使用 AI Functions 分析客戶評論
重要
這項功能目前在 公開預覽版。
本文說明如何使用 AI Functions 來檢查客戶評論,並判斷是否需要產生回應。 此範例中使用的 AI 函式是內建的 Databricks SQL 函式,由 Databricks Foundation 模型 API 所提供的衍生式 AI 模型所提供。 請參閱 使用 Azure Databricks AI Functions 將 AI 應用於數據。
此範例會使用 AI Functions 在名為 reviews
的測試數據集上執行下列動作:
- 決定評論的情緒。
- 針對負面評論,從評論中擷取資訊以辨識原因。
- 識別是否需要回覆客戶。
- 產生回應,提及可能滿足客戶的替代產品。
要求
- 基礎模型 API 中的工作區 按令牌計費區域。
- Azure Databricks SQL Classic 版本無法使用這些函式。
- 在預覽期間,這些功能對其效能有限制。 如果您需要較高的使用案例配額,請連絡 Databricks 帳戶小組。
分析客戶評論的情感
您可以使用 ai_analyze_sentiment() 來協助您從評論中了解客戶的感受。 在下列範例中,情感可以是正面、負面、中性或混合。
SELECT
review,
ai_analyze_sentiment(review) AS sentiment
FROM
product_reviews;
從下列結果中,您會看到函式會針對每個評論傳回情感傾向,而不需要任何提示詞工程或解析結果。
的結果
分類評論
在此範例中,在識別負面評論之後,您可以使用 ai_classify() 來深入瞭解客戶評論,例如負面評論是由於物流不善、產品品質或其他因素造成的。
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"
在此情況下,ai_classify()
能夠根據自定義標籤正確分類負面評論,以允許進一步分析。
的結果
從評論擷取資訊
您可能會想要根據客戶對負面評論的原因來改善您的產品描述。 您可以使用 ai_extract(),從文字 blob 中找到重要資訊。 下列範例會擷取資訊,並判斷負面評論是否基於產品的尺寸問題:
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
以下是結果範例:
產生具有建議的回應
檢閱客戶回應之後,您可以使用 ai_gen() 函式,根據客戶投訴產生回應,並使用提示回復其意見反應加強客戶關係。
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"
以下是結果範例:
的結果