Usare le funzioni di intelligenza artificiale (anteprima)

Si applica a:✅ endpoint di analisi SQL e magazzino dati in Microsoft Fabric

Fabric Data Warehouse e endpoint di analisi SQL offrono funzioni di intelligenza artificiale predefinite che è possibile usare per analizzare, classificare, riepilogare e trasformare il testo direttamente nelle query SQL. Usando queste funzioni, è possibile eseguire l'elaborazione avanzata del testo senza uscire dall'ambiente dati. Questa esercitazione illustra come usare le funzioni di intelligenza artificiale per trasformare il testo.

Queste funzioni chiamano API di intelligenza artificiale esterne per elaborare il testo, che possono influire sulle prestazioni delle query. Per ottimizzare l'efficienza, evitare di applicare trasformazioni di testo ripetitive all'interno SELECT di query nello stesso set di dati. Precomputare e materializzare invece i risultati delle funzioni di intelligenza artificiale come colonne separate o nelle tabelle di staging.

La velocità di elaborazione tipica delle funzioni di intelligenza artificiale è di 20-100 righe al secondo. Se si verificano prestazioni più lente, segnalare la query problematica come problema.

Prerequisites

• Per usare Funzioni di intelligenza artificiale con l'endpoint di intelligenza artificiale predefinito in Fabric, l'amministratore deve abilitare il commutatore tenant per Copilot e altre funzionalità basate su Azure OpenAI.
• A seconda della posizione, potrebbe essere necessario abilitare un'impostazione del tenant per l'elaborazione tra aree geografiche. Altre informazioni sulle aree disponibili per il servizio Azure OpenAI.
• È necessaria una capacità di Fabric a pagamento (F2 o versione successiva o qualsiasi edizione P).
• È possibile usare le funzioni di intelligenza artificiale solo nelle aree supportate.

Controllare i prerequisiti delle funzioni di intelligenza artificiale per ottenere prerequisiti aggiuntivi.

Analizzare il sentiment

La AI_ANALYZE_SENTIMENT(text) funzione analizza il sentiment dall'input text e restituisce uno dei valori seguenti: positive, negative, mixedo neutral.

Esempio:

SELECT AI_ANALYZE_SENTIMENT('This hotel was great!') AS sentiment;

Risultato previsto:positive

Per altre informazioni, vedere AI_ANALYZE_SENTIMENT (Transact-SQL).

Classifica il testo

La AI_CLASSIFY(text, class1, class2, ...) funzione classifica l'input text in una delle categorie fornite.

Esempio:

SELECT AI_CLASSIFY('Room was dirty', 'service','dirt','food') AS classification;

Risultato previsto:dirt

Per altre informazioni, vedere AI_CLASSIFY (Transact-SQL).

Estrarre entità dal testo

La AI_EXTRACT(text, class1, class2, ...) funzione estrae entità dall'input text in base alle classi specificate.

Esempio:

SELECT AI_EXTRACT('Check-in was late and room dirty', 'sentiment','problem') AS extraction;

Risultato previsto:{"sentiment":"Negative","problem":"Dirty room"}

Per altre informazioni, vedere AI_EXTRACT (Transact-SQL).

Generare una risposta

La AI_GENERATE_RESPONSE(prompt, data) funzione genera una risposta basata su un oggetto specificato prompt e facoltativo data.

Esempio:

SELECT AI_GENERATE_RESPONSE('Reply in 20 words:', 'The room was noisy.') AS response;

Risultato previsto: "Ci scusiamo sinceramente per l'inconveniente causato dal rumore e siamo impegnati a migliorare le nostre misure di ottimizzazione".

Per altre informazioni, vedere AI_GENERATE_RESPONSE (Transact-SQL).

Riassumere testo

La AI_SUMMARIZE(text) funzione riepiloga l'input text in una versione concisa.

Esempio:

SELECT AI_SUMMARIZE('The hotel was clean and staff were friendly.') AS summary;

Risultato previsto: 'Hotel pulito, personale cordiale.'

Per altre informazioni, vedere AI_SUMMARIZE (Transact-SQL).

Tradurre un testo

La AI_TRANSLATE(text, lang_code) funzione si traduce text nella lingua specificata usando lang_code.

I codici di lingua supportati sono de (tedesco), en (inglese), (francese), frit (italiano), es (spagnolo), (greco), el (polacco), plsv (svedese), fi (finlandese) e cs (ceco).

Esempio:

SELECT AI_TRANSLATE('The hotel was great','de') AS translation_de;

Risultato previsto: 'Das Hotel war großartig.'

Per altre informazioni, vedere AI_TRANSLATE (Transact-SQL).

Correzione della grammatica

La AI_FIX_GRAMMAR(text) funzione corregge la grammatica nell'input text.

Esempio:

SELECT AI_FIX_GRAMMAR('Th room are clean and staff were nice') AS fixed_text;

Risultato previsto: 'Le camere sono pulite, e il personale era bello.'

