indépendamment, générant des sommaires individuels pour chaque fragment. Ces résumés sont ensuite combinés pour former un résumé global cohérent. Cas d'utilisation pour la réduction des mappages : Idéal pour les tâches parallèles à grande échelle où la vitesse et l'évolutivité sont des priorités, telles que la synthèse de très grands ensembles de données ou de documents. Idéal pour les situations où l'indépendance des fragments est acceptable, et les résumés peuvent être regroupés plus tard. Voir Techniques de résumé.
Métadonnées	Les métadonnées sont des données qui décrivent les données. Dans le cas de Select AI, les métadonnées sont des métadonnées de base de données, qui font référence aux données qui décrivent la structure, l'organisation et les propriétés des tables et des vues de base de données. Pour les tables et les vues de base de données, les métadonnées comprennent les noms et les types de colonne, les contraintes et les clés, les définitions de vue, les relations, le lignage, les indicateurs de qualité et de fraîcheur, les classifications de sécurité et les politiques d'accès. Des métadonnées bien gérées permettent la détection, l'utilisation correcte, le réglage des performances et la conformité. Sélectionnez AI augmente les invites NL2SQL avec les métadonnées de table qui incluent la définition de table (nom de table, noms de colonne et leurs types de données), et éventuellement les commentaires de table et de colonne, les annotations et les contraintes.
Enrichissement des métadonnées	La pratique consistant à augmenter les schémas de base de données avec des descriptions, des commentaires et des annotations de haute qualité afin qu'un LLM puisse mieux comprendre l'intention des tables et des colonnes, clarifier la signification métier et générer des instructions SQL plus précises. Il transforme les noms de table ou de colonne nus en ressources bien documentées avec une intention, des relations et des contraintes claires. Informations sur le candidat à inclure : Description des tables et des colonnes : objet, définitions d'affaires, unités et intervalles de valeurs autorisés Clés et relations : clés primaires/étrangères, chemins de jointure Sémantique des données : granularité temporelle, dimensions à modification lente, règles de déduplication Contraintes et qualité : nullité, unicité, règles de validation, fraîcheur des données Synonymes et alias : termes métier courants qui correspondent à des noms techniques Exemples et modèles : exemples de valeurs, filtres communs ou agrégations Voir Aperçu de l'enrichissement de l'IA pour en savoir plus sur l'ajout de telles métadonnées à l'aide d'Oracle SQL Developer for VS Code au moyen de Visual Studio Code.
Invites en langage naturel	Les invites du langage naturel sont des instructions lisible par un humain ou des demandes fournies pour guider les modèles d'IA générative, tels que les modèles de langage volumineux. Au lieu d'utiliser des langages de programmation ou des commandes spécifiques, les utilisateurs peuvent interagir avec ces modèles en entrant des invites dans un langage plus conversationnel ou naturel. Les modèles génèrent ensuite une sortie en fonction de l'invite fournie.
Liste de contrôle d'accès au réseau	Une liste de contrôle d'accès au réseau est un ensemble de règles ou d'autorisations qui définissent le trafic réseau autorisé à passer par un périphérique réseau, tel qu'un routeur, un pare-feu ou une passerelle. Les listes de contrôle d'accès sont utilisées pour contrôler et filtrer le trafic entrant et sortant en fonction de divers critères tels que les adresses IP, les numéros de port et les protocoles. Ils jouent un rôle crucial dans la sécurité du réseau en permettant aux administrateurs de gérer et de restreindre le trafic réseau afin d'éviter les accès non autorisés, les attaques potentielles et les violations de données.
Recherche de similarité	La recherche de similarité identifie et extrait les points de données qui correspondent étroitement à une interrogation donnée en comparant les vecteurs de fonction dans un magasin de vecteurs.
Distances vectorielles	Les distances vectorielles mesurent la similarité ou la dissimilarité entre les vecteurs caractéristiques en calculant la distance entre eux dans un espace multidimensionnel.
Index vectoriel	Un index vectoriel organise et stocke les vecteurs de fonction pour permettre une recherche et une extraction efficaces des données connexes.
Magasin de vecteurs	Un magasin de vecteurs comprend des systèmes qui stockent, gèrent et activent la recherche de similarité sémantique impliquant des intégrations de vecteurs. Cela inclut les bases de données vectorielles autonomes et la recherche de vecteurs IA dans Oracle Database 23ai.

Sélectionner des cas d'utilisation d'IA

Select AI améliore l'interaction des données et permet aux développeurs de créer des applications guidées par IA directement à partir de SQL, en transformant les invites de langage naturel en interrogations SQL et en réponses textuelles, en prenant en charge l'interaction par clavardage avec les LLM, en améliorant l'exactitude des réponses avec les données actuelles à l'aide de la RAG et en générant des données synthétiques.

Les cas d'utilisation sont les suivants :

• Générer des instructions SQL à partir d'invites de langage naturel

  Productivité des développeurs : Select AI améliore considérablement la productivité des développeurs en fournissant rapidement des requêtes SQL " plus rapides ". Les développeurs peuvent entrer des invites en langage naturel et Select AI génère du code SQL en fonction des tables et des vues de schéma de base de données. Cela réduit le temps et les efforts nécessaires pour écrire des requêtes complexes à partir de zéro, ce qui permet aux développeurs de se concentrer sur l'amélioration et l'optimisation des requêtes générées pour leurs besoins spécifiques.

  Interrogations en langage naturel pour les utilisateurs finaux : Select AI permet aux utilisateurs finaux d'interagir avec les tables et les vues de données sous-jacentes de votre application à l'aide d'interrogations en langage naturel. Cette fonctionnalité permet aux utilisateurs sans expertise SQL de poser des questions et d'extraire des données directement, ce qui rend l'accès aux données plus intuitif et plus convivial par rapport aux capacités du LLM utilisé et à la qualité des métadonnées de schéma disponibles.

  Autres fonctionnalités pour la génération SQL : Les fonctionnalités mises en évidence suivantes sont également prises en charge pour la génération du langage naturel vers le langage SQL :

  • Spécifier un schéma ou des tables ou des vues : Select AI vous permet de spécifier une liste d'objets composée de schémas et, facultativement, de tables ou de vues dans ce schéma.

  • Détecter automatiquement les métadonnées de table pertinentes : Sélectionnez AI pour détecter automatiquement les tables pertinentes et envoyer les métadonnées uniquement pour ces tables spécifiques, pertinentes pour l'interrogation, dans Oracle Database 26ai.

  • Restreindre l'accès aux tables : Sélectionnez AI pour limiter l'accès aux tables en ne prenant en compte que les tables répertoriées dans les attributs de profil AI pour la génération SQL.

  • Spécifier la sensibilité à la casse pour les colonnes : Select AI permet à l'utilisateur de spécifier la sensibilité à la casse afin que le LLM produise des réponses non sensibles à la casse à partir de la base de données et du LLM.

• Conversations

  Activez les fonctions de type agent conversationnel avec Select AI, ce qui permet aux utilisateurs d'avoir des conversations naturelles pour interroger les données et effectuer des actions. Ces discussions peuvent garder une trace du contexte, donnant des réponses de suivi qui clarifient ou étendent sur les questions originales. Ce scénario améliore l'engagement et facilite les requêtes complexes grâce à la conversation.

• Flux de travail agéntiques avec Select AI Agent

  Utilisez Select AI Agent pour coordonner les agents, les outils (SQL, RAG, Websearch, Notifications) et les tâches pour des scénarios en plusieurs étapes tels que l'extraction de données et les notifications. Pour en savoir plus, voir Créer des agents autonomes à l'aide de la sélection d'un agent d'intelligence artificielle.

• Génération multimédia personnalisée

  Select AI peut être utilisé pour générer du contenu multimédia personnalisé tel que des courriels adaptés aux détails individuels des clients. Par exemple, dans votre invite, vous pouvez demander au LLM de créer un courriel convivial et optimiste encourageant un client à essayer un jeu de produits recommandés. Ces recommandations peuvent être basées sur les données démographiques des clients ou d'autres informations spécifiques disponibles dans votre base de données. Ce niveau de personnalisation améliore l'engagement des clients en leur fournissant directement du contenu pertinent et attrayant.

• Génération de code

  Avec l'action Select AI chat, vous pouvez utiliser Select AI pour demander à votre LLM spécifié de générer du code à partir d'invites en langage naturel. Cette fonctionnalité prend en charge divers langages de programmation tels que SQL, Python, R et Java. Exemples :

  • Code Python : "Écrivez le code Python pour calculer une matrice de confusion sur un DataFrame avec des colonnes ACTUAL et PREDICTED."

  • DL SQL : "Écrivez le LDD pour une table SQL avec le nom, l'âge, les revenus et le pays des colonnes."

  • Interrogation SQL : "Écrivez l'interrogation SQL qui utilisera le modèle de base de données Oracle Machine Learning nommé CHURN_DT_MODEL pour prédire quels clients seront perdus et avec quelle probabilité."

• Génération augmentée d'extraction (RAG)

  Utiliser le contenu du magasin de vecteurs pour la recherche de similarité sémantique afin d'améliorer la précision et la pertinence des invites dans les réponses LLM.

• Génération de données synthétiques

  Générer des données synthétiques à l'aide de LLM qui sont conformes à votre schéma pour les tests de solution, les validations de concept et d'autres utilisations. Les données synthétiques peuvent prendre en charge un meilleur test de vos applications en l'absence de données réelles, ce qui entraîne une qualité globale de votre application.

Directives d'utilisation

Fournit des directives d'utilisation qui garantissent une utilisation efficace et appropriée des invites de langage naturel pour la génération SQL afin d'assurer une expérience utilisateur améliorée.

Utilisation prévue

Cette fonctionnalité est destinée à la génération et à l'exécution d'interrogations SQL résultant d'invites en langage naturel fournies par l'utilisateur. Il automatise ce qu'un utilisateur peut faire manuellement en fonction de ses métadonnées de schéma en combinaison avec un grand modèle de langage (LLM) de son choix.

Bien que n'importe quelle invite puisse être fournie, y compris celles qui ne sont pas liées à la production de résultats d'interrogation SQL, Select AI se concentre sur la génération d'interrogation SQL. Select AI permet de soumettre des demandes générales avec l'action chat.

Invite - Données d'augmentation

La base de données augmente l'invite spécifiée par l'utilisateur avec les métadonnées de la base de données pour atténuer les hallucinations du LLM. L'invite augmentée est ensuite envoyée au LLM spécifié par l'utilisateur pour produire l'interrogation.

La base de données augmente l'invite avec les métadonnées de schéma uniquement. Ces métadonnées peuvent inclure des définitions de schéma, des commentaires de table et de colonne et du contenu disponible dans le dictionnaire de données et le catalogue. Aux fins de génération SQL, la base de données ne fournit pas de contenu de table ou de vue (valeurs réelles de ligne ou de colonne) lors de l'augmentation de l'invite.

Toutefois, l'action narrate fournit le résultat de l'interrogation, qui peut contenir des données de base de données, au GML spécifié par l'utilisateur à partir duquel générer du texte en langage naturel décrivant les résultats de l'interrogation.

AVERTISSEMENT : Les grands modèles de langage (LLM) ont été entraînés sur un large éventail de documents et de contenus textuels, généralement sur Internet. Par conséquent, les LLM peuvent avoir incorporé des modèles de contenu invalide ou malveillant, y compris l'injection SQL. Ainsi, bien que les LLM soient en mesure de générer du contenu utile et pertinent, ils peuvent également générer des informations incorrectes et fausses, y compris des interrogations SQL qui produisent des résultats inexacts et/ou compromettent la sécurité de vos données. Les interrogations générées en votre nom par le fournisseur de GML spécifié par l'utilisateur seront exécutées dans votre base de données. Votre utilisation de cette fonction se fait à vos propres risques et, nonobstant toute autre condition relative aux services fournis par Oracle, constitue votre acceptation de ce risque et votre exclusion expresse de la responsabilité ou de la responsabilité d'Oracle pour tout dommage résultant de cette utilisation.

Sélectionnez votre fournisseur d'IA et vos LLM

Choisissez un fournisseur d'IA et un LLM qui répond à vos normes de sécurité et qui s'aligne sur vos besoins spécifiques, tels que la génération de texte ou de code.

Les différents LLM excellent dans diverses tâches en fonction de leurs données d'entraînement et de l'objectif prévu. Certains modèles sont excellents pour la génération de texte, mais peuvent ne pas fonctionner correctement dans la génération de code, tandis que d'autres sont spécifiquement optimisés pour les tâches de codage. Choisissez un LLM qui convient le mieux à vos besoins.

Fournisseur d'intelligence artificielle	GML	Modèle d'intégration pour la RAG	Objet
IA générative OCI	meta.llama-3.3-70b-instruct (par défaut) méta.llama-3.2-90b-vision-instruct méta.llama-3.2-11b-vision-instruct meta.llama-3.1-70b-instruct meta.llama-3.1-405b-instruct cohere.command-r-08-2024 cohere.command-r-plus-08-2024 cohere.command-r-16k (obsolète) cohere.command-r-plus (obsolète) xai.grok-3 xai.grok-3-rapide Voir : À propos des modèles de clavardage dans le service d'IA générative Plate-forme xAI pour l'IA générative pour OCI	cohere.embed-english-v3.0 (par défaut) cohere.embed-multilingual-v3.0 cohere.embed-english-light-v3.0 cohere.embed-multilingual-light-v3.0 Voir À propos de l'intégration de modèles dans le service d'intelligence artificielle générative.	Les modèles de clavardage du service d'intelligence artificielle générative pour OCI sont pris en charge pour toutes les actions SELECT AI, telles que runsql, showsql, explainsql, narrate et chat. Les modèles de génération de texte OCI ne sont pris en charge que pour l'action SELECT AI chat. Pour configurer vos attributs de profil, voir Attributs de profil.
Service Azure OpenAI	GPT-4o GPT-4 GPT-4 Turbo avec Vision GPT-3.5-Turbo	text-embedding-ada-002	Idéal pour générer du code SQL à partir des invites de langage naturel, de l'action chat et de la RAG Select AI.
OpenAI	gpt-3.5-turbo (par défaut) gpt-4o gpt-4o-mini gpt-4 gpt-4-0613 gpt-4-32k gpt-4-32k-0613 gpt-3.5-turbo-0613 gpt-3.5-turbo-16k gpt-3.5-turbo-16k-0613	text-embedding-ada-002	Idéal pour générer du code SQL à partir des invites de langage naturel, de l'action chat et de la RAG Select AI.
Compatible avec OpenAI	Modèles de fournisseurs compatibles OpenAI tels que : Feux d'artifice IA xAI Les autres	Intégration de modèles de fournisseurs OpenAI-compaitble. Par exemple, voir Modèles d'intégration de Fireworks AI.	Prend en charge un large éventail de cas d'utilisation.
Cohere	commande (par défaut) tous les jours (expérimental) commande-r commande-r-plus lumière de commande commande-lumière-nuit (expérimentale) modèles personnalisés	embarquer-english-v2.0	Idéal pour l'action chat.
Google	gemini-1.5-flash (par défaut) gemini-1.5-pro gemini-1.0-pro	text-embedding-004 (par défaut)	Idéal pour générer du code SQL à partir des invites de langage naturel, de l'action chat et de la RAG Select AI.
Anthropique	claude-3-5-sonnet-20240620 (par défaut) claude-3-opus-20240229 claude-3-sonnet-20240229 claude-3-haiku-20240307	S.O.	Idéal pour générer du code SQL à partir des invites de langage naturel, de l'action chat et de la RAG Select AI.
Hugging Face	Mixtral-8x7B-Instruct-v0.1 (par défaut) Meta-Llama-3-70B-Instruction Qwen1.5-1.8B autres modèles de clavardage	S.O.	Idéal pour générer du code SQL à partir des invites de langage naturel, de l'action chat et de la RAG Select AI.
AWS	Modèles de fondation Modèles personnalisés	amazon.titan-embed-text-v1 amazon.titan-embed-text-v2:0 cohere.embed-english-v3	Prend en charge un large éventail de cas d'utilisation.

Note :

• Spécifiez un fournisseur compatible OpenAI au moyen de provider_endpoint au lieu du paramètre provider. Voir Attributs de profil.

• Pour les modèles qui acceptent des images, utilisez meta.llama-3.2-90b-vision-instruct. Ce modèle est spécifiquement entraîné pour la vision et les images. Bien qu'il puisse être utilisé pour la génération de texte et SQL, le modèle convient mieux aux images. Pour en savoir plus, voir Clavarder avec le service d'intelligence artificielle générative pour OCI.

  Le modèle meta.llama-3.2-11b-vision-instruct offre des capacités multimodales robustes.

• Les modèles d'intégration sont également appelés modèles de transformateurs.

Configurer les profils d'IA à l'aide de DBMS_CLOUD_AI

Autonomous AI Database utilise des profils d'IA pour faciliter et configurer l'accès à un LLM et pour configurer la génération, l'exécution et l'explication des énoncés SQL en fonction des invites de langage naturel. Il facilite également la génération augmentée d'extraction à l'aide de modèles d'intégration et d'index vectoriels et permet de clavarder avec le LLM.

Les profils d'intelligence artificielle incluent les objets de base de données qui sont la cible des interrogations en langage naturel. Les métadonnées utilisées à partir de ces cibles peuvent inclure des noms de table de base de données, des noms de colonne, des types de données de colonne et des commentaires. Vous créez et configurez des profils d'IA à l'aide des procédures DBMS_CLOUD_AI.CREATE_PROFILE et DBMS_CLOUD_AI.SET_PROFILE.

Exigences pour DBMS_CLOUD_AI

Les éléments suivants sont requis pour exécuter DBMS_CLOUD_AI :

• Accès à un compte Oracle Cloud Infrastructure Cloud et à une instance Autonomous AI Database.

• Compte d'API payant pour un fournisseur d'IA pris en charge, l'un des suivants :

  • OpenAI :

    Pour permettre à OpenAI de générer du code SQL à partir d'invites en langage naturel, obtenez des clés d'API à partir de votre compte payant OpenAI.

    Vous pouvez trouver votre clé d'API secrète dans vos paramètres d'utilisateur.

