Funzioni di intelligenza artificiale in Azure Databricks
Importante
Questa funzionalità è disponibile in anteprima pubblica.
Questo articolo descrive Funzioni di intelligenza artificiale di Azure Databricks, funzioni SQL predefinite che consentono di applicare l'intelligenza artificiale ai dati direttamente da SQL.
SQL è fondamentale per l'analisi dei dati grazie alla versatilità, all'efficienza e all'uso diffuso. La sua semplicità consente di recuperare, manipolare e gestire rapidamente set di dati di grandi dimensioni. L'incorporazione di funzioni di intelligenza artificiale in SQL per l'analisi dei dati migliora l'efficienza, che consente alle aziende di estrarre rapidamente informazioni dettagliate.
L'integrazione dell'IA nei flussi di lavoro di analisi fornisce l'accesso alle informazioni precedentemente inaccessibili agli analisti e consente loro di prendere decisioni più informate, gestire i rischi e sostenere un vantaggio competitivo grazie all'innovazione e all'efficienza basata sui dati.
Funzioni di IA che usano le API Modello di base di Databricks
Nota
- In Databricks Runtime 15.1 e versioni successive queste funzioni sono supportate nei notebook di Databricks, inclusi i notebook eseguiti come attività in un flusso di lavoro di Databricks.
- Queste funzioni sono basate su Meta-Llama-3.1-70B-Instruct per le attività di chat e GTE Large (inglese) per le attività di incorporamento. Questi modelli sono limitati alle aree degli Stati Uniti e dell'UE. Vedere Intelligenza artificiale e Machine Learning.
Queste funzioni richiamano un modello di IA generativa all'avanguardia dalle API Modello di base di Databricks per eseguire attività come l'analisi, la classificazione e la traduzione del sentiment. Vedere Analizzare le recensioni dei clienti usando le funzioni di IA.
- ai_analyze_sentiment
- ai_classify
- ai_extract
- ai_fix_grammar
- ai_gen
- ai_mask
- ai_similarity
- ai_summarize
- ai_translate
ai_query
Nota
- In Databricks Runtime 14.2 e versioni successive questa funzione è supportata nei notebook di Databricks, inclusi i notebook eseguiti come attività in un flusso di lavoro di Databricks.
- In Databricks Runtime 14.1 e versioni precedenti questa funzione non è supportata nei notebook di Databricks.
La funzione ai_query() consente di eseguire query su modelli di Machine Learning e modelli linguistici di grandi dimensioni serviti usando Mosaic AI Model Serving. Per fare ciò, questa funzione richiama un endpoint di gestione di Mosaic AI Model esistente e analizza e restituisce la risposta. È possibile usare ai_query() per eseguire query sugli endpoint che servono modelli personalizzati, modelli di base resi disponibili usando le API del modello di base e i modelli esterni.
- funzione ai_query.
- Fare una query su un modello servito con ai_query.
- Interrogare un modello esterno con ai_query.
Per i casi d'uso con più di 100 righe di dati, Databricks consiglia di usare ai_query e un endpoint di throughput predefinito. Vedere Eseguire l'inferenza LLM batch usando ai_query.
vector_search
La funzione vector_search() consente di ricercare ed eseguire query su un indice di Mosaic AI Vector Search usando SQL.
Per altre informazioni, vedere funzione vector_search .
ai_forecast
La funzione ai_forecast() è una funzione table-valued progettata per estrapolare i dati delle serie temporali in futuro. Nella sua forma più generale, ai_forecast() accetta dati raggruppati, multivariati o granularità mista e previsioni che i dati fino a un certo orizzonte in futuro.
Importante
Questa funzionalità è in anteprima pubblica. Contattare il team dell'account Databricks per partecipare all'anteprima.
Per altre informazioni, vedere funzione ai_forecast.