MySQL HeatWave GenAI

Za pomocą modeli LLM w bazie danych można generować lub streszczać dane na podstawie nieuporządkowanych dokumentów. Użytkownicy mogą za pośrednictwem aplikacji zadawać pytania w języku naturalnym, które model LLM przetworzy, aby zwrócić odpowiedź.

Użytkownik pyta w języku naturalnym „Czy możesz wygenerować streszczenie tego opisu rozwiązania?”. Duży model językowy (LLM) przetwarza te dane wejściowe i generuje streszczenie jako dane wyjściowe.

Można również połączyć generatywną sztuczną inteligencję z innymi wbudowanymi funkcjami MySQL HeatWave, takimi jak uczenie maszynowe, aby zmniejszać koszty i szybciej uzyskiwać trafniejsze wyniki. W tym przykładzie przedsiębiorstwo produkcyjne robi to w celu konserwacji prewencyjnej. Za pomocą Oracle MySQL HeatWave AutoML inżynierowie mogą automatycznie tworzyć raporty z anomalii w dziennikach produkcyjnych, a przesyłając pytanie w języku naturalnym do MySQL HeatWave GenAI mogą szybko ustalić przyczynę problemu, zamiast ręcznie analizować wspomniane dzienniki.

Użytkownik pyta na czacie MySQL HeatWave: „Jaki jest główny problem w tych dziennikach? Odpowiedz w dwóch zdaniach.”. Najpierw MySQL HeatWave AutoML tworzy na podstawie wszystkich dzienników produkcyjnych, które stale pobiera, filtrowaną listę dzienników zawierających anomalie. Następnie z magazynu danych wektorowych MySQL HeatWave przekazywany jest dodatkowy kontekst do modelu LLM na podstawie bazy wiedzy dzienników. Model LLM pobiera ten rozszerzony prompt, generuje raport i przekazuje użytkownikowi szczegółową odpowiedź wyjaśniającą w języku naturalnym zaistniały problem.

Czatboty mogą wykorzystywać funkcję RAG, aby na przykład pomagać w odpowiadaniu na pytania pracowników dotyczące wewnętrznych zasad przedsiębiorstwa. Dokumenty wewnętrzne określające zasady są przechowywane jako wektory w magazynie danych wektorowych MySQL HeatWave. Dla danego zapytania użytkownika magazyn danych wektorowych pomaga zidentyfikować najbardziej podobne dokumenty, wykonując wyszukiwanie podobieństw względem przechowywanych wektorów. Dokumenty te są używane do rozszerzenia promptu wysyłanego do modelu LLM, aby zapewnić dokładną odpowiedź.

Użytkownik pyta na czacie MySQL HeatWave: „Jakie notebooki mogę zamówić i jak wygląda proces zamówienia?”. MySQL HeatWave przetwarza zapytanie, uzyskując dostęp do znajdujących się w magazynie danych wektorowych MySQL HeatWave wewnętrznych dokumentów opisujących stosowne zasady. Następnie wysyła rozszerzony prompt do modelu LLM, który może wygenerować następującą odpowiedź: „Oto lista zatwierdzonych dostawców i czynności, które należy wykonać, aby złożyć zamówienie”.

Programiści mogą tworzyć aplikacje wykorzystujące połączoną moc obliczeniową wbudowanych mechanizmów uczenia maszynowego i generatywnej sztucznej inteligencji w MySQL HeatWave w celu przekazywania spersonalizowanych rekomendacji. W tym przypadku aplikacja korzysta z systemu rekomendacji MySQL HeatWave AutoML, aby polecać restauracje na podstawie preferencji lub wcześniejszych zamówień użytkownika. Dzięki magazynowi danych wektorowych MySQL HeatWave aplikacja może dodatkowo pomóc w przeglądaniu menu restauracji w formacie PDF, aby sugerować konkretne dania, zapewniając klientom dodatkowe korzyści.

Użytkownik pyta na czacie MySQL HeatWave „Jakie wegańskie dania możesz mi dziś zaproponować?”. Najpierw system rekomendacji MySQL HeatWave AutoML sugeruje listę restauracji na podstawie poprzednich zamówień użytkownika. Następnie magazyn danych wektorowych MySQL HeatWave wysyła do modelu LLM rozszerzony prompt na podstawie danych z menu restauracji, które są w nim przechowywane. LLM może wtedy wygenerować spersonalizowaną rekomendację dań w języku naturalnym.

Wyszukiwanie podobieństw skupia się na znajdowaniu powiązanych treści na podstawie semantyki. Wyszukiwanie podobieństw wykracza poza proste wyszukiwanie według słów kluczowych, uwzględniając podstawowe znaczenie zamiast wyszukiwania tylko mających zastosowanie tagów. W tym przypadku prawnik chce szybko zidentyfikować potencjalnie problematyczną klauzulę w umowach.

Prawnik pyta na czacie MySQL HeatWave: „W których umowach mamy to zdanie?”. Magazyn danych wektorowych MySQL HeatWave przeprowadza wyszukiwanie podobieństw i udziela odpowiedzi „To zdanie pojawia się w następujących sześciu umowach”.