  • Cohere :

    Pour permettre à Cohere de générer des instructions SQL à partir d'invites en langage naturel, obtenez des clés d'API à partir de votre compte payant Cohere.

    Cliquez sur Tableau de bord, puis sur Clés d'API dans la barre de navigation de gauche. Copiez la clé d'API par défaut ou créez une autre clé. Pour plus d'informations, voir Clés d'API.

  • Service Azure OpenAI :

    Pour permettre au service Azure OpenAI de générer du code SQL à partir d'invites en langage naturel, configurez et fournissez l'accès au fournisseur d'IA.

    Pour utiliser le service Azure OpenAI, procédez comme suit :

    1. Obtenez vos clés d'API de clé secrète. Vous pouvez trouver vos clés d'API dans la section Resource Management de votre portail Azure. Dans la page Ressource de service Azure OpenAI, cliquez sur Clés et point d'extrémité. Vous pouvez copier KEY1 ou KEY2.

    2. Créez une ressource de service Azure OpenAI et déployez un modèle : Créer et déployer une ressource de service Azure OpenAI.

       Conseil :

       • Notez le nom de la ressource et le nom du déploiement, car ces paramètres sont utilisés pour fournir une autorisation d'accès au réseau et pour créer votre profil de service Azure OpenAI à l'aide de la procédure DBMS_CLOUD_AI.CREATE_PROFILE.

       • Pour en savoir plus sur les limites de débit pour le jeton par minute dans un modèle, voir Quotas et limites du service Azure OpenAI.

    3. Autoriser l'accès au service Azure OpenAI :

       • Vous pouvez utiliser votre clé d'API secrète pour autoriser l'accès au service Azure OpenAI. Pour en savoir plus, voir l'exemple sous Exemples d'utilisation de Select AI.

  • Service d'intelligence artificielle générative pour OCI :

    Voir Comment générer la clé de signature d'API.

  • Google :

    Pour permettre à Google AI Studio de générer des réponses SQL et textuelles à vos invites en langage naturel, obtenez des clés d'API à partir de votre compte payant Google AI Studio.

    1. Allez à Google AI Studio.

    2. Cliquez sur Se connecter à Google AI Studio.

    3. Cliquez sur Get API key dans l'écran d'invite.

    4. Sélectionnez toutes les options applicables dans la page suivante.

    5. Cliquez sur Create API key.

    6. Cliquez sur Create API key in new project.

       L'écran affiche la progression et génère une clé d'API. Copiez la clé et enregistrez-la.

  • Anthropique :

    Pour permettre à Anthropic Developer Console de générer des réponses SQL et textuelles à vos invites en langage naturel, obtenez des clés d'API à partir de votre compte payant Anthropic Developer Console.

    1. Allez à Anthropic Developer Console.

    2. Inscrivez-vous pour un compte si vous n'en avez pas déjà un.

    3. Une fois connecté, naviguez jusqu'à la section API ou au tableau de bord.

    4. Recherchez une option pour générer ou voir des clés d'API.

    5. Cliquez pour créer une nouvelle clé d'API.

    6. Copiez la clé d'API générée et enregistrez-la.

       L'API Claude est un service payant. Vous devrez ajouter des crédits à votre compte avant de pouvoir utiliser la clé d'API.

  • Hugging Face :

    Pour permettre à Hugging Face en tant que fournisseur d'IA de générer des réponses SQL et textuelles à vos invites en langage naturel, obtenez des clés d'API à partir de votre compte payant Hugging Face.

    1. Allez à Hugging Face.

    2. Inscrivez-vous pour un compte si vous n'en avez pas déjà un.

    3. Naviguez jusqu'aux paramètres de votre compte.

    4. Dans le menu de navigation, localisez les jetons d'accès.

    5. Cliquez pour créer une nouvelle clé d'API.

    6. Copiez la clé d'API générée et enregistrez-la.

  • AWS :

    Pour activer AWS, obtenez votre clé d'API et votre ID modèle.

    Obtenez votre clé d'API et utilisez-la pour créer des données d'identification au moyen de DBMS_CLOUD.CREATE_CREDENTIAL.

    Procédez de la façon suivante pour obtenir votre clé d'API et le nom du modèle :

    1. Inscrivez-vous à un compte AWS si vous n'en avez pas déjà un.

    2. Créez vos clés d'accès et clés secrètes à partir de la console AWS Bedrock.

    3. Copiez les clés générées et enregistrez-les.

    4. Demander l'accès à leurs modèles de base. Voir Accéder aux modèles de fondation Amazon Bedrock.

    5. Obtenez l'ID modèle. Vous avez besoin de l'ID modèle dans la procédure DBMS_CLOUD_AI.CREATE_PROFILE. Le code de modèle dépend des ressources que vous utilisez. Si vous utilisez :

       • un modèle de base, spécifiez l'ID modèle ou son ARN (Amazon Resource Names). Pour obtenir la liste des ID modèles pour les modèles de base, voir ID modèles de base Amazon Bedrock.

       • un profil d'inférence, indiquez le profil d'inférence ou son numéro ARN. Pour obtenir la liste des ID de profil d'inférence, voir Régions et modèles pris en charge pour l'inférence inter-région.

       • un modèle provisionné, spécifiez l'ARN du débit provisionné. Pour plus d'informations, voir Exécuter l'inférence à l'aide d'un débit provisionné.

       • un modèle personnalisé, achetez le débit provisionné pour celui-ci. Spécifiez ensuite l'ARN du modèle provisionné résultant. Pour plus d'informations, voir Utiliser un modèle personnalisé dans Amazon Bedrock.

       • un modèle Amazon Bedrock Marketplace, spécifiez l'ID ou l'ARN du point d'extrémité du marché des applications que vous avez créé, voir Amazon Bedrock Marketplace.

       Note : Le modèle importé n'est pas pris en charge par l'API Bedrock Converse.

       Pour utiliser AWS comme fournisseur, voir Exemple : Sélectionner l'IA avec AWS.

• Privilèges de liste de contrôle d'accès réseau pour accéder à votre fournisseur d'IA externe.

  Note : La liste de contrôle d'accès de réseau ne s'applique pas à l'IA générative d'OCI.

• Données d'identification qui donnent accès au fournisseur d'intelligence artificielle.

Pour configurer DBMS_CLOUD_AI :

1. Accordez le privilège EXECUTE sur l'ensemble DBMS_CLOUD_AI à l'utilisateur qui souhaite utiliser Select AI.

   Par défaut, seul l'utilisateur ADMIN dispose du privilège EXECUTE. L'utilisateur ADMIN peut accorder le privilège EXECUTE à d'autres utilisateurs.

   L'exemple suivant accorde le privilège EXECUTE à ADB_USER :

    grant execute on DBMS_CLOUD_AI to ADB_USER;
   

   L'exemple suivant accorde à ADB_USER le privilège d'utiliser le point d'extrémité api.openai.com.

    BEGIN
        DBMS_NETWORK_ACL_ADMIN.APPEND_HOST_ACE(
             host => 'api.openai.com',
             ace  => xs$ace_type(privilege_list => xs$name_list('http'),
                                 principal_name => 'ADB_USER',
                                 principal_type => xs_acl.ptype_db)
       );
    END;
    /
   

2. Accorder l'accès à la liste de contrôle d'accès réseau à l'utilisateur qui souhaite utiliser Select AI et au point d'extrémité du fournisseur d'IA.

   L'utilisateur ADMIN peut accorder l'accès à la liste de contrôle d'accès réseau. Pour plus d'informations, voir Procédure APPEND_HOST_ACE dans Informations de référence sur les ensembles et les types PL/SQL pour Oracle Database 19c ou Informations de référence sur les ensembles et les types PL/SQL pour Oracle Database 26ai.

3. Créez des données d'identification pour permettre l'accès à votre fournisseur d'intelligence artificielle.

   Pour plus d'informations, voir Procédure CREATE_CREDENTIAL.

   Voici un exemple de création de données d'identification pour permettre l'accès à OpenAI.

    EXEC DBMS_CLOUD.CREATE_CREDENTIAL('OPENAI_CRED', 'OPENAI', '*your_api_token`');
   

Paramètres de fonction APPEND_HOST_ACE

Paramètre	Description
host	L'hôte, qui peut être le nom ou l'adresse IP de l'hôte. Vous pouvez utiliser un caractère générique pour spécifier un domaine ou un sous-réseau IP. L'hôte ou le nom de domaine n'est pas sensible à la casse. Pour OpenAI, utilisez api.openai.com. Pour Cohere, utilisez api.cohere.ai. Pour le service Azure OpenAI, utilisez <azure_resource_name>.openai.azure.com. Voir Attributs de profil pour en savoir plus sur azure_resource_name. Pour Google, utilisez generativelanguage.googleapis.com. Pour Anthropic, utilisez api.anthropic.com. Pour Hugging Face, utilisez api-inference.huggingface.co.
ace	Les entrées de contrôle d'accès (ACE). Le type XS$ACE_TYPE est fourni pour construire chaque entrée ACE pour la liste de contrôle d'accès. Pour plus de détails, voir Création de listes de contrôle d'accès et de candidatures exceptionnelles dans Oracle Database 19c Real Application Security Administrator's and Developer's Guide ou Oracle Database 26ai Real Application Security Administrator's and Developer's Guide.

Paramètres DBMS_CLOUD.CREATE_CREDENTIAL

Paramètre	Description
credential_name	Nom des données d'identification à stocker. Le paramètre credential_name doit être conforme aux conventions d'attribution de nom aux objets Oracle, qui n'autorisent pas les espaces ni les traits d'union.
username	Les arguments username et password spécifient ensemble les données d'identification de votre fournisseur d'intelligence artificielle. username est un nom d'utilisateur spécifié par l'utilisateur.
password	Les arguments username et password spécifient ensemble les données d'identification de votre fournisseur d'intelligence artificielle. password est la clé d'API secrète de votre fournisseur d'intelligence artificielle et dépend du fournisseur, c'est-à-dire OpenAI, Cohere, Azure OpenAI Service, OCI, Google, Anthropic ou Hugging Face. Voir pour plus de détails.

Créer et définir un profil d'intelligence artificielle

Décrit les étapes de création et d'activation d'un profil d'intelligence artificielle.

Utilisez DBMS_CLOUD_AI.CREATE_PROFILE pour créer un profil d'intelligence artificielle. Démarrez ensuite DBMS_CLOUD_AI.SET_PROFILE pour activer le profil IA afin que vous puissiez utiliser SELECT AI avec une invite en langage naturel.

Note : Vous devez exécuter DBMS_CLOUD_AI.SET_PROFILE dans chaque nouvelle session de base de données (connexion) avant d'utiliser SELECT AI.

L'exemple suivant avec le fournisseur OpenAI crée un profil AI nommé OPENAI et définit le profil OPENAI pour la session d'utilisateur courante.

-- Create AI profile
--
SQL> BEGIN
  DBMS_CLOUD_AI.create_profile(
      'OPENAI',
      '{"provider": "openai",
        "credential_name": "OPENAI_CRED",
        "object_list": [{"owner": "SH", "name": "customers"},
                        {"owner": "SH", "name": "sales"},
                        {"owner": "SH", "name": "products"},
                        {"owner": "SH", "name": "countries"}]
       }');
END;
/

--
-- Enable AI profile in current session
--
EXEC DBMS_CLOUD_AI.set_profile('OPENAI');

Utiliser le mot clé AI pour entrer des invites

Utilisez AI comme mot clé dans un énoncé SELECT pour interagir avec la base de données à l'aide d'invites en langage naturel.

Le mot clé AI dans un énoncé SELECT indique au moteur d'exécution SQL d'utiliser le LLM identifié dans le profil d'IA actif pour traiter le langage naturel et générer du SQL.

Vous pouvez utiliser le mot clé AI dans une interrogation avec des clients Oracle tels que SQL Developer, des carnets OML et des outils de tierce partie pour interagir avec une base de données en langage naturel.

Note : Vous ne pouvez pas exécuter d'énoncés PL/SQL, d'énoncés LDD ou d'énoncés LMD à l'aide du mot clé AI.

Syntaxe

La syntaxe d'exécution de l'invite d'intelligence artificielle est la suivante :

SELECT AI `action` `natural_language_prompt`

Paramètres

Les paramètres disponibles pour le paramètre action sont les suivants :

Paramètre	Description
runsql	Exécutez la commande SQL fournie à l'aide d'une invite de langage naturel. Il s'agit de l'action par défaut et il est facultatif de spécifier ce paramètre.
showsql	Affiche l'instruction SQL pour une invite en langage naturel.
narrate	La sortie de l'invite est expliquée en langage naturel. Cette option envoie le résultat SQL au fournisseur d'IA pour produire un résumé en langage naturel.
chat	Génère une réponse directement à partir du GML en fonction de l'invite. Si conversation dans la fonction DBMS_CLOUD_AI.CREATE_PROFILE est réglé à true, cette option inclut le contenu d'interactions ou d'invites précédentes, y compris éventuellement les métadonnées de schéma.
explainsql	Le code SQL généré à partir de l'invite est expliqué en langage naturel. Cette option envoie le code SQL généré au fournisseur d'IA pour produire une explication en langage naturel.

Notes d'utilisation

• La sélection AI n'est pas prise en charge dans Database Actions ou le service APEX. Vous ne pouvez utiliser que la fonction DBMS_CLOUD_AI.GENERATE.

• Le mot clé AI n'est pris en charge que dans un énoncé SELECT.

• Vous ne pouvez pas exécuter d'énoncés PL/SQL, d'énoncés LDD ou d'énoncés LMD à l'aide du mot clé AI.

• La séquence est SELECT suivie de AI. Ces mots clés ne sont pas sensibles à la casse. Une fois DBMS_CLOUD_AI.SET_PROFILE configuré, le texte suivant SELECT AI est une invite en langage naturel. Si aucun profil d'intelligence artificielle n'est défini, SELECT AI signale l'erreur suivante :

  ORA-00923: FROM keyword not found where expected
  00923. 00000 -  "FROM keyword not found where expected"
  

• Les règles d'utilisation de caractères spéciaux s'appliquent conformément aux directives d'Oracle. Par exemple, utilisez des guillemets simples deux fois si vous utilisez une apostrophe dans une phrase.

  select ai how many customers in SF don't own their own home
  

• Les LLM sont soumis à des hallucinations et les résultats ne sont pas toujours corrects :

  • Il est possible que SELECT AI ne puisse pas exécuter le SQL généré pour une invite de langage naturel spécifique.

  • Il est possible que SELECT AI ne puisse pas générer de code SQL pour une invite de langage naturel spécifique.

  Dans un tel scénario, SELECT AI répond avec des informations pour vous aider à générer un énoncé SQL valide.

• Utilisez l'action chat, avec SELECT AI chat, pour en savoir plus sur les constructions SQL. Pour de meilleurs résultats avec l'action chat, utilisez des vues de base de données ou des tables avec des noms de colonne contextuels ou envisagez d'ajouter des commentaires de colonne expliquant les valeurs stockées dans les colonnes.

• Pour accéder aux vues DBA ou USER, voir Vues DBMS_CLOUD_AI.

Utiliser et personnaliser les conversations

Les conversations dans Select AI font référence au dialogue interactif entre l'utilisateur et le système, où une séquence d'invites en langage naturel fournies par l'utilisateur est stockée et gérée pour prendre en charge la mémoire à long terme pour les interactions LLM.

Select AI prend en charge les conversations à court terme basées sur une session, qui sont activées dans le profil AI, ainsi que les conversations nommées à long terme, qui sont activées à l'aide de procédures ou de fonctions spécifiques et d'ID conversation.

Note : La prise en charge de la sélection des conversations intelligentes est disponible dans Oracle Database 19c à partir de la version 19.30 et dans Oracle Database 26ai à partir de la version 23.26.1.

Types de conversation

Select AI prend en charge les conversations à court terme basées sur la session et les conversations personnalisables.

Conversations à court terme basées sur la session : Sélectionnez l'intelligence artificielle pour inclure des conversations à court terme basées sur une session afin de générer des réponses contextuelles pour l'invite courante en fonction des interactions précédentes.

Vous pouvez l'activer en réglant l'attribut conversation à true|false dans votre profil d'intelligence artificielle. Contrairement à la fonction de conversation multiple, les conversations basées sur une session stockent les invites uniquement pour la durée de la session. Les invites sont stockées dans une table temporaire, supprimées automatiquement à la fin de la session et ne peuvent pas être réutilisées ni permutées entre les conversations.

Conversations à long terme personnalisables : Sélectionnez l'intelligence artificielle pour la création et l'utilisation de conversations personnalisables, ce qui vous permet d'utiliser l'intelligence artificielle sélectionnée avec différents sujets sans mélanger de contexte, ce qui améliore à la fois la flexibilité et l'efficacité. Vous pouvez créer, définir, supprimer et mettre à jour des conversations au moyen des procédures et fonctions de conversation DBMS_CLOUD_AI. Lorsque vous activez les conversations, Select AI extrait l'historique des invites et les envoie au LLM pour générer une réponse pour l'invite courante. Ces réponses sont stockées dans une table persistante pour une utilisation ultérieure.

Note : Les conversations d'intelligence artificielle sélectionnées prennent en charge les actions suivantes : runsql, showsql, explainsql, narrate et chat.

Comment utiliser des conversations personnalisables

Vous pouvez utiliser Select AI pour des conversations personnalisables de l'une des façons suivantes :

• Définissez l'ID conversation dans la session à l'aide de la procédure DBMS_CLOUD_AI.SET_CONVERSATION_ID et exécutez SELECT AI <ACTION> <PROMPT>.

• Transmettez conversation_id dans l'argument params de la fonction DBMS_CLOUD_AI.GENERATE.

Note : Si vous utilisez à la fois plusieurs conversations et le paramètre conversation: [true|false], le système ignore le paramètre conversation.

Dans le contexte de la génération d'interrogations SQL (NL2SQL), les conversations permettent d'utiliser vos données de manière plus intuitive et plus accessible, ce qui permet aux utilisateurs d'extraire plus facilement des informations et d'effectuer des tâches sans avoir besoin d'une connaissance technique approfondie de SQL. Les conversations peuvent également être utilisées avec les fonctionnalités de clavardage et de RAG de Select AI.

