AI Functions sur Azure Databricks
Important
Cette fonctionnalité est disponible en préversion publique.
Cet article décrit les Azure Databricks AI Functions, des fonctions SQL intégrées qui vous permettent d’appliquer l’IA à vos données directement à partir de SQL.
SQL est essentiel pour l’analyse de données en raison de sa polyvalence, de son efficacité et de son utilisation généralisée. Sa simplicité permet une récupération, une manipulation et une gestion rapides des jeux de données volumineux. L’ajout de fonctions d’IA dans SQL pour l’analyse de données renforce l’efficacité, permettant aux entreprises d’extraire rapidement des insights.
Avec l’intégration de l’IA dans les flux d’analyse, les analystes accèdent à des informations auparavant hors de portée. Ils peuvent également prendre des décisions plus éclairées, gérer les risques et maintenir certains avantages concurrentiels grâce à des solutions innovantes et efficaces axées sur les données.
Fonctions d’IA utilisant les API du modèle Databricks Foundation
Remarque
Pour Databricks Runtime 15.0 et versions ultérieures, ces fonctions sont prises en charge dans les environnements de notebook, notamment les notebooks et les workflows Databricks.
Ces fonctions font appel à un modèle d’IA génératif de pointe à partir des API du modèle Databricks Foundation pour effectuer des tâches telles que l’analyse des sentiments, la classification et la traduction. Consultez Analyser les avis des clients à l’aide de fonctions IA.
- ai_analyze_sentiment
- ai_classify
- ai_extract
- ai_fix_grammar
- ai_gen
- ai_mask
- ai_similarity
- ai_summarize
- ai_translate
ai_query
Remarque
- Pour Databricks Runtime 14.2 et versions ultérieures, cette fonction est prise en charge dans les environnements de notebook, notamment les notebooks et les workflows Databricks.
- Pour Databricks Runtime 14.1 et versions antérieures, cette fonction n’est pas prise en charge dans les environnements de notebook, y compris les notebooks Databricks.
La fonction ai_query() vous permet de servir vos modèles Machine Learning et vos grands modèles de langage avec la mise en service de modèles Databricks et de les interroger à l’aide de SQL. Pour ce faire, cette fonction appelle un point de terminaison Databricks Model Serving existant, analyse et retourne sa réponse. Vous pouvez utiliser ai_query() pour interroger des points de terminaison qui servent des modèles personnalisés, des modèles de base mis à disposition à l’aide des API Foundation Model et des modèles externes.