AI Functions sur Azure Databricks

Important

Cette fonctionnalité est disponible en préversion publique.

Cet article décrit les Azure Databricks AI Functions, des fonctions SQL intégrées qui vous permettent d’appliquer l’IA à vos données directement à partir de SQL.

SQL est essentiel pour l’analyse de données en raison de sa polyvalence, de son efficacité et de son utilisation généralisée. Sa simplicité permet une récupération, une manipulation et une gestion rapides des jeux de données volumineux. L’ajout de fonctions d’IA dans SQL pour l’analyse de données renforce l’efficacité, permettant aux entreprises d’extraire rapidement des insights.

Avec l’intégration de l’IA dans les flux d’analyse, les analystes accèdent à des informations auparavant hors de portée. Ils peuvent également prendre des décisions plus éclairées, gérer les risques et maintenir certains avantages concurrentiels grâce à des solutions innovantes et efficaces axées sur les données.

Fonctions d'IA utilisant des API de modèle de base

Remarque

• Dans Databricks Runtime 15.1 et versions ultérieures, ces fonctions sont prises en charge dans les notebooks Databricks, notamment les notebooks exécutés en tant que tâche dans un flux de travail Databricks.
• Ces fonctions sont alimentées par Meta-Llama-3.3-70B-Instruct pour les tâches de conversation et GTE Large (anglais) pour l’incorporation de tâches. Ces modèles sont limités aux régions des États-Unis et de l’UE. Consultez l’IA et le Machine Learning.

Ces fonctions appellent un modèle d’IA dégénérative de pointe à partir des API Foundation Model pour effectuer des tâches telles que l’analyse des sentiments, la classification et la traduction. Consultez Analyser les avis des clients à l’aide de fonctions IA.

• ai_analyze_sentiment
• ai_classify
• ai_extract
• ai_fix_grammar
• ai_gen
• ai_mask
• ai_similarity
• ai_summarize
• ai_translate

ai_query

Remarque

• Dans Databricks Runtime 14.2 et versions ultérieures, cette fonction est prise en charge dans les notebooks Databricks, notamment les notebooks exécutés en tant que tâche dans un flux de travail Databricks.
• Dans Databricks Runtime 14.1 et ci-dessous, cette fonction n’est pas prise en charge dans les notebooks Databricks.

La fonction ai_query() vous permet d’interroger des modèles de Machine Learning et des modèles de langage volumineux servis à l’aide d’un service de modèles Mosaic AI. Pour ce faire, cette fonction appelle un point de terminaison de service de modèles Mosaic AI existant, et analyse et retourne sa réponse. Vous pouvez utiliser ai_query() pour interroger des points de terminaison qui servent des modèles personnalisés, des modèles de base mis à disposition à l’aide des API Foundation Model et des modèles externes.

• ai_query function.
• Interroger un modèle servi avec ai_query.
• Interroger un modèle externe avec ai_query.

Pour les cas d’usage avec plus de 100 lignes de données, Databricks recommande d’utiliser ai_query et un point de terminaison de débit approvisionné. Consultez Effectuer une inférence LLM par lot à l’aide de ai_query.

vector_search

La fonction vector_search() vous permet de rechercher et d’interroger un index de recherche vectorielle d’IA Mosaïque à l’aide de SQL.

Pour plus d’informations, consultez l’article Fonction vector_search.

ai_forecast

La fonction ai_forecast() est une fonction TVF conçue pour extrapoler les données de série chronologique dans le futur. Dans sa forme la plus générale, ai_forecast() accepte des données groupées, multivariées ou de granularité mixtes et prévoit ces données jusqu’à un certain moment dans le futur.

Important

Cette fonctionnalité n’existe qu’en préversion publique. Contactez l’équipe de votre compte Databricks pour participer à la préversion.

Pour plus d’informations, consultez l’article Fonction ai_forecast.