Par exemple, les conversations fournissent un moyen intuitif d'analyser les données :

• Poser une question comme "Quel est le nombre total de clients"

• Effectuez un suivi avec des questions contextuelles telles que :

  • "déclencher le nombre de clients par pays"

  • " Quel groupe d'âge est le plus fréquent "

  • "Conserver les 5 meilleurs clients et leur pays par leurs achats et inclure un rang dans le résultat"

Pour activer les conversations, voir Exemple : Activer les conversations dans Sélectionner l'intelligence artificielle pour un exemple complet.

Conversations basées sur une session par rapport aux conversations personnalisables

Le tableau suivant compare la conversation basée sur une session et les conversations personnalisables dans Select AI :

Questions	Conversations à court terme basées sur une session	Conversations à long terme personnalisables
Quand dois-je utiliser?	Idéal pour les clavardages temporaires rapides où vous voulez que le modèle se souvienne des questions et réponses récentes au cours d'une seule session. C'est utile lorsque vous n'avez pas besoin d'enregistrer ou de réutiliser la conversation plus tard.	Conçu pour des conversations plus longues ou continues pouvant couvrir plusieurs sessions. Elle est utile lorsque vous souhaitez suivre, réviser ou gérer l'historique de conversation, ou lorsque différentes parties d'une application doivent accéder au même contexte de conversation au fil du temps.
Comment puis-je l'activer?	Définissez {"conversation": true or false} dans votre profil d'intelligence artificielle.	Utilisez la procédure DBMS_CLOUD_AI.SET_CONVERSATION_ID ou la procédure DBMS_CLOUD_AI.GENERATE
Combien de conversations sont autorisées?	Une.	Vous pouvez créer plusieurs conversations. Si vous précisez explicitement des codes de conversation, vous pouvez les remplacer pour associer des invites aux conversations appropriées, au besoin.
Où sont stockées les invites et pour combien de temps?	Les invites sont stockées dans une table temporaire et supprimées à la fin de la session.	Les invites sont stockées dans une table permanente. Les invites sont conservées dans la base de données pendant le nombre de jours spécifié par le paramètre retention_days dans la procédure DBMS_CLOUD_AI.CREATE_CONVERSATION. Après la période de conservation, la conversation et ses invites sont automatiquement supprimées. Vous pouvez également supprimer manuellement des invites à l'aide de la procédure DBMS_CLOUD_AI.DELETE_CONVERSATION_PROMPT.
Combien d'invites sont stockées et combien d'invites sont envoyées au GML?	Un maximum de 10 invites sont stockées et envoyées au GML. Vous ne pouvez pas personnaliser cette limite.	Toutes les invites sont stockées. Par défaut, le système envoie les 10 invites les plus récentes au LLM. Vous pouvez personnaliser cela à l'aide du paramètre conversation_length. Voir Attributs CREATE_CONVERSATION.
Puis-je supprimer des invites individuelles?	Non, vous ne pouvez pas supprimer manuellement des valeurs valides individuelles.	Vous pouvez supprimer des invites individuelles spécifiques à l'aide de l'ID invite spécifié dans la vue USER_CLOUD_AI_CONVERSATION_PROMPTS et à l'aide de la procédure DBMS_CLOUD_AI.DELETE_CONVERSATION_PROMPT.
Les profils d'IA sont-ils utilisés pour extraire des conversations?	Oui, Select AI extrait les invites et les réponses précédemment générées à l'aide du même profil IA.	Non, Select AI assure le suivi du profil d'IA utilisé lors du stockage des invites et des réponses, mais ne limite pas leur extraction en fonction de ce profil. Il envoie tous les historiques de conversation au LLM pour guider la génération de réponses, quel que soit le profil utilisé pour les générer.
Où puis-je vérifier l'historique des invites?	Les invites sont enregistrées dans une table temporaire sous CLOUD USER mais ne sont pas accessibles pour l'interrogation.	Vous pouvez interroger et consulter des conversations et des invites au moyen des vues de conversation DBMS_CLOUD_AI. Voir Vues DBMS_CLOUD_AI pour plus de détails.

Fournir des commentaires pour améliorer les LLM

Select AI vous permet de fournir une rétroaction pour aider à améliorer la capacité de votre LLM sélectionné à générer des interrogations SQL plus précises.

Note : Cette fonction est disponible uniquement sur Oracle Database 23ai. Vous pouvez l'utiliser avec les actions Select AI existantes : runsql, showsql et explainsql. Assurez-vous que votre profil d'IA est configuré pour la génération NL2SQL et non pour la RAG.

Vous pouvez fournir une rétroaction pour améliorer la précision de l'énoncé SQL généré au moyen de l'action feedback ou de la procédure DBMS_CLOUD_AI.FEEDBACK. Sélectionnez AI pour créer un index vectoriel par défaut nommé <profile_name>_FEEDBACK_VECINDEX avec les attributs par défaut lorsque vous utilisez la fonction de rétroaction pour la première fois. Cet index permet d'affiner les énoncés SQL générés ultérieurement en fonction de la rétroaction fournie. Pour plus d'informations, voir Index vectoriel pour FEEDBACK.

Conseil : Utilisez la procédure DBMS_CLOUD_AI.FEEDBACK lorsque le grand modèle de langage spécifié ne génère pas l'interrogation SQL correcte ou ne retourne pas le résultat attendu à partir de l'une des actions NL2SQL SELECT AI. Vous pouvez également utiliser la procédure DBMS_CLOUD_AI.FEEDBACK pour ajouter le code SQL correct directement à la table vectorielle. Cela aide à guider la génération future d'instructions SQL en servant de référence pour des invites similaires.

Les types de rétroaction suivants sont acceptés :

• Rétroaction positive : Vous approuvez et confirmez l'exactitude du code SQL généré. Le système stocke l'interrogation confirmée pour référence ultérieure.

• Rétroaction négative : Si les résultats de votre action NL2SQL SELECT AI ne parviennent pas à générer le SQL correct, vous pouvez fournir les améliorations d'interrogation SQL nécessaires à l'aide de SELECT AI feedback <feedback> ou à l'aide de la procédure DBMS_CLOUD_AI.FEEDBACK en identifiant les erreurs dans l'interrogation ou en fournissant des conseils sur ce qui était attendu dans la prose. Le système affine l'interrogation à l'aide d'un LLM et stocke la version affinée pour la génération future d'interrogation Select AI. Les interrogations raffinées stockées sont ensuite utilisées comme conseils et envoyées au LLM dans le cadre de l'invite augmentée.

Avantages de l'utilisation de la rétroaction

L'action et la procédure de rétroaction de Select AI introduisent un mécanisme de réglage rapide qui améliore la précision de la génération des requêtes SQL.

Le responsable du profil d'intelligence artificielle peut fournir une rétroaction pour les interrogations SQL générées et le système Sélectionner l'intelligence artificielle apprend à partir de l'interaction de l'utilisateur au fil du temps. Cet apprentissage consiste à rassembler un référentiel d'invites et de contenu de rétroaction dans lequel la recherche vectorielle est utilisée pour identifier les invites similaires à l'invite courante. Les principaux exemples de correspondance sont fournis en tant que métadonnées pour le LLM dans le cadre de l'invite augmentée. Voici les avantages :

• Permet d'améliorer la précision des interrogations SQL.

• Permet au responsable du profil d'intelligence artificielle de fournir une rétroaction en confirmant les interrogations correctes ou en suggérant des corrections en fournissant l'intention sémantique ou les définitions d'affaires pour produire une interrogation correcte.

• Utilise la rétroaction historique comme conseil pour la génération d'interrogations futures, ce qui vous permet de vous adapter à vos besoins.

Comment fournir des commentaires

Sélectionnez AI pour fournir une rétroaction à l'aide de l'action feedback ou en appelant la procédure DBMS_CLOUD_AI.FEEDBACK.

Attention : N'utilisez pas l'action de rétroaction dans les applications où plusieurs utilisateurs partagent des sessions de base de données avec un seul utilisateur de base de données propriétaire du profil d'intelligence artificielle. Le responsable du profil IA ne doit fournir une rétroaction qu'après avoir confirmé que l'interrogation corrigée est appropriée pour tous les utilisateurs de ce profil.

Vous pouvez fournir une rétroaction en incluant les éléments suivants :

• SQL_TEXT : Incluez la rétroaction entre guillemets pour votre interrogation SQL courante ou vous pouvez obtenir SQL_TEXT pour une interrogation particulière en interrogeant la vue V$MAPPED_SQL.

• SQL_ID : Vous pouvez obtenir SQL_ID en interrogeant la vue V$MAPPED_SQL.

• Utiliser le dernier SQL généré : Fournissez vos commentaires en langage naturel.

Note : Pour utiliser le dernier SQL, veillez à désactiver la sortie du serveur dans Oracle SQL*Plus ou Oracle SQLcl. Vous devez disposer du privilège READ sur les tables sys.v_$session et v_$mapped_sql.

  GRANT READ ON SYS.V_$MAPPED_SQL TO ADB_USER;
  GRANT READ ON SYS.V_$SESSION TO ADB_USER;

Voir Procédure FEEDBACK et Exemple : Sélectionner une rétroaction par intelligence artificielle pour en savoir plus.

Interroger des données de graphique avec des graphiques de propriétés

Sélectionnez AI pour générer une interrogation de graphique de propriétés (PGQ) dans les graphiques de propriétés Oracle en utilisant le langage naturel. Il permet aux utilisateurs d'interroger les données de graphique au moyen de l'opérateur GRAPH_TABLE avec une connaissance SQL minimale.

Select AI étend son langage naturel à la capacité SQL (NL2SQL) pour créer des graphiques vous permettant d'interroger des graphiques de propriétés SQL à l'aide du langage naturel. Sélectionnez AI pour appliquer l'opérateur GRAPH_TABLE afin d'interpréter les relations et les attributs dans les données structurées en graphique. Il génère des interrogations de graphique SQL ou PGQ en fonction des objets de données définis dans le profil IA. Lorsqu'un graphique de propriétés est inclus dans le profil d'IA, Select AI utilise l'IA générative pour créer une interrogation PGQ qui référence le graphique au moyen de l'opérateur GRAPH_TABLE. Le GML reçoit automatiquement les métadonnées de l'objet de graphique telles que les énoncés CREATE PROPERTY GRAPH pour générer des interrogations précises. Lorsqu'une table, une vue ou un objet relationnel est spécifié, Select AI génère une interrogation SQL. Cette fonction simplifie les interrogations de correspondance de modèles sur les données de graphique stockées dans Oracle AI Database et réduit la dépendance à la création manuelle d'interrogations SQL.

Lorsque vous créez un profil d'IA avec un ou plusieurs graphiques de propriété définis dans l'attribut object_list, le GML défini dans le profil d'IA interprète les invites à l'aide du contexte des graphiques de propriété spécifiés. Select AI crée une invite augmentée qui inclut :

• Instructions pour construire des requêtes PGQ.

• Métadonnées décrivant les graphiques de propriétés fournis (à partir de leurs énoncés CREATE PROPERTY GRAPH).

Cette invite augmentée est envoyée au LLM. Sélectionnez AI pour exécuter l'interrogation et retourner les résultats. Si un graphique de propriétés est spécifié avec d'autres types d'objet tels que des tables, des schémas ou des vues dans le profil IA, Select AI génère une erreur.

SQL vs PGQ

Avec Sélectionner l'intelligence artificielle, le type d'interrogation généré dépend des objets définis dans l'attribut object_list de votre profil d'intelligence artificielle.

• Interrogation SQL : utilise des données relationnelles telles que des schémas, des tables ou des vues.

• Interrogation PGQ : utilise des graphiques de propriétés et applique l'opérateur GRAPH_TABLE pour la mise en correspondance de modèle.

Pour plus de détails, voir Graphique de propriétés SQL et Interrogations SQL GRAPH.

Avantages de l'utilisation de Select AI sur les graphiques de propriétés

Les utilisateurs de base de données peuvent interroger les graphiques de propriétés à l'aide de Select AI pour générer des interrogations de graphique à partir du langage naturel, ce qui réduit le travail manuel et améliore la compréhension des relations entre les graphiques.

Les principaux avantages sont les suivants :

• NL2SQL : La fonction NL2SQL de sélection de l'intelligence artificielle s'étend désormais aux interrogations de graphique permettant aux utilisateurs d'écrire des invites de langage naturel telles que "Rechercher les clients qui ont acheté une robe".

• SQL ou PGQ : Selon l'objet de données, Select AI génère automatiquement une interrogation SQL ou PGQ.

• Productivité : Réduit le temps et les efforts nécessaires pour créer des interrogations de graphique à l'aide de l'opérateur GRAPH_TABLE.

• Conversations : Conserve le contexte de conversation et interroge un graphique de propriétés.

Limitations

Select AI for Property Graphs ne prend pas en charge les fonctions suivantes :

• Génération de données synthétiques

• Combinaison de graphiques de propriétés avec d'autres types d'objet dans le profil IA

• Interrogations non prises en charge et intermittentes. Pour plus de détails, voir Exemple : Exemples d'invites pour les graphiques de propriétés.

Comment utiliser Select AI sur les graphiques de propriétés

Sélectionnez IA pour explorer les données de graphique à l'aide de la fonction DBMS_CLOUD_AI.GENERATE ou à l'aide de Select AI <action> <prompt>.

Après avoir défini des graphiques de propriétés dans l'attribut object_list de votre profil d'intelligence artificielle, vous pouvez utiliser :

• SELECT AI <ACTION> <PROMPT> dans la ligne de commande SQL pour générer une sortie.

• DBMS_CLOUD_AI.GENERATE fonction et fournissez votre invite dans la fonction.

Les actions prises en charge sont les suivantes : runsql, showsql, explainsql, narrate et showpropmt. Select AI for Property Graph prend également en charge les conversations à court terme basées sur la session et les conversations à long terme personnalisables.

Pour en savoir plus, voir Exemple : Sélectionner l'intelligence artificielle pour les graphiques de propriétés et Exemple : Exemples d'invites pour les graphiques de propriétés.

Générer un sommaire avec Select AI

Select AI vous permet de générer un résumé de votre texte, en particulier des textes volumineux, prenant généralement en charge jusqu'à 1 Go à l'aide de fournisseurs d'IA. Vous pouvez extraire des informations clés à partir de textes ou de fichiers volumineux en fonction de vos besoins spécifiques. Cette fonction utilise le LLM spécifié dans votre profil d'IA pour générer un sommaire pour un texte donné.

Sélectionnez l'intelligence artificielle pour résumer votre contenu des façons suivantes :

• Utilisez summarize pour sélectionner l'intelligence artificielle action. Voir Utiliser des mots clés d'IA pour entrer des invites et Exemple : Sélectionner des actions d'IA pour en savoir plus.

• Utilisez la fonction DBMS_CLOUD_AI.SUMMARIZE pour spécifier des personnalisations telles que la longueur du sommaire, le format, le niveau d'extraction pour un sommaire, etc. avec des paramètres de récapitulation. Voir Exemple : Sélectionner le sommaire de l'intelligence artificielle pour en savoir plus.

• Utilisez la fonction DBMS_CLOUD_AI.GENERATE avec l'action summarize. Voir Fonction GENERATE pour en savoir plus.

Note :

• Sélectionnez le résumé de l'IA pour Autonomous Database 19c et Autonomous AI Database 26ai.
• Sélectionnez le résumé de l'intelligence artificielle qui prend en charge le contenu jusqu'à 1 Go.
• Formats de fichier pris en charge : Les fichiers doivent être encodés en UTF-8.
  • Pour Autonomous AI Database 26ai : Select AI prend en charge un plus large éventail de formats de fichier. Pour plus de détails, voir Formats de document pris en charge par Oracle Text.
  • Pour Autonomous Database 19c : Select AI ne prend en charge que les fichiers texte. Le contenu doit être en texte brut et Select AI ne prend pas en charge `json`, `html`, `docx` ou `pdf`.

Techniques de récapitulation

Vous pouvez résumer un document volumineux en entrant le texte intégral comme invite pour le LLM. Toutefois, comme les LLM ont des limites de jeton, Select AI applique différentes techniques pour résumer des documents volumineux.

Select AI utilise l'affinement itératif et MapReduce comme techniques de récapitulation. Pour plus de détails, voir Terminologie connexe.

En fonction de la taille de jeton maximale d'un LLM donné, Select AI peut diviser un contenu volumineux en fragments plus petits et plus faciles à gérer qui correspondent aux limites du LLM. Sélectionnez AI pour ensuite utiliser la technique d'affinement itératif ou de réduction de mappage pour générer le sommaire. Sélectionnez AI qui utilise MapReduce comme paramètre par défaut. Voir Fonction SUMMARIZE et Paramètres SUMMARIZE pour plus de détails.

Traduire le texte avec Sélectionner l'intelligence artificielle

Avec Select AI, vous pouvez utiliser l'IA générative à partir du service de traduction OCI pour traduire votre texte dans la langue de votre choix.

Vous pouvez utiliser cette fonction avec la RAG Select AI existante. Vous pouvez combiner translate à DBMS_CLOUD_AI.GENERATE ou narrate pour utiliser l'IA générative pour produire des sorties traduites dans votre langue préférée.

Voir Fonction TRANSLATE, Fonction GENERATE et Exemple : Sélectionner une traduction IA pour en savoir plus.

Avantages de l'utilisation de la traduction

La fonction de traduction de Select AI vous permet de traduire du texte d'entrée dans différentes langues pour les avantages suivants :

• Translate améliore la convivialité en convertissant le texte dans votre langue préférée, ce qui vous permet de travailler avec la base de données plus efficacement.

• Translate vous permet de convertir des documents dans une seule langue dans une langue qui peut être mieux adaptée à votre modèle d'intégration sélectionné, produisant de meilleurs vecteurs à utiliser avec la RAG.

• Convertissez automatiquement la sortie dans votre langue préférée lors de l'utilisation de DBMS_CLOUD_AI.GENERATE ou NARRATE.

