Documentation 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 basées sur l'IA directement à partir de SQL, transformant les invites de langage naturel en requêtes SQL et réponses textuelles, prenant en charge l'interaction par chat avec les LLM, améliorant la précision des réponses avec les données actuelles à l'aide de la RAG et générant des données synthétiques.

Exemples d'utilisation :

  • Générer du code 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 de démarrage. Les développeurs peuvent saisir des invites de 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'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 tables et vues 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 fonctionnalités du LLM utilisé et à la qualité des métadonnées de schéma disponibles.

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

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

    • Détecter automatiquement les métadonnées de table pertinentes : Select AI détecte automatiquement les tables pertinentes et envoie des métadonnées uniquement pour ces tables spécifiques, pertinentes pour la requête, dans Oracle Database 23ai.

    • Limiter l'accès aux tables : Select AI vous permet de restreindre 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 : Sélectionner l'IA permet à l'utilisateur de spécifier la sensibilité à la casse de sorte que le LLM génère des réponses sans distinction entre les majuscules et les minuscules 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, en donnant des réponses de suivi qui clarifient ou étendent les questions originales. Ce scénario stimule l'engagement et facilite les requêtes complexes grâce à la conversation.

  • Génération de supports personnalisés

    Select AI peut être utilisé pour générer du contenu multimédia personnalisé, tel que des e-mails adaptés aux détails de chaque client. Par exemple, dans votre invite, vous pouvez demander au LLM de créer un courriel 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 directement au client du contenu pertinent et attrayant.

  • Génération de code

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

    • Code Python : "écrivez le code Python pour calculer une matrice de confusion sur DataFrame avec les colonnes ACTUAL et PREDICTED".
    • DLD SQL : écrivez le script LDD pour une table SQL avec les colonnes name, age, income et country.
    • Requête SQL : écrivez la requête SQL qui utilisera le modèle de base de données Oracle Machine Learning nommé CHURN_DT_MODEL pour prédire les clients qui se désabonneront et avec quelle probabilité.

  • Génération augmentée de récupération (RAG).

    Utilisez le contenu de stockage vectoriel pour la recherche de similarité sémantique afin d'améliorer la précision et la pertinence rapides des réponses LLM.

  • Génération de données synthétiques

    Générez des données synthétiques à l'aide de LLM conformes à votre schéma pour les tests de solution, les preuves de concept et d'autres utilisations. Les données synthétiques peuvent permettre de mieux tester 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, le test 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 des modèles ou des données de test pour la notation.