Udostępnij za pośrednictwem

Analizowanie przeglądów klientów przy użyciu funkcji sztucznej inteligencji

  • Artykuł

Ważne

Ta funkcja jest dostępna w publicznej wersji zapoznawczej.

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 sztucznej inteligencji w usłudze Azure Databricks.

W tym przykładzie na testowym zestawie danych o nazwie reviews using AI Functions (Funkcje sztucznej inteligencji) są wykonywane następujące czynności:

  • Określa tonację przeglądu.
  • W przypadku negatywnych przeglądów wyodrębnia informacje z przeglądu, aby sklasyfikować przyczynę.
  • Określa, czy odpowiedź jest wymagana z powrotem do klienta.
  • Generuje odpowiedź wskazującą alternatywne produkty, które mogą być zgodne z klientem.

Wymagania

  • Obszar roboczy w regionie obsługiwanym przez interfejsy API modelu foundation pay-per-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 konta usługi Databricks, jeśli potrzebujesz wyższego limitu przydziału dla przypadków użycia.

Analizowanie tonacji recenzji

Możesz użyć ai_analyze_sentiment(), aby pomóc zrozumieć, jak klienci czują się z ich recenzji. 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.

Results for ai_sentiment function

Klasyfikowanie recenzji

W tym przykładzie po zidentyfikowaniu negatywnych recenzji można użyć ai_classify(), aby uzyskać więcej 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() można poprawnie kategoryzować negatywne recenzje na podstawie etykiet niestandardowych, aby umożliwić dalszą analizę.

Results for ai_classify function

Wyodrębnianie informacji z przeglądów

Warto ulepszyć opis produktu na podstawie powodów, dla których klienci mieli negatywne opinie. Kluczowe informacje z obiektu blob tekstu można znaleźć 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:

Results for ai_extract function

Generowanie odpowiedzi przy użyciu zaleceń

Po przejrzeniu odpowiedzi klientów możesz użyć funkcji ai_gen(), aby wygenerować odpowiedź na klienta na podstawie ich skargi i wzmocnić relacje klientów z odpowiedziami z monitami o opinię.

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:

Results for ai_gen_results function

Dodatkowe zasoby