MySQL HeatWave GenAI

U kunt de in-database LLM's gebruiken om content te genereren of samen te vatten op basis van uw ongestructureerde documenten. Gebruikers kunnen vragen stellen in een natuurlijke taal via applicaties, en de LLM zal de aanvraag verwerken en de content leveren.

Een gebruiker stelt een vraag in een natuurlijke taal: "Kunt u een samenvatting van deze oplossing maken?" Het grote taalmodel (LLM) verwerkt deze invoer en genereert de samenvatting als uitvoer.

U kunt de kracht van generatieve AI combineren met andere geïntegreerde functies van MySQL HeatWave, zoals machine learning, om de kosten te verlagen en sneller meer nauwkeurige resultaten te genereren. In dit voorbeeld doet een productiebedrijf dit voor predictief onderhoud. Engineers kunnen Oracle MySQL HeatWave AutoML gebruiken om automatisch een rapport te maken van afwijkende productielogboeken. Met MySQL HeatWave GenAI kan snel de hoofdoorzaak van het probleem worden achterhaald door eenvoudigweg een vraag in natuurlijke taal te stellen, in plaats van de logboeken handmatig te analyseren.

Een gebruiker vraagt via MySQL HeatWave Chat: "Wat is het grootste probleem in deze set logboeken? Geef een samenvatting van twee zinnen." Eerst produceert MySQL HeatWave AutoML een gefilterde lijst met afwijkende logboeken op basis van alle productielogboeken die voortdurend worden opgeslagen. Vervolgens biedt MySQL HeatWave Vector Store aanvullende context aan de LLM op basis van de kennisbank van logboeken. De LLM neemt die uitgebreide prompt als invoer, produceert een rapport en geeft de gebruiker een gedetailleerd antwoord waarin het probleem in een natuurlijke taal wordt uitgelegd.

Chatbots kunnen RAG gebruiken om bijvoorbeeld vragen van werknemers over het interne bedrijfsbeleid te beantwoorden. Interne documenten met gedetailleerde beleidsregels worden als insluitingen opgeslagen in MySQL HeatWave Vector Store. Voor een bepaalde gebruikersquery helpt de vectoropslag de meest vergelijkbare documenten te identificeren door een zoekopdracht naar overeenkomsten uit te voeren op basis van de opgeslagen embeddingen. Deze documenten worden gebruikt om de prompt die aan de LLM wordt gegeven, uit te breiden, zodat deze een nauwkeuriger antwoord kan geven.

Een gebruiker vraagt via MySQL HeatWave Chat: "Welke laptops kan ik bestellen en wat is het proces?" MySQL HeatWave verwerkt de vraag door interne beleidsdocumenten te openen in MySQL HeatWave Vector Store. Vervolgens wordt een uitgebreide prompt doorgegeven aan de LLM die de volgende reactie kan genereren: "Hier is de lijst met goedgekeurde leveranciers en de stappen die moeten worden gevolgd om een bestelling te plaatsen."

Ontwikkelaars kunnen applicaties bouwen met behulp van de gecombineerde kracht van ingebouwde ML en generatieve AI in MySQL HeatWave om gepersonaliseerde aanbevelingen te doen. In dit voorbeeld maakt de applicatie gebruik van het aanbevelingssysteem van MySQL HeatWave AutoML om restaurants aan te bevelen op basis van de voorkeuren van de gebruiker of wat de gebruiker eerder heeft besteld. Met MySQL HeatWave Vector Store kan de applicatie ook menukaarten van restaurants in pdf-indeling doorzoeken om specifieke gerechten voor te stellen, wat een meerwaarde oplevert voor klanten.

Een gebruiker vraagt via MySQL HeatWave Chat: "Welke veganistische gerechten raad je mij vandaag aan?" Eerst stelt het aanbevelingssysteem van MySQL HeatWave AutoML een lijst met restaurants voor op basis van wat de gebruiker eerder heeft besteld. Vervolgens geeft MySQL HeatWave Vector Store een uitgebreide prompt door aan de LLM op basis van de menukaarten van de restaurants die hierin zijn opgenomen. De LLM kan dan een gepersonaliseerde aanbeveling van gerechten in een natuurlijke taal genereren.

Bij een zoekopdracht naar overeenkomsten ligt de focus op het vinden van gerelateerde content op basis van semantiek. Zoeken naar overeenkomsten is meer dan een eenvoudige zoekactie op basis van trefwoorden: in plaats van alleen naar de opgegeven trefwoorden te zoeken, wordt er ook rekening gehouden met de onderliggende betekenis. In dit voorbeeld wil een advocaat snel een mogelijk problematische clausule in contracten identificeren.

Een advocaat vraagt via MySQL HeatWave Chat: "In welke contracten staat deze zin?" MySQL HeatWave Vector Store voert een zoekopdracht naar overeenkomsten uit en geeft het antwoord: "Deze zin staat in de volgende 6 contracten."