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

Les cas d'emploi sont les suivants :

• Générer SQL à partir d'invites en langage naturel

  Productivité des développeurs : Select AI améliore considérablement la productivité des développeurs en fournissant rapidement des requêtes SQL "starter". Les développeurs peuvent saisir des invites en langage naturel et Select AI génère du code SQL en fonction des vues et des tables 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'affinage et l'optimisation des requêtes générées pour leurs besoins spécifiques.

  Requêtes en langage naturel pour les utilisateurs finaux : Select AI permet aux utilisateurs finaux d'interagir avec les vues et les tables de données sous-jacentes de votre application à l'aide de requêtes 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 convivial par rapport aux capacités du LLM utilisé et à la qualité des métadonnées de schéma disponibles.

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

  • Indiquer un schéma, des tables ou des vues : Sélectionnez AI pour indiquer une liste d'objets composée d'un schéma et éventuellement de tables ou de vues au sein de ce schéma.

  • Détecter automatiquement les métadonnées de table pertinentes : le programme AI détecte automatiquement les tables pertinentes et n'envoie les métadonnées que pour les tables spécifiques pertinentes pour la requête dans Oracle Database 23ai.

  • Limiter l'accès aux tables : sélectionnez AI pour restreindre l'accès aux tables en prenant en compte uniquement les tables répertoriées dans les attributs de profil AI pour la génération SQL.
  • Spécifier la distinction majuscules/minuscules pour les colonnes : Sélectionnez AI pour permettre à l'utilisateur de spécifier la distinction majuscules/minuscules de sorte que le LLM génère des réponses non sensibles à la casse à partir de la base de données et du LLM.

• Conversations

  Activez les fonctionnalités de type chatbot 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 les questions originales. Ce scénario améliore l'engagement et facilite les requêtes complexes grâce à la conversation.

• Génération de médias personnalisés

  Select AI peut être utilisé pour générer du contenu multimédia personnalisé, tel que des e-mails adaptés aux détails des clients individuels. Par exemple, dans votre invite, vous pouvez demander au LLM de créer un e-mail convivial et optimiste encourageant un client à essayer un ensemble 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 client en fournissant du contenu pertinent et attrayant directement au client.

• Génération du code

  Avec l'action Sélectionner IA chat, vous pouvez utiliser Sélectionner IA 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 élément DataFrame avec les colonnes ACTUAL et PREDICTED.
  • SQL DDL : écrivez le DDL pour une table SQL avec le nom, l'âge, le revenu et le pays des colonnes.
  • Requête SQL : écrivez la requête SQL qui utilisera le modèle Oracle Machine Learning dans la base de données nommé CHURN_DT_MODEL pour prédire quels clients vont se désabonner et avec quelle probabilité.

• Génération augmentée de récupération (RAG)

  Utilisez 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

  Générez des données synthétiques à l'aide de LLM conformes à votre schéma pour le test de solution, la validation de concept et d'autres utilisations. Les données synthétiques peuvent prendre en charge de meilleurs tests de vos applications en l'absence de données réelles, ce qui conduit à une qualité globale de votre application.

  La génération de données synthétiques peut également être utilisée pour remplir un clone Autonomous Database ou un clone de métadonnées. Select AI prend en charge la génération de données synthétiques pour ces clones. L'utilisation de données synthétiques permet de protéger les données sensibles tout en permettant le développement, les tests et la validation des expériences utilisateur. Il est également utile pour les projets d'IA et de machine learning nécessitant des données échantillon pour l'entraînement du modèle ou des données de test pour le scoring.