Freigeben über


KI-Funktionen in Azure Databricks

Wichtig

Dieses Feature befindet sich in der Public Preview.

In diesem Artikel werden Azure Databricks KI-Funktionen, integrierte SQL-Funktionen, beschrieben, mit denen Sie KI direkt aus SQL auf Ihre Daten anwenden können.

SQL ist aufgrund seiner Vielseitigkeit, Effizienz und weit verbreiteten Verwendung entscheidend für die Datenanalyse. Die Einfachheit ermöglicht schnelles Abrufen, Bearbeiten und Verwalten großer Datasets. Durch die Integration von KI-Funktionen in SQL zur Datenanalyse wird die Effizienz verbessert, wodurch Unternehmen schnell Erkenntnisse extrahieren können.

Die Integration von KI in Analyseworkflows ermöglicht den Zugriff auf Informationen, die zuvor für Analysten nicht zugänglich waren, und ermöglicht es ihnen, fundiertere Entscheidungen zu treffen, Risiken zu verwalten und einen Wettbewerbsvorteil durch datengesteuerte Innovation und Effizienz aufrechtzuerhalten.

KI-Funktionen mit Databricks Foundation Model-APIs

Hinweis

  • In Databricks Runtime 15.1 und höher werden diese Funktionen in Databricks-Notebooks unterstützt, einschließlich Notebooks, die als Task in einem Databricks-Workflow ausgeführt werden.
  • Diese Funktionen werden von Meta-Llama-3.1-70B-Instruct für Chataufgaben und GTE Large (Englisch) zum Einbetten von Aufgaben unterstützt. Diese Modelle sind auf US- und EU-Regionen beschränkt. Siehe KI und maschinelles Lernen.

Diese Funktionen rufen ein hochmodernes generatives KI-Modell aus Databricks Foundation Model-APIs auf, um Aufgaben wie Stimmungsanalyse, Klassifizierung und Übersetzung auszuführen. Siehe Analysieren von Kundenbewertungen mithilfe von KI-Funktionen.

ai_query

Hinweis

  • In Databricks Runtime 14.2 und höher wird diese Funktion in Databricks-Notebooks unterstützt, einschließlich Notebooks, die als Task in einem Databricks-Workflow ausgeführt werden.
  • In Databricks Runtime 14.1 und früher wird diese Funktion in Databricks-Notebooks nicht unterstützt.

Mit der ai_query()-Funktion können Sie Machine Learning-Modelle und große Sprachmodelle (LLMs) abfragen, die mit Mosaik AI Model Serving bereitgestellt werden. Dazu ruft diese Funktion einen vorhandenen Mosaic AI Model Serving-Endpunkt auf, analysiert dessen Antwort und gibt diese zurück. Sie können ai_query() verwenden, um Endpunkte abzufragen, die benutzerdefinierte Modelle, Foundation-Modelle, die mit Foundation Model-APIs verfügbar gemacht wurden, und externen Modelle bedienen.

Mit der Funktion vector_search() können Sie einen Mosaic AI-Vektorsuchindex mithilfe von SQL durchsuchen und abfragen.

Weitere Informationen finden Sie unter vector_search-Funktion.

ai_forecast

Die Funktion ai_forecast() ist eine Tabellenwertfunktion, die zum Extrapolieren von Zeitreihendaten in die Zukunft konzipiert ist. In seiner allgemeinsten Form akzeptiert ai_forecast() gruppierte, multivariante oder gemischt-granulare Daten und prognostiziert diese Daten bis zu einem gewissen Horizont in der Zukunft.

Wichtig

Diese Funktion befindet sich in der Public Preview. Wenden Sie sich an Ihr Databricks-Kontoteam, um sich für die Vorschau zu registrieren.

Weitere Informationen finden Sie unter ai_forecast-Funktion.