Udostępnij za pośrednictwem

Analiza recenzji klientów za pomocą funkcji sztucznej inteligencji

  • Artykuł

Ważny

Ta funkcja jest dostępna w publicznej wersji testowej.

W tym artykule pokazano, jak używać usługi AI Functions do sprawdzania opinii klientów i określania, czy należy wygenerować odpowiedź. Funkcje sztucznej inteligencji używane w tym przykładzie to wbudowane funkcje SQL usługi Databricks obsługiwane przez generowanie modeli sztucznej inteligencji udostępnianych przez interfejsy API modelu usługi Databricks Foundation. Zobacz Funkcje AI w usłudze Azure Databricks.

W tym przykładzie przedstawiono następujące czynności w testowym zestawie danych o nazwie reviews przy użyciu funkcji sztucznej inteligencji:

  • Określa nastawienie recenzji.
  • W przypadku negatywnych przeglądów wyodrębnia informacje z przeglądu, aby sklasyfikować przyczynę.
  • Określa, czy odpowiedź jest wymagana od klienta.
  • Generuje odpowiedź wskazującą alternatywne produkty, które mogą zaspokoić potrzeby klienta.

Wymagania

  • Obszar roboczy w interfejsach API modelu bazowego w regionie obsługującym płatności za token.
  • Te funkcje nie są dostępne w usłudze Azure Databricks SQL Classic.
  • W wersji zapoznawczej te funkcje mają ograniczenia dotyczące wydajności. Skontaktuj się z zespołem ds. konta usługi Databricks, jeśli potrzebujesz wyższego limitu dla przypadków użycia.

Analizowanie tonacji recenzji

Możesz użyć ai_analyze_sentiment(), aby zrozumieć, jak klienci oceniają swoje doświadczenia w recenzjach. W poniższym przykładzie tonacja może być pozytywna, negatywna, neutralna lub mieszana.

SELECT
  review,
  ai_analyze_sentiment(review) AS sentiment
FROM
  product_reviews;

W poniższych wynikach zobaczysz, że funkcja zwraca tonację dla każdego przeglądu bez żadnych monitów inżynieryjnych ani analizujących wyników.

wyniki funkcji ai_sentiment

Klasyfikowanie recenzji

W tym przykładzie po zidentyfikowaniu negatywnych recenzji można użyć ai_classify(), aby uzyskać więcej szczegółowych informacji na temat przeglądów klientów, takich jak to, czy negatywna recenzja jest spowodowana niską logistyką, jakością produktu lub innymi czynnikami.

SELECT
  review,
  ai_classify(
    review,
    ARRAY(
      "Arrives too late",
      "Wrong size",
      "Wrong color",
      "Dislike the style"
    )
  ) AS reason
FROM
  product_reviews
WHERE
  ai_analyze_sentiment(review) = "negative"

W takim przypadku ai_classify() jest w stanie poprawnie kategoryzować negatywne recenzje na podstawie etykiet niestandardowych, aby umożliwić dalszą analizę.

wyniki dla funkcji ai_classify

Wyodrębnianie informacji z przeglądów

Warto ulepszyć opis produktu na podstawie powodów, dla których klienci mieli negatywne opinie. Kluczowe informacje można znaleźć w bloku tekstu przy użyciu ai_extract(). Poniższy przykład wyodrębnia informacje i klasyfikuje, czy negatywna recenzja była oparta na problemach z ustalaniem rozmiaru produktu:

SELECT
  review,
  ai_extract(review, array("usual size")) AS usual_size,
  ai_classify(review, array("Size is wrong", "Size is right")) AS fit
FROM
  product_reviews

Poniżej przedstawiono przykład wyników:

Wyniki funkcji ai_extract

Generowanie odpowiedzi przy użyciu zaleceń

Po przejrzeniu odpowiedzi klientów możesz użyć funkcji ai_gen(), aby wygenerować odpowiedź dla klienta na podstawie ich skargi i wzmocnić relacje z klientami poprzez szybkie odpowiedzi na ich opinie.

SELECT
  review,
  ai_gen(
    "Generate a reply in 60 words to address the customer's review.
    Mention their opinions are valued and a 30% discount coupon code has been sent to their email.
    Customer's review: " || review
  ) AS reply
FROM
  product_reviews
WHERE
  ai_analyze_sentiment(review) = "negative"

Poniżej przedstawiono przykład wyników:

Wyniki funkcji ai_gen_results

Dodatkowe zasoby