MySQL HeatWave GenAI

Sie können die datenbankinternen LLMs verwenden, um Inhalte auf der Grundlage Ihrer unstrukturierten Dokumente zu erstellen oder zusammenzufassen. Die Nutzer können über Anwendungen Fragen in natürlicher Sprache stellen, und der LLM wird die Anfrage bearbeiten und den Inhalt liefern.

Ein Benutzer stellt eine Frage in natürlicher Sprache: „Kannst du eine Zusammenfassung dieser Lösungsbeschreibung erstellen?“. Das Large Language Model (LLM) verarbeitet diese Eingabe und erzeugt die Zusammenfassung als Ausgabe.

Sie können die Leistung der generativen KI mit anderen integrierten MySQL HeatWave-Funktionen, wie z. B. dem maschinellen Lernen, kombinieren, um Kosten zu senken und schneller genauere Ergebnisse zu erzielen. In diesem Beispiel tut ein Fertigungsunternehmen dies für die vorausschauende Wartung. Entwickler können Oracle MySQL HeatWave AutoML verwenden, um automatisch einen Bericht über anomale Produktionsprotokolle zu erstellen, und MySQL HeatWave GenAI hilft bei der schnellen Ermittlung der Grundursache des Problems, indem einfach eine Frage in natürlicher Sprache gestellt wird, anstatt die Protokolle manuell zu analysieren.

Ein Benutzer fragt beispielsweise im MySQL HeatWave Chat: „Was ist das Hauptproblem in dieser Sammlung von Protokollen? Gib mir eine Zusammenfassung in zwei Sätzen." Zunächst erstellt MySQL HeatWave AutoML eine gefilterte Liste anormaler Protokolle, die auf allen Produktionsprotokollen basiert, die es kontinuierlich aufnimmt. Dann liefert MySQL HeatWave Vector Store dem LLM zusätzlichen Kontext auf der Grundlage der Wissensdatenbank der Protokolle. Der LLM nimmt diese erweiterte Eingabeaufforderung, erstellt einen Bericht und gibt dem Benutzer eine ausführliche Antwort, die das Problem in natürlicher Sprache erklärt.

Chatbots können RAG nutzen, um z. B. Fragen von Mitarbeitern zu internen Unternehmensrichtlinien zu beantworten. Interne Dokumente mit Details zu Policys werden als Einbettungen im MySQL HeatWave Vector Store gespeichert. Der Vektorspeicher identifiziert bei einer Benutzerabfrage die jeweils ähnlichsten Dokumente, indem er eine Ähnlichkeitssuche in den gespeicherten Einbettungen in Bezug auf die eingebettete Abfrage durchführt. Diese Dokumente werden verwendet, um den Prompt, den das LLM erhalten hat, anzureichern, sodass es eine genaue Antwort liefert.

Ein weiterer Benutzer fragt im MySQL HeatWave Chat: „Welche Laptops kann ich bestellen und wie läuft der Bestellvorgang ab?“. MySQL HeatWave bearbeitet die Frage, indem es auf interne Richtliniendokumente zugreift, die im MySQL HeatWave Vector Store gespeichert sind. Anschließend wird eine erweiterte Eingabeaufforderung an das LLM gesendet, das die Antwort „Hier ist die Liste der zugelassenen Anbieter und die Schritte, die für die Bestellung erforderlich sind“ generieren kann.

Entwickler können Anwendungen erstellen, die die kombinierte Leistung des integrierten ML und der generativen KI in MySQL HeatWave nutzen, um personalisierte Empfehlungen bereitzustellen. In diesem Beispiel verwendet die Anwendung das MySQL HeatWave AutoML-Empfehlungssystem, um Restaurants auf der Grundlage der Vorlieben des Benutzers oder seiner früheren Bestellungen zu empfehlen. Mit MySQL HeatWave Vector Store kann die Anwendung zusätzlich die Speisekarten von Restaurants im PDF-Format durchsuchen, um bestimmte Gerichte vorzuschlagen und dem Kunden einen größeren Nutzen zu bieten.

Ein Benutzer fragt im MySQL HeatWave Chat: „Welche veganen Gerichte schlägst du mir heute vor?“. Zunächst schlägt die MySQL HeatWave AutoML Recommendation Engine eine Liste von Restaurants vor, die auf den früheren Bestellungen des Benutzers basieren. Dann liefert MySQL HeatWave Vector Store dem LLM eine erweiterte Eingabeaufforderung, die auf den Speisekarten der Restaurants basiert, die darin gespeichert sind. Das LLM kann dann eine personalisierte Empfehlung von Gerichten in natürlicher Sprache erstellen.

Die Ähnlichkeitssuche konzentriert sich auf die Suche nach verwandten Inhalten auf der Grundlage der Semantik. Die Ähnlichkeitssuche geht über die einfache Suche nach Schlüsselwörtern hinaus, indem sie die zugrundeliegende Bedeutung berücksichtigt, anstatt nur nach den verwendeten Tags zu suchen. In diesem Beispiel möchte ein Anwalt schnell eine potenziell problematische Klausel in Verträgen identifizieren.

Ein Anwalt fragt im MySQL HeatWave Chat: „In welchen Verträgen kommt dieser Satz vor?“. MySQL HeatWave Vector Store führt eine Ähnlichkeitssuche durch und gibt folgende Antwort: „Dieser Satz kommt in den folgenden 6 Verträgen vor.“