Comment utiliser Traduire

Sélectionnez IA pour traduire votre entrée de texte dans votre langue préférée à l'aide de l'action translate ou en appelant les fonctions DBMS_CLOUD_AI.GENERATE ou DBMS_CLOUD_AI.TRANSLATE.

Pour utiliser la fonction Sélectionner la traduction de l'intelligence artificielle, vous devez disposer des autorisations de politique IAM appropriées pour accéder aux services Oracle Cloud Infrastructure Language.

Accordez l'autorisation d'utiliser la ressource ai-service-language-family dans votre politique IAM. Voici un exemple d'énoncé de politique pour accorder l'autorisation à un groupe d'utilisateurs dans un compartiment spécifique :

allow group <your group name> to use ai-service-language-family in compartment <your_compartment>

• Si vous utilisez des données d'identification de principal de ressource, affectez l'autorisation au groupe dynamique.

• Si vous utilisez des données d'identification à clé privée, affectez l'autorisation au groupe d'utilisateurs.

Un groupe dynamique identifie les ressources telles que les bases de données ou les fonctions en mettant en correspondance leurs OCID ou marqueurs, tandis qu'un groupe d'utilisateurs contient des utilisateurs IAM individuels.

Utilisez un groupe dynamique lorsque la politique s'applique aux ressources OCI et un groupe d'utilisateurs lorsque la politique s'applique aux utilisateurs humains. Pour des étapes détaillées pour créer des groupes dynamiques et d'utilisateurs, voir Gestion des groupes dynamiques.

Pour plus d'informations, voir Politiques linguistiques.

Vous pouvez traduire du texte à l'aide des éléments suivants :

• Utilisez translate comme action Sélectionner l'intelligence artificielle. Utilisez select ai translate <text>. Voir Exemple : Sélectionner des actions d'intelligence artificielle.

• Indiquez translate comme action dans la fonction DBMS_CLOUD_AI.GENERATE. Voir Fonction GENERATE.

• Utilisez la fonction DBMS_CLOUD_AI.TRANSLATE. Voir Fonction TRANSLATE.

  Voir aussi Exemple : Sélectionner la traduction de l'intelligence artificielle pour en savoir plus.

Sélectionner l'intelligence artificielle pour Python

Select AI for Python intègre des capacités d'IA générative dans les flux de travail de base de données d'IA autonome. Select AI for Python fournit une bibliothèque client, select_ai, qui vous permet d'utiliser les capacités DBMS_CLOUD_AI dans Autonomous AI Database à partir de Python. Select AI for Python prend en charge les flux de travail améliorés d'IA générative, la récapitulation, les mécanismes de rétroaction, la gestion cohérente des métadonnées et les capacités d'IA agéntique. Il prend également en charge Python 3.14 et comprend un site de documentation HTML mis à jour (Nouveau)

Actions possibles

• Se connecter à la base de données à l'aide de connexions synchrones ou asynchrones

• Créer et gérer des profils d'IA pour permettre l'utilisation des modèles d'IA d'un large éventail de fournisseurs d'IA

• Utiliser le langage naturel pour interroger votre base de données au moyen de la génération SQL basée sur l'IA

• décrire les résultats des interrogations en langage naturel

• Créer et gérer des conversations avec un historique des invites

• Créer et mettre à jour facilement des index vectoriels à utiliser avec les flux de travail intégrés et automatisés de génération augmentée de récupération (RAG)

• Générer des données synthétiques pour les tests et les analyses à l'aide de l'IA générative

• Résumer le texte ou les résultats d'interrogation

• Enregistrer et gérer la rétroaction du modèle

Plates-formes prises en charge

Select AI for Python est certifié pour Autonomous Database 19c et Autonomous AI Database 26ai. Select AI for Python peut fonctionner sur d'autres plates-formes, mais il n'est pas certifié.

Cliquez sur https://github.com/oracle/python-select-ai/issues pour signaler des problèmes.

Note : L'option Sélectionner un agent d'intelligence artificielle pour Python n'est pas disponible dans une base de données d'intelligence artificielle autonome sur une infrastructure Exadata dédiée.

Fonctions prises en charge pour sélectionner un profil d'intelligence artificielle (synchrone et asynchrone)

Lorsque vous envoyez des invites au moyen d'un profil, vous pouvez choisir parmi plusieurs fonctions définies pour les objets de profil IA. Certains sont les suivants :

• create() : Créez le profil d'intelligence artificielle dans la base de données ou remplacez-le si nécessaire.

• delete() : Supprimez le profil.

• generate() : Utilisez le profil pour traiter une invite conformément à l'action sélectionnée.

• generate_synthetic_data() : Créer des données synthétiques basées sur les attributs fournis.

• get_attributes() : Retourne les attributs de profil courants.

• run_sql() : Générer et exécuter du code SQL (par défaut).

• show_sql() : Générer un énoncé SQL sans l'exécuter.

• explain_sql() : Fournissez une explication pour le code SQL généré.

• narrate() : Décrire les résultats de l'interrogation en langage naturel.

• chat() : S'engager dans une conversation à structure libre.

• show_prompt() : Affiche l'invite construite envoyée au modèle d'IA générative.

• summarize() : Produire un sommaire pour le contenu fourni.

• add_positive_feedback(), add_negative_feedback(), delete_feedback() : Gérer les commentaires des utilisateurs associés aux interrogations générées.

Pour obtenir la liste complète des fonctions, voir le guide Sélectionner l'intelligence artificielle pour Python. Voir aussi Utiliser le mot clé IA pour entrer des invites pour plus d'informations sur les actions Sélectionner l'IA.

Classes prises en charge

La bibliothèque comprend des classes pour gérer les fournisseurs, les profils, les conversations, les index vectoriels et les données synthétiques. Les versions synchrone et asynchrone sont disponibles.

• Classes de fournisseur : Définissez le fournisseur d'intelligence artificielle : OpenAIProvider, AzureProvider, OCIGenAIProvider, AWSProvider, GoogleProvider, AnthropicProvider, CohereProvider, HuggingFaceProvider.

• Profile : Définit le profil d'IA générative pour traiter les invites (fournisseur, données d'identification, métadonnées, options) et prend en charge la génération de données synthétiques.

• ProfileAttributes : Détails de configuration de profil tels que le fournisseur, le nom des données d'identification, le nombre maximal de jetons, la température, la liste d'objets ou l'index vectoriel.

• ConversationAttributes : Gérer le contexte conversationnel entre les invites.

• VectorIndex et VectorIndexAttributes : Créer et gérer des index vectoriels pour la RAG.

• SyntheticDataAttributes : Créer des jeux de données synthétiques pour les tests et le développement.

Des équivalents asynchrones existent pour les classes Profile, Conversation et VectorIndex.

Pour des informations de référence complètes sur les API, voir le guide Sélectionner l'intelligence artificielle pour Python.

Améliorations apportées à la mise à jour des API et des attributs

Les améliorations suivantes sont disponibles :

• Tous les objets mandataires prennent désormais en charge fetch() pour extraire les objets existants.

• Tous les objets mandataires fournissent set_attribute() et set_attributes() pour des mises à jour cohérentes

Privilège et accès HTTP

La gestion des privilèges est distincte de la configuration d'accès HTTP.

API de privilèges :

• select_ai.grant_privileges

• select_ai.revoke_privileges

Les privilèges sont mis à jour pour inclure les éléments suivants :

• DBMS_CLOUD

• DBMS_CLOUD_AI

• DBMS_CLOUD_PIPELINE

API d'accès HTTP :

• select_ai.grant_http_access

• select_ai.revoke_http_access

Autres améliorations

• Prise en charge de Python 3.14

• Nouveau site de documentation HTML sur GitHub à l'aide du thème docs Python : Documentation sur Select AI for Python sur GitHub

Exemples d'utilisation de Select AI

Explorez l'intégration de Select AI d'Oracle avec divers fournisseurs d'IA pris en charge pour générer, exécuter et expliquer les énoncés SQL à partir des invites de langage naturel ou clavarder avec le LLM.

Exemple : Sélectionner des actions d'intelligence artificielle

L'exemple suivant illustre des actions telles que runsql (valeur par défaut), showsql, narrate, chat, explainsql, feedback et summarize que vous pouvez effectuer avec SELECT AI. Ces exemples utilisent le schéma sh avec le fournisseur d'intelligence artificielle et les attributs de profil spécifiés dans la fonction DBMS_CLOUD_AI.CREATE_PROFILE. Utilisez les actions Sélectionner l'IA après avoir défini votre profil d'IA à l'aide de la procédure DBMS_CLOUD_AI.SET_PROFILE dans la session courante.

Pour générer un sommaire de votre texte, utilisez SELECT AI SUMMARIZE <TEXT>.

select ai how many customers exist;

CUSTOMER_COUNT
--------------
         55500

select ai showsql how many customers exist;

RESPONSE
----------------------------------------------------
SELECT COUNT(*) AS total_customers
FROM SH.CUSTOMERS

select ai narrate how many customers exist;

RESPONSE
------------------------------------------------------
There are a total of 55,500 customers in the database.

SQL> select ai chat how many customers exist;

RESPONSE
--------------------------------------------------------------------------------
It is impossible to determine the exact number of customers that exist as it constantly changes due to various factors such as population growth, new businesses, and customer turnover. Additionally, the term "customer" can refer to individuals, businesses, or organizations, making it difficult to provide a specific number.

SQL> select ai explainsql how many customers in San Francisco are married;

RESPONSE
--------------------------------------------------------------------------------
SELECT COUNT(*) AS customer_count
FROM SH.CUSTOMERS AS c
WHERE c.CUST_STATE_PROVINCE = 'San Francisco' AND c.CUST_MARITAL_STATUS = 'Married';

Explanation:
- We use the 'SH' table alias for the 'CUSTOMERS' table for better readability.
- The query uses the 'COUNT(*)' function to count the number of rows that match the given conditions.
- The 'WHERE' clause is used to filter the results:
  - 'c.CUST_STATE_PROVINCE = 'San Francisco'' filters customers who have 'San Francisco' as their state or province.
  - 'c.CUST_MARITAL_STATUS = 'Married'' filters customers who have 'Married' as their marital status.
The result of this query will give you the count of customers in San Francisco who are married, using the column alias 'customer_count' for the result.

Remember to adjust the table and column names based on your actual schema if they differ from the example.

Feel free to ask if you have more questions related to SQL or database in general.

-- Feedback on SQL Text
-- Negative feedback example:
select ai feedback for query "select ai showsql how many watch histories in total", please use sum instead of count;
-- Positive feedback example:
select ai feedback for query "select ai showsql how many watch histories in total", the sql query generated is correct;

-- Feedback on SQL ID
-- Negative feedback example:
select ai feedback please use sum instead of count for sql_id  1v1z68ra6r9zf;
-- Positive feedback example:
select ai feedback sql query result is correct for sql_id  1v1z68ra6r9zf;

-- If not specified, use default LASTAI SQL
-- To use default LASTAI sql, make sure that set server output off;
-- Negative feedback example:
select ai feedback please use ascending sorting for ranking;
-- Positive feedback example:
select ai feedback the result is correct;

SELECT AI SUMMARIZE

Like countless other people around the globe, I stream music, and like more than six hundred million of them I mainly use Spotify. Streaming currently accounts for about eighty per cent of the American recording industry's revenue, and in recent years Spotify's health is often consulted as a measure for the health of the music business over all. Last spring, the International
Federation of the Phonographic Industry reported global revenues of $28.6 billion, making for the ninth straight year of growth. All of this was unimaginable in the two-thousands, when the major record labels appeared poorly equipped to deal with piracy and the so-called death of physical media.
On the consumer side, the story looks even rosier. Adjusted for inflation, a 

... (skipped 1000 rows in the middle)

Pelly writes of some artists, in search of viral fame, who surreptitiously use social media to effectively beta test melodies and motifs, basically putting together songs via crowdsourcing. Artists have always fretted about the pressure to conform, but the data-driven, music-as-content era feels different. "You are a Spotify employee at that point," Daniel Lopatin, who makes abstract electronic music as Oneohtrix Point Never, told Pelly. "If your art practice is so ingrained in the brutal reality that Spotify has outlined for all of us, then what is the music that you're not making? What does the music you're not making sound like?" Listeners might wonder something similar.
What does the music we're not hearing sound like?;

RESPONSE
------------------------------------------------------------------------------
The music streaming industry, led by Spotify, has revolutionized the way people consume music, with streaming accounting for 80% of the American recording industry's revenue. However, this shift has also complicated the lives of artists, who struggle to survive in a hyper-abundant present where music is often valued for its convenience rather than its artistic merit.
Spotify's algorithms prioritize popularity and profitability over artistic diversity, leading to a homogenization of music and a devaluation of the labor that goes into creating it. Meanwhile, the company's executives reap enormous profits, with CEO Daniel Ek's net worth rivaling that of the wealthiest musicians. As music critic Liz Pelly argues, the streaming economy raises important questions about autonomy, creativity, and the value of art in a world where everything is readily available and easily accessible.

Exemple : Sélectionnez AI avec AWS

Cet exemple montre comment utiliser AWS pour générer, exécuter et expliquer des instructions SQL à partir d'invites de langage naturel ou de clavardage à l'aide des modèles disponibles avec AWS.

L'exemple suivant montre comment utiliser AWS comme fournisseur d'IA avec Amazon Bedrock et ses modèles de base. L'exemple montre comment créer des informations d'identification AWS, fournir un accès réseau, créer un profil d'IA et utiliser des actions Select AI pour générer des requêtes SQL à partir d'invites en langage naturel et clavarder à l'aide des modèles AWS Foundation.

Pour utiliser AWS, obtenez la clé d'accès, les clés secrètes et l'ID modèle. Voir Instructions spécifiques à AWS dans Configurer les profils d'IA à l'aide de DBMS_CLOUD_AI. Utilisez l'ID modèle comme attribut model dans la procédure DBMS_CLOUD_AI.CREATE_PROFILE. Vous devez spécifier l'attribut model explicitement, car aucun modèle par défaut n'est fourni.

--Grant EXECUTE privilege to ADB_USER
GRANT EXECUTE on DBMS_CLOUD_AI to ADB_USER;

--
-- Create Credential for AI provider
--
BEGIN
      DBMS_CLOUD.CREATE_CREDENTIAL(
        credential_name => 'AWS_CRED',
        username    => '<your_AWS_access_key>',
        password    => '<your_AWS_secret_key>'
      );
END;
/

--
-- Grant Network ACL for AWS
--
BEGIN
      DBMS_NETWORK_ACL_ADMIN.APPEND_HOST_ACE(
        host => 'bedrock-runtime.us-east-1.amazonaws.com',
        ace  => xs$ace_type(privilege_list => xs$name_list('http'),
                    principal_name => 'ADB_USER',
                    principal_type => xs_acl.ptype_db)
       );
END;
/

--
-- Create AI profile
--
BEGIN
      DBMS_CLOUD_AI.CREATE_PROFILE(
        profile_name =>'AWS',
        attributes   =>'{"provider": "aws",
          "credential_name": "AWS_CRED",
          "object_list": [{"owner": "SH", "name": "customers"},
                        {"owner": "SH", "name": "countries"},
                        {"owner": "SH", "name": "supplementary_demographics"},
                        {"owner": "SH", "name": "profits"},
                        {"owner": "SH", "name": "promotions"},
                        {"owner": "SH", "name": "products"}],
           "model" : "anthropic.claude-v2",
           "conversation" : "true"
          }');
END;
/

--
-- Enable AI profile in current session
--
EXEC DBMS_CLOUD_AI.SET_PROFILE('AWS');

--
-- Use AI
--

SELECT AI how many customers exist;
"RESPONSE"
"COUNT(*)"
55500

SELECT AI how many customers in San Francisco are married;
"RESPONSE"
"COUNT(*)"
46

SELECT AI showsql how many customers in San Francisco are married;
"RESPONSE"
"SELECT COUNT(*) AS "Number of Married Customers in San Francisco"
FROM "SH"."CUSTOMERS" C
WHERE UPPER(C."CUST_CITY") = UPPER('San Francisco')
AND UPPER(C."CUST_MARITAL_STATUS") = UPPER('Married')"

SELECT AI explainsql how many customers in San Francisco are married;

"RESPONSE""SELECT
COUNT(*) AS "Number of Married Customers in San Francisco"
FROM "SH"."CUSTOMERS" C
WHERE C."CUST_CITY" = 'San Francisco'
AND C."CUST_MARITAL_STATUS" = 'Married'

Explanation:
- Used table alias C for CUSTOMERS table 
- Used easy to read column names like CUST_CITY, CUST_MARITAL_STATUS
- Enclosed table name, schema name and column names in double quotes
- Compared string values in WHERE clause without UPPER() since the values are not in double quotes
- Counted number of rows satisfying the condition and aliased the count as "Number of Married Customers in San Francisco""

SELECT AI narrate what are the top 3 customers in San Francisco;
"RESPONSE"
The top 3 customers in San Francisco ordered by credit limit in descending order are:

1. Bert Katz
2. Madallyn Ladd
3. Henrietta Snodgrass

SELECT AI chat what is Autonomous AI Database;
"RESPONSE"
"An Autonomous AI Database is a cloud database service provided by Oracle Corporation. Some key features of Oracle Autonomous AI Database include:

- Fully automated and self-driving - The database automatically upgrades, patches, tunes, and backs itself up without any human intervention required.

- Self-securing - The database uses machine learning to detect threats and automatically apply security updates.

- Self-repairing - The database monitors itself and automatically recovers from failures and errors without downtime.

- Self-scaling - The database automatically scales compute and storage resources up and down as needed to meet workload demands.

- Serverless - The database is accessed as a cloud service without having to manually provision any servers or infrastructure.

- High performance - The database uses Oracle's advanced automation and machine learning to continuously tune itself for high performance.

- Multiple workload support - Supports transaction processing, analytics, graph processing, etc in a single converged database.

- Fully managed - Oracle handles all the management and administration of the database. Users just load and access their data.

- Compatible - Supports common SQL and Oracle PL/SQL for easy migration from on-prem Oracle databases.

So in summary, an Oracle Autonomous AI Database is a fully automated, self-driving, self-securing, and self-repairing database provided as a simple cloud service. The automation provides high performance, elasticity, and availability with minimal human labor required."

