MySQL HeatWave GenAI

Vous pouvez utiliser les LLM dans la base de données pour générer ou résumer du contenu en fonction de vos documents non structurés. Les utilisateurs peuvent poser des questions en langage naturel via des applications, et le LLM traitera la demande et fournira le contenu.

Un utilisateur pose une question en langage naturel : « Pouvez-vous générer un résumé de cette présentation de solution ? » Le grand modèle de langage (LLM) traite cette entrée et génère le résumé en tant que sortie.

Vous pouvez associer la puissance de l'IA générative à d'autres fonctionnalités MySQL HeatWave intégrées, telles que l'apprentissage automatique, afin de réduire les coûts et d'obtenir des résultats plus précis plus rapidement. Dans cet exemple, une entreprise de fabrication suit cette démarche pour la maintenance prédictive. Les ingénieurs peuvent utiliser Oracle HeatWave AutoML pour générer automatiquement un rapport sur les journaux de production anormaux et MySQL HeatWave GenAI permet de déterminer rapidement la cause première du problème en permettant aux ingénieurs de poser simplement une question en langage naturel, au lieu d'analyser manuellement les journaux.

Un utilisateur demande via MySQL HeatWave Chat : « Quel est le principal problème dans cette collection de journaux ? Fournissez un résumé en deux phrases. » Tout d'abord, MySQL HeatWave AutoML produit une liste filtrée de journaux anormaux en fonction de tous les journaux de production qu'il ingère en permanence. Ensuite, MySQL HeatWave Vector Store fournit un contexte supplémentaire au LLM en fonction de la base de connaissances des journaux. Le LLM traite cette invite augmentée, produit un rapport et fournit à l'utilisateur une réponse détaillée expliquant le problème en langage naturel.

Les chatbots peuvent utiliser la RAG pour aider à répondre aux questions des employés sur les politiques internes de l'entreprise, par exemple. Les documents internes détaillant les stratégies sont stockés sous forme de vecteurs dans MySQL HeatWave Vector Store. Pour une requête utilisateur donnée, la banque de vecteurs aide à identifier les documents les plus similaires en effectuant une recherche de similarité par rapport aux incorporations stockées. Ces documents sont utilisés pour compléter l'invite donnée au LLM afin qu'il fournisse une réponse exacte.

Un utilisateur demande via MySQL HeatWave Chat : « Quels ordinateurs portables puis-je commander et quel est le processus ? ». MySQL HeatWave traite la question en accédant aux documents de stratégie internes hébergés dans MySQL HeatWave Vector Store. Il fournit ensuite une invite augmentée au LLM qui peut générer la réponse « Voici la liste des fournisseurs approuvés et les étapes à suivre pour passer commande. »

Les développeurs peuvent créer des applications à l'aide de la puissance combinée du machine learning intégré et d'IA générative dans MySQL HeatWave pour fournir des recommandations personnalisées. Dans cet exemple, l'application utilise le système de recommandation (recommander) MySQL HeatWave AutoML pour conseiller des restaurants en fonction des préférences de l'utilisateur ou de ce que l'utilisateur a commandé précédemment. Avec MySQL HeatWave Vector Store, l'application peut également aider à faire des recherches dans le menu des restaurants du format PDF pour suggérer des plats spécifiques, offrant ainsi une plus grande valeur aux clients.

Un utilisateur demande via MySQL HeatWave Chat : « Quels plats végétaliens me proposez-vous aujourd'hui ? ». Tout d'abord, le système de recommandation de MySQL HeatWave AutoML suggère une liste de restaurants en fonction du contenu que l'utilisateur a commandé précédemment. Ensuite, MySQL HeatWave Vector Store fournit une invite augmentée au LLM en fonction des menus des restaurants qu'il contient. Le LLM peut alors générer une recommandation de plats personnalisée en langage naturel.

La recherche de similarité se concentre sur la recherche de contenu associé basé sur la sémantique. La recherche de similarité va au-delà des recherches de mots-clés simples en tenant compte de la signification sous-jacente au lieu de rechercher uniquement les balises appliquées. Dans cet exemple, un avocat souhaite identifier rapidement une clause potentiellement problématique dans les contrats.

Une avocate demande via MySQL HeatWave Chat : « Dans quels contrats avons-nous cette phrase ? » MySQL HeatWave Vector Store effectue une recherche de similarité et fournit la réponse : « Cette phrase apparaît dans les 6 contrats suivants. »