Per altre informazioni, vedere AI_FIX_GRAMMAR (Transact-SQL).

Osservazioni:

Le funzioni di intelligenza artificiale possono restituire errori o riscontrare prestazioni più lente del previsto per diversi motivi:

• Assicurarsi di soddisfare tutti i prerequisiti necessari prima di usare le funzioni di intelligenza artificiale. Se manca un prerequisito, la funzione restituisce un errore.
• Se il testo di input non può essere elaborato, ad esempio perché supera i limiti dei token, contiene contenuto limitato o offensivo oppure viola i criteri di servizio, la funzione restituisce NULL. Controllare sempre se il valore restituito è NULL e gestire questo caso in modo appropriato nelle query, nelle applicazioni o nelle pipeline di elaborazione dati.
• Le prestazioni dipendono dalle dimensioni dell'input, dalla complessità di input e dal carico complessivo del servizio. I singoli valori di testo vengono in genere elaborati entro pochi secondi, mentre i batch più grandi possono ottenere una velocità effettiva di circa 10-30 valori di testo al secondo. Se si verificano costantemente prestazioni più lente del previsto, potrebbe verificarsi un problema di servizio o configurazione che influisce sulla velocità effettiva di elaborazione.

Se incontri un problema con funzioni IA in Fabric Data Warehouse o in un endpoint di analisi SQL:

• Crea un ticket di supporto tramite il supporto Microsoft, oppure
• Condividi feedback, fai domande o discuti problemi con la community nelle funzioni AI nel Microsoft Fabric Data Warehouse subreddit.

Examples

A. Importare dati e trasformare una colonna di testo usando le funzioni di intelligenza artificiale

Questo esempio carica i dati da un file Lakehouse nella hotel_reviews tabella del warehouse. Seleziona da un file nella /Files sezione e quindi applica le funzioni di intelligenza artificiale per arricchire i dati:

CREATE TABLE HotelDW.dbo.hotel_reviews
AS
SELECT
    city, latitude, longitude, name, reviews_rating, reviews_text,
    AI_SUMMARIZE(reviews_text) AS reviews_summary,
    AI_CLASSIFY( reviews_text, 'service', 'dirt', 'food', 'air conditioning', 'other') AS reviews_classification,
    AI_ANALYZE_SENTIMENT(reviews_text) AS reviews_sentiment,
    AI_TRANSLATE(reviews_text, 'de') AS reviews_text_de,
    AI_TRANSLATE(reviews_text, 'es') AS reviews_text_es,
    AI_TRANSLATE(reviews_text, 'fr') AS reviews_text_fr,
    AI_TRANSLATE(reviews_text, 'it') AS reviews_text_it
FROM OPENROWSET( BULK '/Files/csv/hotel_reviews_demo.csv', DATA_SOURCE = 'TextLakehouse', HEADER_ROW = TRUE);

B. Aggiornare la colonna di testo usando la funzione di intelligenza artificiale

Nell'esempio seguente vengono corretti gli errori grammaticali nella reviews_text colonna :

UPDATE HotelDW.dbo.hotel_reviews
SET reviews_text = ISNULL(AI_FIX_GRAMMAR(reviews_text), reviews_text);

Le funzioni di intelligenza artificiale potrebbero restituire NULL se si verifica un errore, quindi evitare di sovrascrivere i valori esistenti con NULL.

Usare il ISNULL(<ai function>, <original value>) modello per mantenere il testo originale quando le funzioni di intelligenza artificiale non possono restituire risultati.

C. Estrarre valori dal testo

In questo esempio la AI_EXTRACT funzione analizza il testo di revisione e restituisce un oggetto JSON contenente le proprietà sentiment, time_reportede problem. La OPENJSON funzione analizza quindi questo codice JSON ed esegue il mapping di queste proprietà in colonne separate per semplificare l'esecuzione di query e l'analisi.

Questo script di esempio inserisce i valori estratti come colonne separate nella tabella di destinazione.

INSERT INTO gold.hotel_reviews
SELECT sentiment, time_reported, problem
FROM hotel_reviews
CROSS APPLY 
OPENJSON(
    AI_EXTRACT(reviews_text, 'sentiment', 'time_reported', 'problem')
) WITH ( sentiment VARCHAR(1000), time_reported VARCHAR(100), problem VARCHAR(1000) );

La AI_EXTRACT funzione applica regole contestuali fuzzy per identificare ed estrarre argomenti dal testo senza richiedere l'analisi manuale o espressioni regolari complesse. Questo approccio semplifica l'analisi del testo usando la comprensione semantica guidata dall'intelligenza artificiale anziché la rigida corrispondenza dei criteri, rendendola più affidabile e adattabile alle variazioni del linguaggio naturale.

Contenuti correlati

• Trasformare e arricchire i dati con funzioni di intelligenza artificiale
• Fatturazione per le funzioni di intelligenza artificiale
• Usare Azure OpenAI in Fabric con Funzioni di intelligenza artificiale (anteprima)
• Funzioni di intelligenza artificiale T-SQL