--
--Clear the profile
--
BEGIN
   DBMS_CLOUD_AI.CLEAR_PROFILE;
END;
/

--
--Drop the profile
--
EXEC DBMS_CLOUD_AI.DROP_PROFILE('AWS');

Exemple : Activer les conversations dans Select AI

Ces exemples illustrent l'activation des conversations dans Select AI.

Note : Un utilisateur doté des privilèges d'administrateur (ADMIN) doit accorder EXECUTE et activer la liste de contrôle d'accès au réseau (ACL).

Conversations basées sur une session

Créez votre profil IA. Réglez l'attribut conversation à true dans le profil, cette action inclut le contenu des interactions ou invites précédentes, y compris éventuellement les métadonnées de schéma, et définissez votre profil. Une fois le profil activé, vous pouvez commencer à avoir des conversations avec vos données. Utilisez le langage naturel pour poser des questions et effectuer un suivi au besoin.

--Grants EXECUTE privilege to ADB_USER
--
grant execute on DBMS_CLOUD_AI to ADB_USER;

-- Grant Network ACL for OpenAI endpoint
--
BEGIN
  DBMS_NETWORK_ACL_ADMIN.APPEND_HOST_ACE(
      host => 'api.openai.com',
      ace  => xs$ace_type(privilege_list => xs$name_list('http'),
                          principal_name => 'ADB_USER',
                          principal_type => xs_acl.ptype_db)
  );
END;
/

--
-- Create Credential for AI provider
--
EXEC
DBMS_CLOUD.CREATE_CREDENTIAL(
CREDENTIAL_NAME   => 'OPENAI_CRED',
username          =>  'OPENAI',
password          =>  '`<your_api_token>`');

--
-- Create AI profile
--
BEGIN
  DBMS_CLOUD_AI.CREATE_PROFILE(
  profile_name   => 'OPENAI',
  attributes     =>'{"provider": "openai",
        "credential_name": "OPENAI_CRED",
        "object_list": [{"owner": "SH", "name": "customers"},
                        {"owner": "SH", "name": "countries"},
                        {"owner": "SH", "name": "supplementary_demographics"},
                        {"owner": "SH", "name": "profits"},
                        {"owner": "SH", "name": "promotions"},
                        {"owner": "SH", "name": "products"}],
        "conversation": "true"
       }');
     END;
     /

--
-- Enable AI profile in current session
--
EXEC DBMS_CLOUD_AI.SET_PROFILE('OPENAI');

--
-- Get Profile in current session
--
SELECT DBMS_CLOUD_AI.get_profile() from dual;

DBMS_CLOUD_AI.GET_PROFILE()
--------------------------------------------------------------------------------
"OPENAI"

--
-- Use AI
--
what are the total number of customers;

CUSTOMER_COUNT
--------------
         55500

break out count of customers by country;

RESPONSE
-----------------
COUNTRY_NAME 			CUSTOMER_COUNT
Italy 				7780
Brazil 				832
Japan 				624
United Kingdom 			7557
Germany 			8173
United States of America 	18520
France 				3833
Canada 				2010
Spain 				2039
China 				712
Singapore 			597
New Zealand 			244
Poland 	708
Australia 			831
Argentina 			403
Denmark 			383
South Africa 			88
Saudi Arabia 			75
Turkey 				91

what age group is most common;

RESPONSE
--------------------------------------------------------------------------------
AGE_GROUP 	CUSTOMER_COUNT
65+ 		28226

select ai keep the top 5 customers and their country by their purchases and include a rank in the result;

RESPONSE
--------------------------------------------------------------------------------
RANK 	CUSTOMER_NAME 		COUNTRY 	PURCHASES
1 	Abigail Ruddy 		Japan 		276
2 	Abigail Ruddy 		Italy 		168
3 	Abigail Ruddy 		Japan 		74
3 	Abner Robbinette 	Germany 	74
5 	Abner Everett 		France 		68

EXEC DBMS_CLOUD_AI.DROP_PROFILE('OPENAI');

Conversations personnalisables

Les exemples suivants illustrent l'utilisation de l'API de gestion des conversations prenant en charge les conversations personnalisables. Pour utiliser Select AI pour plusieurs conversations :

1. Créer une conversation

2. Définir la conversation dans la session utilisateur courante

3. Utiliser Select AI <action> <prompt>

Vous pouvez créer et définir la conversation de l'une des façons suivantes :

• Utilisez la fonction DBMS_CLOUD_AI.CREATE_CONVERSATION, puis définissez la conversation à l'aide de DBMS_CLOUD_AI.SET_CONVERSATION_ID.

• Appelez la procédure DBMS_CLOUD_AI.CREATE_CONVERSATION directement pour créer et définir la conversation en une seule étape.

Exemple : Créer et définir des conversations personnalisables

L'exemple suivant montre comment créer une conversation à l'aide de la fonction DBMS_CLOUD_AI.CREATE_CONVERSATION et la définir à l'aide de la procédure DBMS_CLOUD_AI.SET_CONVERSATION_ID.

SELECT DBMS_CLOUD_AI.CREATE_CONVERSATION;  -- in 19c, run SELECT DBMS_CLOUD_AI.create_conversation FROM dual;

CREATE_CONVERSATION
------------------------------------
30C9DB6E-EA4D-AFBA-E063-9C6D46644B92

EXEC DBMS_CLOUD_AI.SET_CONVERSATION_ID('30C9DB6E-EA4D-AFBA-E063-9C6D46644B92');

L'exemple suivant illustre l'exécution de la procédure DBMS_CLOUD_AI.CREATE_CONVERSATION pour créer et définir directement conversation_id.

EXEC DBMS_CLOUD_AI.create_conversation;

Vous pouvez également personnaliser les attributs de conversation tels que les attributs title, description, retention_days et conversation_length.

SELECT DBMS_CLOUD_AI.CREATE_CONVERSATION(
            attributes => '{"title":"My first conversation",
			"description":"this is my first conversation",
			"retention_days":5,
			"conversation_length":5}');

CREATE_CONVERSATION
------------------------------------
38F8B874-7687-2A3F-E063-9C6D4664EC3A

Vous pouvez voir si une conversation existe en interrogeant la vue DBA/USER_CLOUD_AI_CONVERSATIONS.

-- Verify the setup
SELECT conversation_id, conversation_title, description, retention_days,
conversation_length FROM DBA_CLOUD_AI_CONVERSATIONS WHERE
conversation_id = '38F8B874-7687-2A3F-E063-9C6D4664EC3A';

CONVERSATION_ID                      	CONVERSATION_TITLE                              DESCRIPTION                        RETENTION_DAYS                 CONVERSATION_LENGTH
------------------------------------ 	----------------------------------------------- ---------------------------------- ------------------------------ -------------------
38F8B874-7687-2A3F-E063-9C6D4664EC3A 	My first conversation                           this is my first conversation     +00005 00:00:00.000000         5

Vous pouvez également vérifier si une conversation est définie en appelant la fonction DBMS_CLOUD_AI.GET_CONVERSATION_ID.

SELECT DBMS_CLOUD_AI.GET_CONVERSATION_ID;

--------------------------------------------------------------------------------
30C9DB6E-EA4F-AFBA-E063-9C6D46644B92

Exemple : Utiliser des conversations personnalisables avec Select AI

Après avoir créé et défini la conversation et activé votre profil d'intelligence artificielle, vous pouvez commencer à interagir avec vos données. Utilisez le langage naturel pour poser des questions et effectuer un suivi au besoin.

Utilisez SELECT AI <ACTION> <PROMPT>.

SELECT AI CHAT What is the difference in weather between Seattle and San Francisco?;

RESPONSE
--------------------------------------------------------------------------------
Seattle and San Francisco are both located on the West Coast of the United States, but they have distinct weather patterns due to their unique geography and climate conditions. Here are the main differences:

1. **Rainfall**: Seattle is known for its rainy reputation, with an average annual rainfall of around 37 inches (94 cm). San Francisco, on the other hand, recei
ves significantly less rainfall, with an average of around 20 inches (51 cm) per year.
2. **Cloud Cover**: Seattle is often cloudy, with an average of 226 cloudy days per year. San Francisco is also cloudy, but to a lesser extent, with an average of 165 cloudy days per year.

......

SELECT AI CHAT Explain the difference again in one paragraph only.;

RESPONSE
--------------------------------------------------------------------------------
Seattle and San Francisco have different weather patterns despite both experiencing a mild oceanic climate. San Francisco tends to be slightly warmer, with average temperatures ranging from 45?F to 67?F, and receives less rainfall, around 20 inches per year, mostly during winter. In contrast, Seattle is cooler, with te
mperatures ranging from 38?F to 64?F, and rainier, with around 37 inches of rainfall per year, distributed throughout the year. San Francisco is also known for its fog, particularly during summer, and receives more sunshine, around 160 sunny days per year, although it's often filtered through the fog. Overall, San Fran
cisco's weather is warmer and sunnier, with more pronounced seasonal variations, while Seattle's is cooler and rainier, with more consistent temperatures throughout the year.

Exemple : Utilisez la fonction GENERATE pour comparer deux conversations

L'exemple suivant montre comment deux conversations sont utilisées de manière interchangeable pour poser des questions et vérifier l'exactitude des réponses. Chaque conversation commence par une question différente axée sur la comparaison. Plus tard, lorsque vous posez la même question de suivi dans les deux conversations, chacune retourne une réponse différente en fonction de son contexte précédent.

-- First conversation
SELECT DBMS_CLOUD_AI.CREATE_CONVERSATION;

CREATE_CONVERSATION
------------------------------------
30C9DB6E-EA4D-AFBA-E063-9C6D46644B92

-- Second conversation
SELECT DBMS_CLOUD_AI.CREATE_CONVERSATION;

CREATE_CONVERSATION
------------------------------------
30C9DB6E-EA4E-AFBA-E063-9C6D46644B92

-- Call generate using the first conversation.
SELECT DBMS_CLOUD_AI.GENERATE(
        prompt       =>  'What is the difference in weather between Seattle and San Francisco?',
        profile_name =>  'GENAI',
        action       =>  'CHAT',
        params       =>  '{"conversation_id":"30C9DB6E-EA4D-AFBA-E063-9C6D46644B92"}') AS RESPONSE;

RESPONSE
--------------------------------------------------------------------------------
Seattle and San Francisco, both located in the Pacific Northwest and Northern California respectively, experience a mild oceanic climate. However, there are some notable differences in their weather patterns:
1. **Temperature**: San Francisco tends to be slightly warmer than Seattle, especially during the summer months. San Francisco's average temperature ranges from 45?F (7?C) in winter to 67?F (19?C) in summer, while Seattle's average temperature ranges from 38?F (3?C) in winter to 64?F (18?C) in summer.
2. **Rainfall**: Seattle is known for its rainy reputation, with an average annual rainfall of around 37 inches (94 cm). San Francisco receives less rainfall, with an average of around 20 inches (51 cm) per year. However, San Francisco's rainfall is more concentrated during the winter months, while Seattle's rainfall i
s more evenly distributed throughout the year.

......

-- Call generate using the second conversation.
SELECT DBMS_CLOUD_AI.GENERATE(
        prompt       =>  'How does the cost of living compare between New York and Los Angeles?',
        profile_name =>  'GENAI',
        action       =>  'CHAT',
        params       =>  '{"conversation_id":"30C9DB6E-EA4E-AFBA-E063-9C6D46644B92"}') AS RESPONSE;

RESPONSE
--------------------------------------------------------------------------------
The cost of living in New York and Los Angeles is relatively high compared to other cities in the United States. However, there are some differences in the cost of living between the two cities. Here's a comparison of the cost of living in New York and Los Angeles:
1. Housing: The cost of housing is significantly higher in New York than in Los Angeles. The median home price in New York is around $999,000, while in Los Angeles it's around $849,000. Rent is also higher in New York, with the average rent for a one-bedroom apartment being around $3,000 per month, compared to around $2,400 per month in Los Angeles.
2. Food: The cost of food is relatively similar in both cities, with some variation in the cost of certain types of cuisine. However, eating out in New York can be more expensive, with the average cost of a meal at a mid-range restaurant being around $15-20 per person, compared to around $12-18 per person in Los Angeles.

......

-- Call generate using the first conversation.
SELECT DBMS_CLOUD_AI.GENERATE(
        prompt       =>  'Explain the difference again in one paragraph only.',
        profile_name =>  'GENAI',
        action       =>  'CHAT',
        params       =>  '{"conversation_id":"30C9DB6E-EA4D-AFBA-E063-9C6D46644B92"}') AS RESPONSE;

RESPONSE
--------------------------------------------------------------------------------
Seattle and San Francisco have different weather patterns despite both experiencing a mild oceanic climate. San Francisco tends to be slightly warmer, with average temperatures ranging from 45?F to 67?F, and receives less rainfall, around 20 inches per year, mostly during winter. In contrast, Seattle is cooler, with temperatures ranging from 38?F to 64?F, and rainier, with around 37 inches of rainfall per year, distributed throughout the year. San Francisco is also known for its fog, particularly during summer, and receives more sunshine, around 160 sunny days per year, although it's often filtered through the fog. Overall, San Francisco's weather is warmer and sunnier, with more pronounced seasonal variations, while Seattle's is cooler and rainier, with more consistent temperatures throughout the year.

-- Call generate using the second conversation.
SELECT DBMS_CLOUD_AI.GENERATE(
        prompt       =>  'Explain the difference again in one paragraph only.',
        profile_name =>  'GENAI',
        action       =>  'CHAT',
        params       =>  '{"conversation_id":"30C9DB6E-EA4E-AFBA-E063-9C6D46644B92"}') AS RESPONSE;

RESPONSE
--------------------------------------------------------------------------------
The cost of living in New York is approximately 20-30% higher than in Los Angeles, mainly due to the higher cost of housing and transportation. New York has a median home price of around $999,000 and average rent of $3,000 per month for a one-bedroom apartment, compared to Los Angeles' median home price of $849,000 and average rent of $2,400 per month. While the cost of food and utilities is relatively similar in both cities, the cost of transportation is higher in Los Angeles due to its car-centric culture, but the cost of public transportation is higher in New York. Overall, the total monthly expenses for a single person in New York can range from $4,600, compared to around $4,050 in Los Angeles, making New York the more expensive city to live in.

Vous pouvez appeler la fonction DBMS_CLOUD_AI.GENERATE sans spécifier de conversation. Toutefois, dans de tels cas, une réponse significative ne doit pas être attendue.

-- Ask SELECT AI using the second conversation.
SELECT DBMS_CLOUD_AI.GENERATE(
        prompt       =>  'Explain the difference again in one paragraph only.',
        profile_name =>  'GENAI',
        action       =>  'CHAT') AS RESPONSE;

RESPONSE
--------------------------------------------------------------------------------
There is no previous explanation to draw from, as this is the beginning of our conversation. If you would like to ask a question or provide a topic, I would be happy to explain the differences related to it in one paragraph.

Exemple : Vérifier les conversations au moyen des vues DBMS_CLOUD_AI

Vous pouvez interroger les vues de conversation DBMS_CLOUD_AI pour vérifier les détails de la conversation et des invites. Pour plus de détails, voir Vues DBMS_CLOUD_AI.

Note : Les vues avec le préfixe DBA_ sont disponibles uniquement pour les utilisateurs disposant de privilèges d'administrateur (ADMIN).

SELECT conversation_id, conversation_title, description FROM dba_cloud_ai_conversations;

CONVERSATION_ID
------------------------------------
CONVERSATION_TITLE
----------------------------------------------------------------------------------------------------
DESCRIPTION
--------------------------------------------------------------------------------
30C9DB6E-EA4D-AFBA-E063-9C6D46644B92
Seattle vs San Francisco Weather
The conversation discusses the comparison of weather patterns between Seattle and San Francisco, focusing on the differences in temperature, rainfall, fog, sunshine, and seasonal variation between the two cities.

30C9DB6E-EA4E-AFBA-E063-9C6D46644B92
NY vs LA Cost Comparison
The conversation discusses and compares the cost of living in New York and Los Angeles, covering housing, food, transportation, utilities, and taxes to provide an overall view of the expenses in both cities.

SELECT conversation_id, count(*) FROM dba_cloud_ai_conversation_prompts
     GROUP BY conversation_id;

CONVERSATION_ID                COUNT(*)
------------------------------------ ----------
30C9DB6E-EA4D-AFBA-E063-9C6D46644B92          2
30C9DB6E-EA4E-AFBA-E063-9C6D46644B92          2

Exemple : Mettre à jour les détails de la conversation

Vous pouvez mettre à jour title, description et retention_days d'une conversation à l'aide de la procédure DBMS_CLOUD_AI.UPDATE_CONVERSATION. Vous pouvez vérifier la mise à jour en interrogeant la vue de conversation DBMS_CLOUD_AI.

-- Update the second conversation's title, description and retention_days
EXEC DBMS_CLOUD_AI.update_conversation(conversation_id => '30C9DB6E-EA4E-AFBA-E063-9C6D46644B92',
											attributes => '{"retention_days":20,
														"description":"This a description",
														"title":"a title",
														"conversation_length":20}');

-- Verify the information for the second conversation
SELECT conversation_title, description, retention_days
FROM dba_cloud_ai_conversations
WHERE conversation_id = '30C9DB6E-EA4E-AFBA-E063-9C6D46644B92';

CONVERSATION_TITLE         DESCRIPTION                          RETENTION_DAYS         LENGTH
-------------------------- ------------------------------------ -------------- --------------
a title                    This a description                   20                         20

Exemple : Supprimer une invite

Vous pouvez supprimer une invite individuelle de vos conversations et vérifier la modification en interrogeant la vue de conversation DBMS_CLOUD_AI.

