Compartilhar via

Analise as revisões dos clientes usando o AI Functions

  • Artigo

Importante

Esse recurso está em uma versão prévia.

Este artigo ilustra como usar AI Functions para examinar avaliações de clientes e determinar se uma resposta precisa ser gerada. As AI Functions usadas neste exemplo são funções SQL internas do Databricks, alimentadas por modelos de IA generativos disponibilizados pelas APIs do Databricks Foundation Model. Confira Funções de IA no Azure Databricks.

Este exemplo executa o seguinte em um conjunto de dados de teste chamado reviews usando AI Functions:

  • Determina o sentimento de uma revisão.
  • Para avaliações negativas, extrai informações da avaliação para classificar a causa.
  • Identifica se uma resposta é necessária para o cliente.
  • Gera uma resposta mencionando produtos alternativos que podem satisfazer o cliente.

Requisitos

  • Um espaço de trabalho em uma região com suporte para pagamento por token nas APIs do Modelo Fundacional.
  • Essas funções não estão disponíveis no SQL Clássico do Azure Databricks.
  • Durante a versão prévia, essas funções têm restrições em seu desempenho. Entre em contato com a equipe da sua conta do Databricks se precisar de uma cota maior para seus casos de uso.

Analisar o sentimento das avaliações

Você pode usar ai_analyze_sentiment() para ajudar você a entender como os clientes se sentem com base em suas avaliações. No exemplo a seguir, o sentimento pode ser positivo, negativo, neutro ou misto.

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

Nos resultados a seguir, você verá que a função retorna o sentimento de cada avaliação sem nenhuma engenharia de prompt ou análise de resultados.

Results for ai_sentiment function

Classificar revisões

Neste exemplo, após identificar as revisões negativas, você pode usar ai_classify() para obter mais insights sobre as avaliações dos clientes, como, por exemplo, se a avaliação negativa se deve à logística deficiente, à qualidade do produto ou a outros fatores.

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"

Nesse caso, ai_classify() é capaz de categorizar corretamente as avaliações negativas com base em rótulos personalizados para permitir uma análise mais detalhada.

Results for ai_classify function

Extrair informações de avaliações

Talvez você queira melhorar a descrição do produto com base nos motivos apresentados pelos clientes para suas avaliações negativas. Você pode encontrar informações importantes em um bloco de texto usando ai_extract(). O exemplo a seguir extrai informações e classifica se a avaliação negativa foi baseada em problemas de dimensionamento do produto:

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

Veja a seguir uma amostra dos resultados:

Results for ai_extract function

Gere respostas com recomendações

Depois de analisar as respostas dos clientes, você pode usar a função ai_gen() para gerar uma resposta a um cliente com base em sua reclamação e fortalecer o relacionamento com o cliente por meio de respostas rápidas aos seus comentários.

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"

Veja a seguir uma amostra dos resultados:

Results for ai_gen_results function

Recursos adicionais