Select AI migliora l'interazione dei dati e consente agli sviluppatori di creare applicazioni basate sull'intelligenza artificiale direttamente da SQL, trasformando i prompt del linguaggio naturale in query SQL e risposte di testo, supportando l'interazione chat con LLM, migliorando l'accuratezza delle risposte con i dati correnti utilizzando RAG e generando dati sintetici.

Di seguito sono riportati alcuni casi d'uso.

• Genera SQL da prompt di linguaggio naturale

  Produttività degli sviluppatori: Select AI migliora notevolmente la produttività degli sviluppatori fornendo rapidamente query SQL "starter". Gli sviluppatori possono immettere i prompt del linguaggio naturale e Select AI genera SQL in base alle tabelle e alle viste dello schema di database. Ciò riduce il tempo e gli sforzi necessari per scrivere query complesse da zero, consentendo agli sviluppatori di concentrarsi sul perfezionamento e l'ottimizzazione delle query generate per le loro esigenze specifiche.

  Query in linguaggio naturale per gli utenti finali: Select AI consente agli utenti finali di interagire con le tabelle e le viste di dati di base dell'applicazione utilizzando query in linguaggio naturale. Questa funzionalità consente agli utenti senza esperienza SQL di porre domande e recuperare i dati direttamente, rendendo l'accesso ai dati più intuitivo e user-friendly rispetto alle funzionalità di LLM in uso e alla qualità dei metadati dello schema disponibili.

  Altre funzionalità per la generazione SQL: le funzionalità evidenziate riportate di seguito sono supportate anche per la generazione da linguaggio naturale a SQL.

  • Specificare lo schema, le tabelle o le viste: Select AI consente di specificare una lista di oggetti costituita da schema e, facoltativamente, da tabelle o viste all'interno di tale schema.

  • Rileva automaticamente i metadati delle tabelle pertinenti: Select AI rileva automaticamente le tabelle pertinenti e invia i metadati solo per quelle tabelle specifiche, pertinenti alla query, in Oracle Database 23ai.

  • Limita accesso alle tabelle: Select AI consente di limitare l'accesso alle tabelle considerando solo le tabelle elencate negli attributi del profilo AI per la generazione SQL.
  • Specificare la distinzione tra maiuscole e minuscole per le colonne: Select AI consente all'utente di specificare la distinzione tra maiuscole e minuscole in modo che LLM produca risposte senza distinzione tra maiuscole e minuscole dal database e da LLM.

• conversazioni

  Abilita funzioni simili a chatbot con Select AI, consentendo agli utenti di avere conversazioni naturali per eseguire query sui dati ed eseguire azioni. Queste chat possono tenere traccia del contesto, fornendo risposte di follow-up che chiariscono o espandono le domande originali. Questo scenario aumenta il coinvolgimento e semplifica le query complicate attraverso la conversazione.

• Generazione di supporti personalizzati

  Select AI può essere utilizzato per generare contenuti multimediali personalizzati, ad esempio e-mail personalizzate in base AI dettagli dei singoli clienti. Ad esempio, nel tuo prompt potresti istruire l'LLM a creare un'e-mail amichevole e ottimista che incoraggi un cliente a provare un set di prodotti consigliati. Questi suggerimenti potrebbero essere basati sui dati demografici dei clienti o su altre informazioni specifiche disponibili nel database. Questo livello di personalizzazione migliora il coinvolgimento dei clienti offrendo contenuti pertinenti e accattivanti direttamente al cliente.

• Generazione di codice

  Con l'azione Seleziona AI chat, è possibile utilizzare Seleziona AI per chiedere all'LLM specificato di generare codice dai prompt del linguaggio naturale. Questa funzione supporta vari linguaggi di programmazione come SQL, Python, R e Java. Ad esempio:

  • Codice Python: "Scrivere il codice Python per calcolare una matrice di confusione su un DataFrame con colonne ACTUAL e PREDICTED".
  • SQL DDL: "Scrivere il DDL per una tabella SQL con nome, età, reddito e paese delle colonne".
  • Query SQL: "Scrivere la query SQL che utilizzerà il modello di database Oracle Machine Learning denominato CHURN_DT_MODEL per prevedere quali clienti abbandoneranno e con quale probabilità".

• Generazione aumentata recupero (RAG)

  Utilizza il contenuto dell'area di memorizzazione vettoriale per la ricerca della somiglianza semantica per migliorare l'accuratezza e la pertinenza delle risposte LLM.

• Generazione dati sintetici

  Genera dati sintetici utilizzando LLM conformi allo schema per test di soluzioni, proof of concept e altri usi. I dati sintetici possono supportare test migliori delle applicazioni in assenza di dati reali, con conseguente qualità complessiva dell'applicazione.

  La generazione dei dati sintetici può anche essere utilizzata per popolare una copia di Autonomous Database o una copia di metadati. Seleziona AI supporta la generazione di dati sintetici per tali copie. L'utilizzo di dati sintetici consente di proteggere i dati sensibili e allo stesso tempo di sviluppare, testare e convalidare le user experience. È utile anche per i progetti di intelligenza artificiale e Machine Learning che richiedono dati di esempio per l'addestramento dei modelli o dati di test per l'assegnazione del punteggio.