-- Find the latest prompt for first conversation
SELECT conversation_prompt_id FROM dba_cloud_ai_conversation_prompts
     WHERE conversation_id = '30C9DB6E-EA4D-AFBA-E063-9C6D46644B92'
     ORDER BY created DESC
     FETCH FIRST ROW ONLY;

CONVERSATION_PROMPT_ID
------------------------------------
30C9DB6E-EA61-AFBA-E063-9C6D46644B92

-- Delete the prompt
EXEC DBMS_CLOUD_AI.DELETE_CONVERSATION_PROMPT('30C9DB6E-EA61-AFBA-E063-9C6D46644B92');

-- Verify if the prompt is deleted
SELECT conversation_prompt_id FROM dba_cloud_ai_conversation_prompts
WHERE conversation_id = '30C9DB6E-EA4D-AFBA-E063-9C6D46644B92';

-- Only one prompt now
CONVERSATION_PROMPT_ID
------------------------------------
30C9DB6E-EA5A-AFBA-E063-9C6D46644B92

Exemple : Supprimer une conversation

Vous pouvez supprimer toute la conversation, ce qui supprime également toutes les invites qui lui sont associées.

-- Delete the first conversation
EXEC DBMS_CLOUD_AI.DROP_CONVERSATION('30C9DB6E-EA4D-AFBA-E063-9C6D46644B92');

-- Verify if the conversation and its prompts are removed
SELECT conversation_id FROM dba_cloud_ai_conversations;

-- We only have the second conversation now
CONVERSATION_ID
------------------------------------
30C9DB6E-EA4E-AFBA-E063-9C6D46644B92

SELECT conversation_id, count(*) FROM dba_cloud_ai_conversation_prompts GROUP BY conversation_id;

-- We only have prompts in the second conversation
CONVERSATION_ID                COUNT(*)
------------------------------------ ----------
30C9DB6E-EA4E-AFBA-E063-9C6D46644B92          2

Exemple : Sélectionner une rétroaction sur l'intelligence artificielle

Ces exemples montrent comment vous pouvez utiliser la procédure DBMS_CLOUD_AI.FEEDBACK et les différents scénarios pour fournir une rétroaction afin d'améliorer la génération d'interrogation SQL suivante.

Note : Vous pouvez fournir une rétroaction pour les invites SQL Select AI même si l'invite n'a pas été exécutée précédemment. La sélection de l'intelligence artificielle ne nécessite pas que l'invite SQL soit utilisée dans une interrogation avant de soumettre une rétroaction; vous pouvez fournir une rétroaction pour toute invite valide à tout moment.

Exemple : Fournir une rétroaction négative

L'exemple suivant montre comment apporter des corrections au SQL généré en tant que rétroaction (réaction négative) à l'aide de feedback_type en tant que negative et fournir votre interrogation SQL.

Vous ajoutez votre rétroaction au profil d'intelligence artificielle nommé OCI_FEEDBACK1 en appelant la procédure DBMS_CLOUD_AI.FEEDBACK avec le paramètre sql_text contenant l'invite. Voir Procédure de rétroaction pour en savoir plus sur les attributs. Ensuite, vous extrayez les colonnes content et attributes de la table <profile_name>_FEEDBACK_VECINDEX$VECTAB, qui est liée à cette interrogation SQL spécifique. Sélectionnez IA pour créer automatiquement cette table vectorielle lorsque vous utilisez la fonction de rétroaction pour la première fois. Pour plus d'informations, voir Index vectoriel pour la rétroaction.

SQL> select ai showsql how many movies;

RESPONSE
------------------------------------------------------------------------
SELECT COUNT(m."MOVIE_ID") AS "Number of Movies" FROM "ADB_USER"."MOVIES" m

exec DBMS_CLOUD_AI.FEEDBACK(profile_name=>'OCI_FEEDBACK1', sql_text=> 'select ai showsql how many movies', feedback_type=> 'negative', response=>'SELECT SUM(1) FROM "ADB_USER"."MOVIES"');

select CONTENT, ATTRIBUTES from OCI_FEEDBACK1_FEEDBACK_VECINDEX$VECTAB where JSON_VALUE(attributes, '$.sql_text') = 'select ai showsql how many movies';

CONTENT
----------------------------------------------------------------------------------------------------
how many movies
ATTRIBUTES
----------------------------------------------------------------------------------------------------

{"response":"SELECT SUM(1) FROM "ADB_USER"."MOVIES"","feedback_type":"negative","sql_id":null,"sql_text":"select ai showsql how many movies","feedback_content":null}

Exemple : Fournir une rétroaction positive

L'exemple suivant montre comment fournir votre approbation indiquant que vous acceptez et confirmez l'énoncé SQL généré (réaction positive) en utilisant feedback_type comme positive.

Dans cet exemple, l'interrogation extrait sql_id de la vue v$mapped_sql pour l'invite indiquée. Pour plus d'informations, voir V_MAPPED_SQL.

Vous ajoutez votre rétroaction au profil d'intelligence artificielle nommé OCI_FEEDBACK1 en appelant la procédure DBMS_CLOUD_AI.FEEDBACK avec le paramètre sql_id. Ensuite, vous extrayez les colonnes content et attributes de la table <profile_name>_FEEDBACK_VECINDEX$VECTAB, qui est liée à cette interrogation SQL spécifique. Sélectionnez IA pour créer automatiquement cette table vectorielle lorsque vous utilisez la fonction de rétroaction pour la première fois. Pour plus d'informations, voir Index vectoriel pour la rétroaction.

select ai showsql how many distinct movie genres?;

RESPONSE
-----------------------------------------------------------------------------------------
SELECT COUNT(DISTINCT g."GENRE_NAME") AS "Number of Movie Genres" FROM "ADB_USER"."GENRES" g

SELECT sql_id FROM v$mapped_sql WHERE sql_text = 'select ai showsql how many distinct movie genres?';

SQL_ID
-------------
852w8u83gktc1

exec DBMS_CLOUD_AI.FEEDBACK(profile_name=>'OCI_FEEDBACK1', sql_id=> '852w8u83gktc1', feedback_type=>'positive', operation=>'add');

SELECT content, attributes FROM OCI_FEEDBACK1_FEEDBACK_VECINDEX$VECTAB WHERE JSON_VALUE(attributes, '$.sql_id') ='852w8u83gktc1';

CONTENT
----------------------------------------------------------------------------------------------------
how many distinct movie genres?
ATTRIBUTES
----------------------------------------------------------------------------------------------------
{"response":"SELECT COUNT(DISTINCT g."GENRE_NAME") AS "Number of Movie Genres" FROM "ADB_USER"."GENRES" g","feedback_type":"positive","sql_id":"852w8u83gktc1","sql_text":"select ai showsql how many distinct movie genres?","feedback_content":null}

Exemple : Fournir une rétroaction sans utilisation antérieure

Vous pouvez fournir une rétroaction pour les invites SQL même si l'invite n'a pas été utilisée précédemment. Par exemple :

BEGIN
  DBMS_CLOUD_AI.FEEDBACK(
    profile_name=>'AI_PROFILE',
    sql_text=>'select ai runsql how many products named PAD', -- Prior usage not required
    feedback_type=>'negative',
    response=>'SELECT COUNT(*) AS "Num" FROM "PRODUCTS"."CATG" o WHERE UPPER(o."NAME") LIKE ''%PAD%''',
    feedback_content=>'Use LIKE instead of ='
  );
END;
/

Dans ce cas, la rétroaction pour l'invite select ai runsql how many products named PAD est soumise sans avoir besoin d'utiliser l'invite au préalable.

Exemple : Ajouter ou supprimer votre rétroaction pour le SQL généré

L'exemple suivant illustre l'ajout ou la suppression de votre rétroaction pour l'énoncé SQL généré en spécifiant les paramètres de la procédure DBMS_CLOUD_AI.FEEDBACK. Cet exemple montre comment utiliser sql_id et sql_text avec d'autres paramètres.

Note : L'option Sélectionner l'intelligence artificielle n'autorise qu'une seule entrée de rétroaction pour chaque sql_id. Si vous fournissez une rétroaction supplémentaire pour la même sql_id, Select AI remplace l'entrée précédente par la nouvelle.

Voir Procédure de rétroaction pour plus de détails sur les paramètres.

EXEC DBMS_CLOUD_AI.FEEDBACK(profile_name=>'OCI_FEEDBACK1',
                                   sql_id=> '852w8u83gktc1',
                                   feedback_type=>'positive',
                                   operation=>'add');
EXEC DBMS_CLOUD_AI.FEEDBACK(profile_name=>'OCI_FEEDBACK1',
                                   sql_text=> 'select ai showsql how many movies',
                                   feedback_type=> 'negative',
                                   response=>'SELECT SUM(1) FROM "ADB_USER"."MOVIES"',
                                   feedback_content=>'Use SUM instead of COUNT');
EXEC DBMS_CLOUD_AI.FEEDBACK(profile_name=>'OCI_FEEDBACK1',
                                   sql_id=> '852w8u83gktc1',
                                   operation=>'delete');

Exemple : Utiliser l'action Feedback (Rétroaction) avec le dernier SQL AI pour fournir une rétroaction négative

Cet exemple montre comment utiliser l'action feedback pour améliorer le code SQL généré en suggérant les modifications à l'aide du langage naturel.

BEGIN
  DBMS_CLOUD_AI.CREATE_PROFILE(
    profile_name=>'OCI_FEEDBACK1',
    attributes=>'{"provider": "oci",
      "credential_name": "GENAI_CRED",
      "oci_compartment_id": "ocid1.compartment.oc1..aaaa...",
      "object_list": [{"owner": "ADB_USER", "name": "users"},
                      {"owner": "ADB_USER", "name": "movies"},
                      {"owner": "ADB_USER", "name": "genres"},
                      {"owner": "ADB_USER", "name": "watch_history"},
                      {"owner": "ADB_USER", "name": "movie_genres"},
                      {"owner": "ADB_USER", "name": "employees1"},
                      {"owner": "ADB_USER", "name": "employees2"}
                        ]
      }');
END;
/

EXEC DBMS_CLOUD_AI.SET_PROFILE('OCI_FEEDBACK1');

select ai showsql rank movie duration;

RESPONSE
-------------------------------------------------------------------------------
SELECT "DURATION" AS "Movie Duration" FROM "ADB_USER"."MOVIES" ORDER BY "DURATION"

select ai feedback use ascending sorting;

RESPONSE
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Based on your feedback, the SQL query for prompt "rank movie duration" is successfully refined. The refined SQL query as following:
SELECT m."DURATION" AS "Movie Duration" FROM "ADB_USER."MOVIES" m ORDER BY m."DURATION" ASC

select ai showsql rank the movie duration;

RESPONSE
-----------------------------------------------------------------------------------------
SELECT m."DURATION" AS "Movie Duration" FROM "ADB_USER."MOVIES" m ORDER BY m."DURATION" ASC

Exemple : Utiliser l'action Feedback (Rétroaction) avec le dernier SQL AI pour fournir une rétroaction positive

Cet exemple montre comment utiliser l'action feedback pour accepter l'énoncé SQL généré à l'aide du langage naturel.

--Positive feedback

select ai showsql which movies are comedy?;

RESPONSE
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
SELECT DISTINCT m."TITLE" AS "Movie Title" FROM "ADB_USER"."MOVIES" m INNER JOIN "ADB_USER"."MOVIE_GENRES" mg ON m."MOVIE_ID" = mg."MOVIE_ID" INNER JOIN "ADB_USER"."GENRES" g ON mg."GENRE_ID" = g."GENRE_ID" WHERE g."GENRE_NAME" = 'comedy'

select ai feedback this is correct;

RESPONSE
-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Thank you for your positive feedback. The SQL query for prompt "which movies are comedy?" is correctly implemented and delivering the expected results. It will be referenced for future optimizations and improvements.

Select AI Feedback Action Referring SQL_ID

Exemple : Utiliser l'action Feedback (Rétroaction) avec SQL_ID pour fournir une rétroaction

Cet exemple montre comment utiliser SQL_ID avec l'action feedback pour fournir une rétroaction pour une interrogation SQL générée particulière. Vous pouvez obtenir SQL_ID en interrogeant la table v$MAPPED_SQL.

-- Query mentioned with SQL_ID

select ai showsql how many movies are in each genre;

RESPONSE
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
SELECT g."GENRE_NAME" AS "Genre Name", COUNT(m."MOVIE_ID") AS "Number of Movies" FROM "ADB_USER"."MOVIES" m INNER JOIN "ADB_USER"."MOVIE_GENRES" mg ON m."MOVIE_ID" = mg."MOVIE_ID" INNER JOIN "ADB_USER"."GENRES" g ON mg."GENRE_ID" = g."GENRE_ID" GROUP BY g."GENRE_NAME"

select sql_id from v$cloud_ai_sql where sql_text = 'select ai showsql how many movies are in each genre';

SQL_ID
-------------
8azkwc0hr87ga

select ai feedback for query with sql_id = '8azkwc0hr87ga', rank in descending sorting;

RESPONSE
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Based on your feedback, the SQL query for prompt "how many movies are in each genre" is successfully refined. The refined SQL query as following:
SELECT g."GENRE_NAME" AS "Genre Name", COUNT(m."MOVIE_ID") AS "Number of Movies"
FROM "ADB_USER"."MOVIES" m
INNER JOIN "ADB_USER"."MOVIE_GENRES" mg ON m."MOVIE_ID" = mg."MOVIE_ID"
INNER JOIN "ADB_USER"."GENRES" g ON mg."GENRE_ID" = g."GENRE_ID"
GROUP BY g."GENRE_NAME"
ORDER BY COUNT(m."MOVIE_ID") DESC

Exemple : Utiliser une action de rétroaction avec du texte d'interrogation

Cet exemple présente l'action feedback pour une interrogation Sélectionner l'intelligence artificielle spécifique en incluant l'invite Sélectionner l'intelligence artificielle entre guillemets suivie de votre rétroaction.

-Query mentioned with SQL_TEXT

select ai showsql how many watch history in total;

RESPONSE
----------------------------------------------------------------------------------
SELECT COUNT(w."WATCH_ID") AS "Total Watch History" FROM "ADB_USER"."WATCH_HISTORY" w

select ai feedback for query "select ai showsql how many watch history in total", name the column as total_watch;

RESPONSE
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Based on your feedback, the SQL query for prompt "how many watch history in total" is successfully refined. The refined SQL query as following:
SELECT COUNT(w."WATCH_ID") AS "total_watch" FROM "ADB_USER"."WATCH_HISTORY" w

Exemple : Sélectionner l'intelligence artificielle pour les graphiques de propriétés

Cet exemple montre comment utiliser la procédure DBMS_CLOUD_AI.GENERATE et une invite en langage naturel pour générer des interrogations de graphique PGQ pour interroger les données de graphique.

Exemple : Spécifier plusieurs graphiques dans votre profil d'intelligence artificielle

Cet exemple montre comment définir plusieurs graphiques de propriétés dans votre profil d'intelligence artificielle, notamment un exemple d'interrogation et sa sortie.

BEGIN
  DBMS_CLOUD_AI.CREATE_PROFILE(
      profile_name =>'OPENAI',
      attributes   =>'{"provider": "openai",
        "model": "gpt-4o",
        "credential_name": "OPENAI_CRED",
        "object_list": [{"owner": "ADB_USER", "name": "LDBC_GRAPH"},
                        {"owner": "ADB_USER", "name": "G"}]
       }');
END;
/

SQL> EXEC DBMS_CLOUD_AI.SET_PROFILE(profile_name => 'OPENAI');

select ai who bought a dress;

CUSTOMER_N
----------
Kate

1 row selected.

Exemple : Exemples d'invites pour les graphiques de propriétés

Ces exemples montrent comment créer des données-échantillons et afficher le code SQL généré à l'aide de l'action showsql pour une invite donnée.

Exemple : Créer une table de graphique de propriétés

L'exemple suivant crée des exemples de tables et un graphique de propriétés.

CREATE TABLE Person
(
    id         NUMBER PRIMARY KEY,
    firstName  VARCHAR2(20 CHAR),
    lastName   VARCHAR2(20 CHAR),
    age        NUMBER,
    jsonProp   VARCHAR2(40 CHAR)
);

CREATE TABLE Post
(
    id         NUMBER PRIMARY KEY,
    content    VARCHAR2(20 CHAR)
);

CREATE TABLE personLikesPost
(
    idPerson NUMBER REFERENCES Person (id),
    idPost   NUMBER REFERENCES Post (id)
);

CREATE TABLE personKnowsPerson
(
    idPerson1 NUMBER REFERENCES Person (id),
    idPerson2 NUMBER REFERENCES Person (id)
);

CREATE PROPERTY GRAPH person_graph
  VERTEX TABLES (
    Person KEY (id) LABEL Person
      PROPERTIES (firstName, lastName, age, jsonProp),
    Post KEY (id) LABEL Post
      PROPERTIES(content)
  )
  EDGE TABLES (
    personLikesPost
      KEY(idPerson, idPost)
      SOURCE KEY (idPerson) REFERENCES Person (id)
      DESTINATION KEY (idPost) REFERENCES POST (id)
      LABEL Likes NO PROPERTIES,
    personKnowsPerson
      KEY(idPerson1, idPerson2)
      SOURCE KEY (idPerson1) REFERENCES Person (id)
      DESTINATION KEY (idPerson2) REFERENCES Person (id)
      LABEL Knows NO PROPERTIES
  );

insert into Person values (1, 'John', 'Doe',23, '{"key1":"value1","key2":"value2"}');
insert into Person values (2, 'Scott', 'Tiger', 25, '{"key1":"value3","key2":"value4"}');
insert into Person values (3, 'Max', 'Power', 27, '{"key1":"value5","key2":"value6"}');
insert into Person values (4, 'Jane', 'Doe', 22, '{"key1":"value7","key2":"value8"}');
insert into Person (id, Firstname, age) values (5, 'Hans', 23);
insert into Person (id, Firstname, age) values (6, 'Franz', 24);

INSERT INTO Post VALUES (10, 'Lorem ipsum...');
INSERT INTO Post VALUES (11, 'Nulla facilisi...');
INSERT INTO Post VALUES (12, 'Vestibulum eget ..');
INSERT INTO Post VALUES (13, 'Sed fermentum...');
INSERT INTO Post VALUES (14, 'Fusce at ...');
INSERT INTO Post VALUES (15, 'Pellentesque sit ...');
INSERT INTO Post VALUES (16, 'Integer...');
INSERT INTO Post VALUES (17, 'Curabitur luctus ...');
INSERT INTO Post VALUES (18, 'Nam in ...');
INSERT INTO Post VALUES (19, 'Etiam ac ...');

insert into personKnowsPerson values (1, 2);
insert into personKnowsPerson values (2, 3);
insert into personKnowsPerson values (3, 4);
insert into personKnowsPerson values (4, 5);
insert into personKnowsPerson values (5, 6);
insert into personKnowsPerson values (6, 2);
insert into personKnowsPerson values (5, 3);

INSERT INTO personLikesPost VALUES (1, 10);
INSERT INTO personLikesPost VALUES (1, 11);
INSERT INTO personLikesPost VALUES (1, 12);
INSERT INTO personLikesPost VALUES (2, 10);
INSERT INTO personLikesPost VALUES (2, 13);
INSERT INTO personLikesPost VALUES (2, 14);
INSERT INTO personLikesPost VALUES (3, 11);
INSERT INTO personLikesPost VALUES (3, 15);
INSERT INTO personLikesPost VALUES (3, 16);
INSERT INTO personLikesPost VALUES (4, 12);
INSERT INTO personLikesPost VALUES (4, 17);
INSERT INTO personLikesPost VALUES (4, 18);
INSERT INTO personLikesPost VALUES (5, 13);
INSERT INTO personLikesPost VALUES (5, 14);
INSERT INTO personLikesPost VALUES (5, 19);
INSERT INTO personLikesPost VALUES (6, 15);
INSERT INTO personLikesPost VALUES (6, 16);
INSERT INTO personLikesPost VALUES (6, 17);
INSERT INTO personLikesPost VALUES (1, 18);
INSERT INTO personLikesPost VALUES (2, 19);

commit;

Exemple : Mise en correspondance de sommets sans étiquette

Invite : Find all the people IDs

SELECT person_id
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
    MATCH (v IS "PERSON")
    COLUMNS (VERTEX_ID(v) AS person_id))

Exemple : Mise en correspondance des arêtes sans étiquette

Invite : Find all the edge IDs

SELECT edge_id
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
    MATCH (v1) -[e]-> (v2)
    COLUMNS (EDGE_ID(e) AS edge_id))

Exemple : Mise en correspondance des arêtes avec des étiquettes

Invite : Find all the knows relationship IDs

SELECT knows_id
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
    MATCH (p1 IS "PERSON") -[e IS "KNOWS"]-> (p2 IS "PERSON")
    COLUMNS (EDGE_ID(e) AS knows_id))

Exemple : Correspondance des modèles de chemin incluant un ou plusieurs sauts

Invite : List all people who know someone who liked the post 'Sed fermentum...'

