MySQL HeatWave GenAI

Yapılandırılmamış dokümanlarınıza göre içerik oluşturmaya veya özetlemeye yardımcı olmak için veritabanı içi LLM'leri kullanabilirsiniz. Kullanıcılar uygulamalar aracılığıyla doğal dilde sorular sorabilir ve LLM talebi işleyerek içeriği sunar.

Bir kullanıcı doğal dilde "Bu çözüm özetinin bir özetini oluşturabilir misiniz?" şeklinde bir soru soruyor. Büyük dil modeli (LLM) bu girdiyi işler ve çıktı olarak özeti oluşturur.

Üretken yapay zekanın gücünü makine öğrenimi gibi diğer yerleşik MySQL HeatWave özellikleriyle birleştirerek maliyetleri azaltabilir ve daha doğru sonuçları daha hızlı elde edebilirsiniz. Bu örnekte, bir imalat şirketi bunu kestirimci bakım için yapıyor. Mühendisler, anormal üretim günlükleri raporunun otomatik olarak oluşturulmasına yardımcı olmak için Oracle MySQL HeatWave AutoML'yi kullanabilir. MySQL HeatWave GenAI, günlükleri manuel olarak analiz etmek yerine yalnızca doğal dilde bir soru sorarak sorunun temel nedenini hızla belirlemeye yardımcı olur.

Bir kullanıcı MySQL HeatWave Chat aracılığıyla "Bu günlük koleksiyonundaki ana sorun nedir? İki cümlelik bir özet ver." İlk olarak MySQL HeatWave AutoML, sürekli olarak aldığı tüm üretim günlüklerine dayalı olarak anormal günlüklerin filtrelenmiş bir listesini üretir. Ardından MySQL HeatWave Vector Store, günlükler bilgi bankasına dayalı olarak LLM'ye ek bağlam sağlar. LLM bu geliştirilmiş istemi alır, bir rapor oluşturur ve kullanıcıya sorunu doğal dilde açıklayan ayrıntılı bir yanıt verir.

Sohbet robotları, örneğin çalışanların şirket içi politikalarla ilgili sorularını yanıtlamaya yardımcı olmak için RAG'yi kullanabilir. İlkeleri detaylandıran dahili dokümanlar, MySQL HeatWave Vector Store'da katıştırmalar olarak depolanır. Belirli bir kullanıcı sorgusu için vektör deposu, depolanan katıştırmalara ve katıştırılmış sorguya karşı benzerlik araması gerçekleştirerek en benzer dokümanları belirlemeye yardımcı olur. Bu dokümanlar, işiniz için daha bağlamsal bir yanıt sağlaması için LLM'ye verilen bilgi istemini artırmak için kullanılır.

Bir kullanıcı MySQL HeatWave Chat üzerinden "Hangi dizüstü bilgisayarları sipariş edebilirim ve süreç nedir?" diye soruyor. MySQL HeatWave, MySQL HeatWave Vector Store'da bulunan dahili ilke dokümanlarına erişerek soruyu işler. Daha sonra LLM'ye "İşte onaylı satıcıların listesi ve sipariş vermek için izlenecek adımlar" yanıtını oluşturabilecek geliştirilmiş bir istem sağlar.

Geliştiriciler, kişiselleştirilmiş öneriler sunmak için MySQL HeatWave'deki yerleşik makine öğrenimi ve üretken yapay zekanın birleşik gücünden yararlanarak uygulamalar oluşturabilir. Bu örnekte uygulama, kullanıcının tercihlerine veya daha önce sipariş ettiklerine göre restoranlar önermek için MySQL HeatWave AutoML tavsiye sistemini kullanmaktadır. MySQL HeatWave Vector Store ile uygulama, müşterilere daha fazla değer sağlayan belirli yemekler önermek için restoranların menülerini PDF formatında arayabilir.

Bir kullanıcı MySQL HeatWave Chat aracılığıyla "Bugün bana hangi vegan yemekleri önerirsiniz?" diye soruyor. İlk olarak, MySQL HeatWave AutoML tavsiye sistemi, kullanıcının daha önce ne sipariş ettiğine bağlı olarak bir restoran listesi önerir. Ardından MySQL HeatWave Vector Store, barındırdığı restoranların menülerine dayanarak LLM'ye geliştirilmiş bir bilgi istemi sağlar. LLM daha sonra doğal dilde kişiselleştirilmiş bir yemek önerisi oluşturabilir.

Benzerlik araması, anlambilime dayalı olarak ilgili içeriği bulmaya odaklanır. Benzerlik araması, yalnızca uygulanan etiketleri aramak yerine temel anlamı göz önünde bulundurarak basit anahtar kelime aramalarının ötesine geçer. Bu örnekte, bir avukat sözleşmelerde potansiyel olarak sorunlu bir maddeyi hızla belirlemek istemektedir.

Bir avukat MySQL HeatWave Chat üzerinden "Bu cümle hangi sözleşmelerde var?" diye soruyor. MySQL HeatWave Vector Store bir benzerlik araması gerçekleştirir ve "Bu cümle aşağıdaki 6 sözleşmede yer almaktadır." yanıtını verir.