共用方式為


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。

ai_sentiment 函式 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。

ai_classify 函式 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:

ai_extract 函式的結果

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:

ai_gen_results 函式 的結果

其他資源