SELECT person_id, person_firstname, person_lastname
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
    MATCH (p1 IS "PERSON") -[e1 IS "KNOWS"]-> (p2 IS "PERSON") -[e2 IS "LIKES"]-> (post IS "POST")
    WHERE UPPER(post."CONTENT") = UPPER('Sed fermentum...')
    COLUMNS (VERTEX_ID(p1) AS person_id, p1."FIRSTNAME" AS person_firstname, p1."LASTNAME" AS person_lastname))

Exemple : Accès aux propriétés de sommet et d'arête

Invite : Find first name and last name of all people

SELECT first_name, last_name
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
    MATCH (p IS "PERSON")
    COLUMNS (p."FIRSTNAME" AS first_name, p."LASTNAME" AS last_name))

Exemple : Filtrage des données

Invite : Find post contents liked by John Doe

SELECT post_content
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
    MATCH (p IS "PERSON") -[e IS "LIKES"]-> (post IS "POST")
    WHERE UPPER(p."FIRSTNAME") = UPPER('John') AND UPPER(p."LASTNAME") = UPPER('Doe')
    COLUMNS (post."CONTENT" AS post_content))

Exemple : Fonctions et expressions

Invite : Show all people (full name) and display their key1 value from jsonProp property

SELECT person_fullname, json_key1
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
    MATCH (p IS "PERSON")
    COLUMNS (
	(p."FIRSTNAME" || ' ' || p."LASTNAME") AS person_fullname,
	JSON_QUERY(p."JSONPROP", '$.key1') AS json_key1
    )
)

Exemple : Tri des données

Invite : Find friends of Scott Tiger ordered by their last name

SELECT friend_firstname, friend_lastname
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
    MATCH (p IS "PERSON") -[e IS "KNOWS"]-> (f IS "PERSON")
    WHERE UPPER(p."FIRSTNAME") = UPPER('Scott') AND UPPER(p."LASTNAME") = UPPER('Tiger')
    COLUMNS (f."FIRSTNAME" AS friend_firstname, f."LASTNAME" AS friend_lastname)
)
ORDER BY friend_lastname

Exemple : Limitation des lignes

Invite : Find all people ordered by first name. Skip one result and return 2 results only

SELECT person_firstname
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
    MATCH (p IS "PERSON")
    COLUMNS (p."FIRSTNAME" AS person_firstname))
ORDER BY person_firstname
OFFSET 1 ROWS FETCH NEXT 2 ROWS ONLY

Interrogations non prises en charge

Pour les interrogations suivantes, certains LLM génèrent des NL2SQL valides, mais le SQL résultant utilise des fonctionnalités qui ne sont pas encore prises en charge dans Oracle AI Database 26ai.

Exemple : Interrogations nécessitant de ne pas correspondre à un certain modèle

Invite : Find people that do not know Scott.

La sous-interrogation EXISTS n'est pas prise en charge.

SELECT person_id, first_name, last_name
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
    MATCH (p1 IS "PERSON")
    WHERE NOT EXISTS (
	SELECT 1
	FROM GRAPH_TABLE("ADB_USER"."PERSONGRAPH"
	    MATCH (p2 IS "PERSON") -[e IS "PERSONKNOWSPERSON"]-> (p3 IS "PERSON"
)
	    WHERE p2."ID" = p1."ID" AND UPPER(p3."FIRSTNAME") = UPPER('Scott')
	    COLUMNS (1 AS dummy_value))
    )
    COLUMNS (p1."ID" AS person_id, p1."FIRSTNAME" AS first_name, p1."LASTNAME" A
S last_name))

Exemple : Interrogations nécessitant une correspondance facultative avec un certain modèle

Invite : Show all people and how many posts they have liked (show people even if they have not liked a post).

La correspondance OPTIONAL n'est pas prise en charge.

SELECT person_id, person_firstname, person_lastname, liked_post_ids
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
MATCH (p is "PERSON") OPTIONAL MATCH (p) -[l is "PERSONLIKESPOST"]-> (post is "POST")
COLUMNS(
    VERTEX_ID(p) as person_id,
    p."FIRSTNAME" as person_firstname,
    p."LASTNAME" as person_lastname,
    JSON_ARRAYAGG(VERTEX_ID(post)) as liked_post_ids
))

Exemple : Modèles de chemin récursif non limités

Invite : Find all people that Scott can reach.

Les interrogations qui utilisent des quantificateurs non limités ne sont pas prises en charge.

SELECT person_id, person_firstname, person_lastname
FROM GRAPH_TABLE("ADB_USER"."PERSONGRAPH"
    MATCH (src IS "PERSON") -[e IS "PERSONKNOWSPERSON"]->* (dst IS "PERSON")
    WHERE src."FIRSTNAME" = 'Scott'
    COLUMNS (
	VERTEX_ID(dst) AS person_id,
	dst."FIRSTNAME" AS person_firstname,
	dst."LASTNAME" AS person_lastname
    )
)

Interrogations intermittentes

Il a été démontré que les GML ont du mal à traduire les interrogations qui nécessitent plus d'un opérateur GRAPH_TABLE. Les exemples suivants sont les suivants :

Invite : Show people who have liked all the same posts as Hans

SELECT person_id, person_name
FROM GRAPH_TABLE("PERSON_GRAPH"
  MATCH (hans is "PERSON") -[likes_hans is "PERSONLIKESPOST"]-> (post is "POST"),
	(other_person is "PERSON") -[likes_other is "PERSONLIKESPOST"]-> (post)
  WHERE hans."FIRSTNAME" = 'Hans'
  COLUMNS (VERTEX_ID(other_person) as person_id, other_person."FIRSTNAME" AS person_name)
)
WHERE NOT EXISTS (
  SELECT 1
  FROM GRAPH_TABLE("PERSONGRAPH"
    MATCH (hans is "PERSON") -[likes_hans is "PERSONLIKESPOST"]-> (post is "POST")
    WHERE hans."FIRSTNAME" = 'Hans'
    COLUMNS (VERTEX_ID(post) as post_id)
  ) hans_posts
  LEFT JOIN GRAPH_TABLE("PERSONGRAPH"
    MATCH (other_person is "PERSON") -[likes_other is "PERSONLIKESPOST"]-> (post
 is "POST")
    COLUMNS (VERTEX_ID(post) as post_id)
  ) other_posts
  ON hans_posts.post_id = other_posts.post_id
  WHERE other_posts.post_id IS NULL
)

Exemple : Correspondance des modèles de chemin récursif avec des limites définies.

Invite : Find all names of the people that can be reached in a 1 to 3 edge path

SELECT person_name
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
    MATCH (start_person IS "PERSON") -[e IS "KNOWS"]->{1,3} (end_person IS "PERSON")
    COLUMNS (end_person."FIRSTNAME" AS person_name))

Exemple : Filtrage des données pour les noeuds le long d'un chemin récursif

Invite : Find all names of the people that can be reached in a 1 to 3 edge path where each person is younger than the next one

SELECT person_name
FROM GRAPH_TABLE("ADB_USER"."PERSON_GRAPH"
    MATCH (start_person IS "PERSON") ((v1 IS "PERSON") -[e IS "KNOWS"]-> (v2 IS"PERSON") WHERE v1."AGE" < v2."AGE"){1,3} (end_person IS "PERSON")
    COLUMNS (end_person."FIRSTNAME" AS person_name))

Exemple : Regroupement et regroupement

Les grands modèles de langage ont souvent du mal à traduire les interrogations qui nécessitent un regroupement et une agrégation. Une erreur courante consiste à placer des agrégations dans la clause COLUMNS au lieu de la clause SELECT.

Invite : Find the average number of posts liked by all the users

SELECT AVG(COUNT(post)) AS average_liked_count
FROM GRAPH_TABLE("PERSON_GRAPH"
MATCH (p IS "PERSON") -[e IS "PERSONLIKESPOST"]-> (post IS "POST")
COLUMNS (VERTEX_ID(p) AS person, VERTEX_ID(post) AS post))
GROUP BY person;

Exemple : Améliorer la génération d'interrogations SQL

Ces exemples montrent comment les commentaires, les annotations, les clés étrangères et les contraintes d'intégrité référentielle dans les tables et les colonnes de base de données peuvent améliorer la génération d'interrogations SQL à partir d'invites en langage naturel.

Exemple : Améliorer la génération SQL avec des commentaires de table et de colonne

Si vos tables de base de données contiennent des commentaires de table et de colonne, activez le paramètre "comments":"true" dans la fonction DBMS_CLOUD_AI.CREATE_PROFILE pour extraire les commentaires de niveau table et de niveau colonne. Les commentaires sont ajoutés aux métadonnées du LLM pour une meilleure génération SQL.

-- Adding comments to table 1, table 2, and table 3. Table 1 has 3 columns, table 2 has 7 columns, table 3 has 2 columns.

-- TABLE1
COMMENT ON TABLE table1 IS 'Contains movies, movie titles and the year it was released';
COMMENT ON COLUMN table1.c1 IS 'movie ids. Use this column to join to other tables';
COMMENT ON COLUMN table1.c2 IS 'movie titles';
COMMENT ON COLUMN table1.c3 IS 'year the movie was released';
-- TABLE2
COMMENT ON TABLE table2 IS 'transactions for movie views - also known as streams';
COMMENT ON COLUMN table2.c1 IS 'day the movie was streamed';
COMMENT ON COLUMN table2.c2 IS 'genre ids. Use this column to join to other tables';
COMMENT ON COLUMN table2.c3 IS 'movie ids. Use this column to join to other tables';
COMMENT ON COLUMN table2.c4 IS 'customer ids. Use this column to join to other tables';
COMMENT ON COLUMN table2.c5 IS 'device used to stream, watch or view the movie';
COMMENT ON COLUMN table2.c6 IS 'sales from the movie';
COMMENT ON COLUMN table2.c7 IS 'number of views, watched, streamed';

-- TABLE3
COMMENT ON TABLE table3 IS 'Contains the genres';
COMMENT ON COLUMN table3.c1 IS 'genre id. use this column to join to other tables';
COMMENT ON COLUMN table3.c2 IS 'name of the genre';


BEGIN
  DBMS_CLOUD_AI.CREATE_PROFILE(
    profile_name => 'myprofile',
    attributes =>
        '{"provider": "azure",
          "azure_resource_name": "my_resource",
          "azure_deployment_name": "my_deployment",
          "credential_name": "my_credential",
          "comments":"true",
          "object_list": [
            {"owner": "moviestream", "name": "table1"},
            {"owner": "moviestream", "name": "table2"},
            {"owner": " moviestream", "name": "table3"}
          ]
          }'
    );

    DBMS_CLOUD_AI.SET_PROFILE(
        profile_name => 'myprofile'
    );

END;
/

--Prompts
select ai what are our total views;

RESPONSE
-------------------------------------------------
TOTAL_VIEWS
-----------
   97890562

select ai showsql what are our total views;

RESPONSE
-------------------------------------------------------------------------
SELECT SUM(QUANTITY_SOLD) AS total_views
FROM "moviestream"."table"

select ai what are our total views broken out by device;

DEVICE                     TOTAL_VIEWS
-------------------------- -----------
mac                           14719238
iphone                        20793516
ipad                          15890590
pc                            14715169
galaxy                        10587343
pixel                         10593551
lenovo                         5294239
fire                           5296916

8 rows selected.

select ai showsql what are our total views broken out by device;

RESPONSE
---------------------------------------------------------------------------------------
SELECT DEVICE, COUNT(*) AS TOTAL_VIEWS
FROM "moviestream"."table"
GROUP BY DEVICE

Exemple : Améliorer la génération d'interrogations SQL avec des annotations de table et de colonne

Cet exemple présente l'intégration des annotations dans Select AI, applicable dans Oracle Database 23ai. Les annotations sont ajoutées aux métadonnées envoyées au LLM.

Si votre schéma contient une table avec des annotations, activez "annotations":"true" dans la fonction DBMS_CLOUD_AI.CREATE_PROFILE pour indiquer à Select AI d'ajouter des annotations aux métadonnées.

--
-- Annotations
--

CREATE TABLE emp2 (
    empno NUMBER,
    ename VARCHAR2(50) ANNOTATIONS (display 'lastname'),
    salary NUMBER ANNOTATIONS ("person_salary", "column_hidden"),
    deptno NUMBER ANNOTATIONS (display 'department')
)ANNOTATIONS (requires_audit 'yes', version '1.0', owner 'HR Organization');

BEGIN
  DBMS_CLOUD_AI.CREATE_PROFILE(
   profile_name => 'GOOGLE_ANNOTATIONS',
   attributes   => '{"provider": "google",
      "credential_name": "GOOGLE_CRED",
      "object_list": [{"owner": "ADB_USER", "name": "emp2"}],
      "annotations" : "true"
      }');
END;
/

EXEC DBMS_CLOUD_AI.SET_PROFILE('GOOGLE_ANNOTATIONS');

Exemple : Améliorer la génération d'interrogations SQL avec des contraintes de clé étrangère et de clé référentielle

Cet exemple montre comment le LLM peut générer des conditions JOIN précises en extrayant les contraintes de clé étrangère et de clé référentielle dans les métadonnées du LLM. Les contraintes de clé étrangère et de clé référentielle fournissent des données de relation structurée entre les tables et le LLM.

Activez "constraints":"true" dans la fonction DBMS_CLOUD_AI.CREATE_PROFILE pour sélectionner l'intelligence artificielle afin d'extraire la clé étrangère et la clé référentielle.

--
-- Referential Constraints
--
CREATE TABLE dept_test (
    deptno NUMBER PRIMARY KEY,
    dname VARCHAR2(50)
);

CREATE TABLE emp3 (
    empno NUMBER PRIMARY KEY,
    ename VARCHAR2(50),
    salary NUMBER,
    deptno NUMBER,
    CONSTRAINT emp_dept_fk FOREIGN KEY (deptno) REFERENCES dept_test(deptno)
);

BEGIN
  DBMS_CLOUD_AI.CREATE_PROFILE(
    profile_name=>'GOOGLE_CONSTRAINTS',
    attribues   =>'{"provider": "google",
      "credential_name": "GOOGLE_CRED",
      "object_list": [{"owner": "ADB_USER", "name": "dept_test"},
                      {"owner": "ADB_USER", "name": "emp3"}],
      "constraints" : "true"
      }');
END;
/

EXEC DBMS_CLOUD_AI.SET_PROFILE('GOOGLE_CONSTRAINTS');

Exemple : Détecter automatiquement les métadonnées de table pertinentes

Ces exemples montrent comment Select AI détecte automatiquement les tables pertinentes et envoie les métadonnées uniquement pour les tables spécifiques pertinentes à l'interrogation dans Oracle Database 23ai. Pour activer cette fonction, réglez object_list_mode à automated. Cela crée automatiquement un index vectoriel nommé <profile_name>_OBJECT_LIST_VECINDEX. L'index vectoriel est initialisé avec des attributs et des valeurs par défaut tels que refresh_rate, similarity_threshold et match_limit. Vous pouvez modifier certains des attributs au moyen de DBMS_CLOUD_AI.UPDATE_VECTOR_INDEX. Pour plus d'informations, voir Procédure UPDATE_VECTOR_INDEX.

Un profil est configuré pour utiliser object_list pour spécifier le schéma ou les objets dans le schéma alors que l'autre ne spécifie pas object_list. Toutefois, la même construction SQL est attendue.

Consultez les préalables pour la sélection de l'intelligence artificielle pour fournir l'accès à l'ensemble DBMS_CLOUD_AI et fournir l'accès réseau au fournisseur d'intelligence artificielle.

