Documentation sur Oracle Cloud Infrastructure

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 AI 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 Sélectionner 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 codes

    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 au lieu d'un DataFrame avec les colonnes ACTUAL et PREDICTED."
    • DL SQL : "Écrivez le LDD pour une table SQL avec le nom, l'âge, le revenu et le pays des colonnes."
    • Interrogation SQL : "Écrivez l'interrogation SQL qui utilisera le modèle Oracle Machine Learning dans la base de données nommé CHURN_DT_MODEL pour prédire quels clients seront perdus et avec quelle probabilité."

  • Génération augmentée par 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.

    La génération de données synthétiques peut également être utilisée pour alimenter un clone de base de données d'intelligence artificielle autonome ou un clone de métadonnées. Select AI prend en charge la génération de données synthétiques pour de tels clones. L'utilisation de données synthétiques aide à protéger les données sensibles tout en permettant le développement, les tests et la validation d'expériences utilisateur. Elle est également utile pour les projets d'intelligence artificielle et d'apprentissage automatique qui ont besoin de données-échantillons pour l'entraînement de modèles ou les données de test aux fins de notation.