AI Functions på Azure Databricks
Viktigt!
Den här funktionen finns som allmänt tillgänglig förhandsversion.
Den här artikeln beskriver Azure Databricks AI Functions, inbyggda SQL-funktioner som gör att du kan använda AI på dina data direkt från SQL.
SQL är avgörande för dataanalys på grund av dess mångsidighet, effektivitet och utbredda användning. Enkelheten möjliggör snabb hämtning, manipulering och hantering av stora datamängder. Att införliva AI-funktioner i SQL för dataanalys förbättrar effektiviteten, vilket gör det möjligt för företag att snabbt extrahera insikter.
Integrering av AI i analysarbetsflöden ger åtkomst till information som tidigare inte var tillgänglig för analytiker och ger dem möjlighet att fatta mer välgrundade beslut, hantera risker och upprätthålla en konkurrensfördel genom datadriven innovation och effektivitet.
AI-funktioner med Databricks Foundation-modell-API:er
Kommentar
- I Databricks Runtime 15.1 och senare stöds dessa funktioner i Databricks Notebooks, inklusive notebook-filer som körs som en uppgift i ett Databricks-arbetsflöde.
- Dessa funktioner drivs av Meta-Llama-3.1-70B-Instruct för chattuppgifter och GTE Large (engelska) för inbäddningsuppgifter. Dessa modeller är begränsade till regioner i USA och EU. Se AI och maskininlärning.
Dessa funktioner anropar en toppmodern generativ AI-modell från Databricks Foundation Model API:er för att utföra uppgifter som attitydanalys, klassificering och översättning. Se Analysera kundrecensioner med hjälp av AI Functions.
- ai_analyze_sentiment
- ai_classify
- ai_extract
- ai_fix_grammar
- ai_gen
- ai_mask
- ai_similarity
- ai_summarize
- ai_translate
ai_query
Kommentar
- I Databricks Runtime 14.2 och senare stöds den här funktionen i Databricks Notebooks, inklusive notebook-filer som körs som en uppgift i ett Databricks-arbetsflöde.
- I Databricks Runtime 14.1 och nedan stöds inte den här funktionen i Databricks Notebooks.
Med ai_query() funktionen kan du fråga maskininlärningsmodeller och stora språkmodeller som hanteras med hjälp av Mosaic AI Model Serving. För att göra det anropar den här funktionen en befintlig Mosaic AI Model Serving-slutpunkt och parsar och returnerar svaret. Du kan använda ai_query() för att fråga efter slutpunkter som hanterar anpassade modeller, grundmodeller som görs tillgängliga med hjälp av Foundation Model-API:er och externa modeller.
För användningsfall med över 100 rader data rekommenderar Databricks att du använder ai_query och en etablerad dataflödesslutpunkt. Se Utföra batch-LLM-slutsatsdragning med hjälp av ai_query.
vector_search
Med vector_search() funktionen kan du söka efter och köra frågor mot ett Mosaic AI Vector Search-index med hjälp av SQL.
Mer information finns i vector_search funktion .
ai_forecast
Funktionen ai_forecast() är en table-värderad funktion utformad för att extrapolera tidsseriedata in i framtiden. I sin mest allmänna form ai_forecast() accepterar grupperade, multivarierade eller blandade kornighetsdata och prognoser för dessa data upp till en viss horisont i framtiden.
Viktigt!
Den här funktionen finns i offentlig förhandsversion. Kontakta ditt Databricks-kontoteam för att delta i förhandsversionen.