BEGIN
  DBMS_CLOUD_AI.CREATE_PROFILE(
    profile_name=>'OCI_AUTO',
    attributes=>'{"provider": "oci",
      "credential_name": "GENAI_CRED",
      "object_list": [{"owner": "SH"}],
      "oci_compartment_id": "ocid1.compartment.oc1..aaaa...",
      "model" : "meta.llama-3.3-70b-instruct"
      }');
END;
/

EXEC DBMS_CLOUD_AI.SET_PROFILE('OCI_AUTO');

select ai showsql how many customers in San Francisco are married;

RESPONSE
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
SELECT COUNT(DISTINCT c."CUST_ID") AS "NUMBER_OF_CUSTOMERS"
FROM "SH"."CUSTOMERS" c
WHERE UPPER(c."CUST_CITY") = UPPER('San Francisco')
AND UPPER(c."CUST_MARITAL_STATUS") = UPPER('married')

L'exemple suivant compare le même scénario sans utiliser object_list. Lorsque vous ne spécifiez pas object_list, l'option Sélectionner l'intelligence artificielle sélectionne automatiquement tous les objets disponibles pour le schéma courant.

BEGIN
  DBMS_CLOUD_AI.CREATE_PROFILE(
    profile_name=>'OCI_AUTO1',
    attributes=>'{"provider": "oci",
      "credential_name": "GENAI_CRED",
      "oci_compartment_id": "ocid1.compartment.oc1..aaaa...",
      "object_list_mode": "automated",
      "model" : "meta.llama-3.3-70b-instruct"
      }');
END;
/

EXEC DBMS_CLOUD_AI.SET_PROFILE('OCI_AUTO1');

select ai showsql how many customers in San Francisco are married?;

RESPONSE
----------------------------------------------------------------------------------------------------------------------------------------------------------------------
SELECT COUNT(c."CUST_ID") AS "Number_of_Customers"
FROM "SH"."CUSTOMERS" c
WHERE UPPER(c."CUST_CITY") = UPPER('San Francisco')
AND UPPER(c."CUST_MARITAL_STATUS") = UPPER('Married')

Exemple : Sélectionnez AI Summarize

Ces exemples montrent comment utiliser l'action summarize et la fonction DBMS_CLOUD_AI.SUMMARIZE. Personnalisez également la génération de sommaire pour votre contenu à l'aide de la fonction.

Exemple : Utiliser l'action de récapitulation sur la ligne de commande SQL

L'exemple suivant utilise SUMMARIZE comme action Sélectionner l'intelligence artificielle. Utilisez SELECT AI SUMMARIZE <TEXT> dans la ligne de commande SQL pour générer un sommaire du texte d'entrée.

SELECT AI SUMMARIZE

Like countless other people around the globe, I stream music, and like more than six hundred million of them I mainly use Spotify. Streaming currently accounts for about eighty per cent of the American recording industry's revenue, and in recent years Spotify's health is often consulted as a measure for the health of the music business over all. Last spring, the International
Federation of the Phonographic Industry reported global revenues of $28.6 billion, making for the ninth straight year of growth. All of this was unimaginable in the two-thousands, when the major record labels appeared poorly equipped to deal with piracy and the so-called death of physical media. On the consumer side, the story looks even rosier. Adjusted for inflation, a ... (skipped 1000 rows in the middle)
Pelly writes of some artists, in search of viral fame, who surreptitiously use social media to effectively beta test melodies and motifs, basically putting together songs via crowdsourcing. Artists have always fretted about the pressure to conform, but the data-driven, music-as-content era feels different. "You are a Spotify employee at that point," Daniel Lopatin, who makes abstract electronic music as Oneohtrix Point Never, told Pelly. "If your art practice is so ingrained in the brutal reality that Spotify has outlined for all of us, then what is the music that you're not making? What does the music you're not making sound like?" Listeners might wonder something similar. What does the music we're not hearing sound like?;

RESPONSE
------------------------------------------------------------------------------
The music streaming industry, led by Spotify, has revolutionized the way people consume music, with streaming accounting for 80% of the American recording industry's revenue. However, this shift has also complicated the lives of artists, who struggle to survive in a hyper-abundant present where music is often valued for its convenience rather than its artistic merit.
Spotify's algorithms prioritize popularity and profitability over artistic diversity, leading to a homogenization of music and a devaluation of the labor that goes into creating it. Meanwhile, the company's executives reap enormous profits, with CEO Daniel Ek's net worth rivaling that of the wealthiest musicians. As music critic Liz Pelly argues, the streaming economy raises important questions about autonomy, creativity, and the value of art
in a world where everything is readily available and easily accessible.

Conseil : Dans SQL*Plus, une apostrophe (') est traitée comme un délimiteur de chaîne. Si votre texte contient des guillemets simples, échappez-le en le doublant (' à '') ou encadrez-le à l'aide du mécanisme de guillemet q'[]'. Si votre texte contient des guillemets vides (""), placez-le entre guillemets à l'aide du mécanisme q'[]'. Par exemple :

SELECT AI SUMMARIZE q'[this's a text]';

Exemple : Utilisez la procédure DBMS_CLOUD_AI.SUMMARIZE pour générer un sommaire

Ces exemples illustrent la génération d'un sommaire à l'aide de différents paramètres de la procédure DBMS_CLOUD_AI.SUMMARIZE.

Vous pouvez générer un sommaire à partir de plus de 3000 mots de texte stockés dans un stockage d'objets OCI en spécifiant le lien de stockage d'objets en tant que paramètre location_uri et les données d'identification de votre compte en nuage en tant que credential_name à l'aide de DBMS_CLOUD_AI.SUMMARIZE

SELECT DBMS_CLOUD_AI.SUMMARIZE(
                location_uri => 'https://objectstorage.ca-toronto-1.oraclecloud.com/n/' ||
                    'namespace-string/b/bucketname/o/data_folder/' ||
                    'summary/test_4000_words.txt',
                credential_name => 'STORE_CRED',
                profile_name => 'GENAI')
from DUAL;

Une autre façon de générer un sommaire à partir d'un texte stocké dans un stockage d'objets OCI consiste à utiliser le paramètre content pour appeler la procédure DBMS_CLOUD.GET_OBJECT.

SELECT DBMS_CLOUD_AI.SUMMARIZE(
                content => TO_CLOB(
                            DBMS_CLOUD.GET_OBJECT(
                                credential_name => 'STORE_CRED',
                                location_uri => 'https://objectstorage.ca-toronto-1.oraclecloud.com/n/' ||
                    'namespace-string/b/bucketname/o/data_folder/' ||
                    'summary/test_4000_words.txt')),
                profile_name => 'GENAI'>)
from DUAL;

Exemple : Générer un sommaire en spécifiant l'invite utilisateur, le nombre minimal de mots et le nombre maximal de mots

L'exemple suivant illustre la génération d'un résumé d'un texte de plus de 3000 mots en spécifiant les paramètres suivants :

• user_prompt : Le sommaire doit commencer par 'Le sommaire de l'article est : '

• min_words: 50
• max_words: 100

SELECT DBMS_CLOUD_AI.SUMMARIZE(
                content => TO_CLOB(
                             DBMS_CLOUD.GET_OBJECT(
                             credential_name =>'STORE_CRED',
                             location_uri =>'https://objectstorage.ca-toronto-1.oraclecloud.com/n/' ||
                                   'namespace-string/b/bucketname/o/data_folder/' ||
                                   'summary/test_4000_words.txt')),
                profile_name    => 'GENAI',
                user_prompt     => 'The summary should start with ''The summary of ' ||
                                   'the article is: ''',
                params          => '{"min_words":50,"max_words":100}')
As response FROM dual;

RESPONSE
--------------------------------------------------------------------------------
The summary of the article is: The music streaming industry, led by Spotify, has revolutionized the way people consume music, with streaming accounting for about eighty per cent of the American recording industry's revenue. However, this shift has also raised concerns about the impact on artists, with many struggling to make a living due to low royalty rates and the dominance of playlists. The article explores the history of music streaming, from the early days of Napster to the current landscape, and how it has changed the way people listen to music. It also delves into the issues of autonomy and creativity in the music industry, with some artists feeling pressured to conform to certain styles or formulas to succeed on platforms like Spotify. The article cites examples of artists who have spoken out against the streaming economy, including Taylor Swift and Neil Young, and discusses the rise of alternative platforms like Bandcamp and Nina. Ultimately, the article suggests that the streaming economy has created a perverse vision for art, where music is valued for its ability to be ignored rather than appreciated, and that this has significant implications for the future of music and creativity. With the rise of AI-generated music and the increasing importance of data-driven decision making in the music industry, the article asks what the m
usic we're not hearing sounds like, and what the consequences of this shift will be for artists and listeners alike. The article concludes by highlighting the need for a more nuanced understanding of the music industry and the impact of streaming on artists and listeners, and for alternative models that prioritize creativity and autonomy over profit and convenience.

Exemple : Générer un sommaire en spécifiant l'invite utilisateur, le nombre maximal de mots et le style de sommaire

L'exemple suivant illustre la génération d'un résumé d'un texte de plus de 12000 mots en spécifiant les paramètres suivants :

• user_prompt : Le sommaire doit commencer par 'Le sommaire de l'article est : '

• max_words: 100

• summary_style: list

SELECT DBMS_CLOUD_AI.SUMMARIZE(
                location_uri    => 'https://objectstorage.ca-toronto-1.' ||
                                   'oraclecloud.com/n/namespace-string/b/' ||
                                   '/bucketname/o/data_folder/' ||
                                   'summary/dreams.txt',
                credential_name => 'STORE_CRED',
                profile_name    => 'GENAI',
                user_prompt     => 'The summary should start with ''The summary of ' ||
                                   'the article is: ''',
                params          => '{"max_words":100, "summary_style":"list"}')
As response FROM dual;

RESPONSE
--------------------------------------------------------------------------------
The summary of the article is:
- The book "Dreams" by Henri Bergson explores the concept of dreams and their significance in understanding human consciousness.
- Bergson argues that dreams are not just random thoughts, but rather a way for our unconscious mind to process and consolidate memories.
- He suggests that dreams are a result of the relaxation of our mental faculties, which allows our unconscious mind to freely associate and create new connections between memories.
- The book also discusses the role of sensations, such as visual and auditory impressions, in shaping our dreams.
- Bergson's theory of dreams is compared to other theories, including those of Freud and Jung, and is seen as a unique and insightful contribution to the field of psychology.
- The book concludes by highlighting the importance of studying dreams in order to gain a deeper understanding of human consciousness and the workings of the mind.

Exemple : Générer un sommaire d'un registre

Cet exemple montre comment transmettre un fichier de 35,66 Mio en tant qu'entrée pour générer un résumé. La fonction DBMS_CLOUD_AI.SUMMARIZE utilise une méthode d'affinement itératif pour traiter les fragments. Pour plus d'informations, voir Sélectionner la terminologie relative à l'IA.

SELECT DBMS_CLOUD_AI.SUMMARIZE(
       location_uri    => 'https://objectstorage.ca-toronto-1.oraclecloud.com/n/namespace-string/b/' ||
                          'bucketname/o/data_folder/summary/Descartes_An_Intellectual_Biography.pdf',
       credential_name => 'STORE_CRED',
       profile_name    => 'GENAI',
       params          =>  '{"chunk_processing_method":"iterative_refinement"}')
AS response FROM dual;

RESPONSE
--------------------------------------------------------------------------------
Stephen Gaukroger's intellectual biography of Rene Descartes provides a detailed  examination of the philosopher's crucial role in shaping modern thought, placing him within the cultural, religious, and scientific context of the early seventeenth century. It traces Descartes' intellectual journey from his education at La Fleche, where he rejected Aristotelian logic, to his influential interactions with figures like Isaac Beeckman, which shaped his mechanistic worldview evident in works like his hydrostatics manuscript and *Compendium Musicae*. The biography underscores Descartes' dual commitment to philosophy and science, highlighting his social status among the gentry, mathematical innovations such as solving the Pappus problem through algebraic geometry, and his epistemology based on clear and distinct ideas. It explores his mechanistic explanations of bodily functions, challenging traditional soul-body distinctions, and his extensive natural philosophy in texts like *Le Monde* and *L'Homme*. Gaukroger also delves into Descartes' cosmological theories, including the vortex theory and laws of motion linked to divine immutability, as well as his nuanced perspectives on animal cognition versus human consciousness. Central to the narrative is Descartes' use of hyperbolic doubt to combat skepticism and establish metaphysical foundations through the *cogito*, alongside his classification of ideas and theological proofs of God's existence. The complex relationship between his natural philosophy and metaphysics, especially in defining motion as a mode, and his innovative approach to the passions in *Passions of the Soul*, rejecting Stoic views for a mind-body union, are key themes. This portrayal captures Descartes' struggle with traditional paradigms during a transformative era, emphasizing his enduring impact on p
hilosophy and science.

Exemple : Sélectionnez AI Translate

Ces exemples montrent comment vous pouvez utiliser la capacité translate.

Pour utiliser la fonction Sélectionner la traduction de l'intelligence artificielle, vous devez disposer des autorisations de politique IAM appropriées pour accéder aux services Oracle Cloud Infrastructure Language.

Accordez l'autorisation d'utiliser la ressource ai-service-language-family dans votre politique IAM. Voici un exemple d'énoncé de politique pour accorder l'autorisation à un groupe d'utilisateurs dans un compartiment spécifique :

allow group <your group name> to use ai-service-language-family in compartment <your_compartment>

• Si vous utilisez des données d'identification de principal de ressource, affectez l'autorisation au groupe dynamique.

• Si vous utilisez des données d'identification à clé privée, affectez l'autorisation au groupe d'utilisateurs.

Un groupe dynamique identifie les ressources telles que les bases de données ou les fonctions en mettant en correspondance leurs OCID ou marqueurs, tandis qu'un groupe d'utilisateurs contient des utilisateurs IAM individuels.

Utilisez un groupe dynamique lorsque la politique s'applique aux ressources OCI et un groupe d'utilisateurs lorsque la politique s'applique aux utilisateurs humains. Pour des étapes détaillées pour créer des groupes dynamiques et d'utilisateurs, voir Gestion des groupes dymaniques.

Pour plus d'informations, voir Politiques linguistiques.

Exemple : Utiliser l'action Translate sur la ligne de commande SQL

L'exemple suivant montre comment utiliser l'action translate sur la ligne de commande SQL.

Note : Votre profil d'intelligence artificielle doit spécifier la langue cible. Cette fonction n'est prise en charge que pour OCI fournisseur.

--Create an AI profile with language parameters
BEGIN
DBMS_CLOUD_AI.CREATE_PROFILE(
      profile_name =>'GENAI_NEW',
      attributes   =>'{"provider": "oci",
        "credential_name": "GENAI_CRED",
		"target_language": "french",
		"object_list": [{"owner": "SH", "name": "customers"},
                        {"owner": "SH", "name": "countries"},
                        {"owner": "SH", "name": "supplementary_demographics"},
                        {"owner": "SH", "name": "profits"},
                        {"owner": "SH", "name": "promotions"},
                        {"owner": "SH", "name": "products"}]
       }');
END;
/

exec DBMS_CLOUD_AI.SET_PROFILE('GENAI_NEW');

select ai translate I need to translate this;

RESPONSE
---------------------
Je dois traduire ceci

Exemple : Utiliser Traduire dans la fonction DBMS_CLOUD_AI.GENERATE

Les exemples suivants montrent l'utilisation de translate comme action Sélectionner l'intelligence artificielle dans la fonction DBMS_CLOUD_AI.GENERATE. Pour plus d'informations, voir Fonction GENERATE.

Note : Le profil d'intelligence artificielle peut ignorer la spécification du paramètre de langue cible s'il est transmis en tant qu'attribut dans DBMS_CLOUD_AI.GENERATE.

L'action translate est fournie dans la fonction DBMS_CLOUD_AI.GENERATE avec target_language et source_language. Cet exemple utilise la traduction de l'IA générative. Le texte d'entrée this is a document en anglais (source_language: "en") est traduit en français (target_language: "fr").

SELECT DBMS_CLOUD_AI.GENERATE('select ai translate text to be translated')
          FROM dual;

      DECLARE
         l_attributes  clob := '{"target_language": "fr", "source_language": "en"}';
         output clob;
      BEGIN
         output := DBMS_CLOUD_AI.GENERATE(
                        prompt            => 'this is a document',
                        profile_name      => 'oci_translate',
                        action            => 'translate',
                        attributes        => l_attributes
                     );

Exemple : Utiliser la fonction DBMS_CLOUD_AI.TRANSLATE pour la traduction

Cet exemple appelle la fonction DBMS_CLOUD_AI.TRANSLATE pour utiliser la traduction de l'IA générative, en convertissant le texte d'entrée de l'anglais (source_language) en français (target_language) à l'aide du profil d'IA spécifié.

Voir Fonction TRANSLATE pour plus de détails.

BEGIN
   output_text := DBMS_CLOUD_AI.TRANSLATE(
   profile_name    => 'GENAI_NEW'
   text            => 'text to be translated',
   source_language => 'English',
   target_language => 'French');
END;
/

Exemple : Afficher les langues prises en charge pour un fournisseur

Interrogez la vue AI_TRANSLATION_LANGUAGES pour voir la liste des langues prises en charge par votre fournisseur d'intelligence artificielle. Voir AI_TRANSLATION_LANGUAGES Voir pour plus de détails.

SELECT* FROM AI_TRANSLATION_LANGUAGES;

LANGUAGE_NAME        LANGUAGE_CODE        PROVIDER
-------------------- -------------------- ---------------
ARABIC               ar                   OCI
CROATIAN             hr                   OCI
CZECH                cs                   OCI
DANISH               da                   OCI
GERMAN               de                   OCI
GREEK                el                   OCI
ENGLISH              en                   OCI
SPANISH              es                   OCI
FINNISH              fi                   OCI
FRENCH               fr                   OCI
FRENCH CANADA        fr-CA                OCI
HEBREW               he                   OCI
HUNGARIAN            hu                   OCI
ITALIAN              it                   OCI

Contenu connexe

• Améliorer les invites en langage naturel à l'aide de la génération augmentée par extraction (RAG)

• Générer des données synthétiques pour le développement et les tests

• Ensemble DBMS_CLOUD_AI