使用 AI Functions 分析客户评论

本文演示如何使用 AI Functions 检查客户评审并确定是否需要生成响应。 此示例中使用的 AI 函数是内置的 Databricks SQL 函数，由 Databricks Foundation 模型 API 提供的生成 AI 模型提供支持。 请参阅 使用 Azure Databricks AI Functions 将 AI 应用于数据。

此示例使用 AI Functions 对名为 reviews 的测试数据集执行以下操作：

• 确定评价的情绪。
• 对于负面评价，请从评审中提取信息以对原因进行分类。
• 标识是否需要回复客户。
• 生成一个响应，提及可能满足客户的替代产品。

要求

• Foundation 模型 API 支持按令牌付费的区域中的工作区。
• 这些函数在 Azure Databricks SQL 经典版中不可用。
• 在预览期间，这些函数对其性能有限制。 如果需要更高的用例配额，请联系 Databricks 帐户团队。

分析评论情绪

可以使用 ai_analyze_sentiment() 来帮助你了解客户在评论中的感受。 在以下示例中，情绪可以是积极、消极、中性或混合情绪。

SELECT
  review,
  ai_analyze_sentiment(review) AS sentiment
FROM
  product_reviews;

从以下结果可以看出，该函数无需任何提示词优化或解析过程即可返回每个评论的情绪。

对评论进行分类

在此示例中，识别负面评论后，可以使用 ai_classify（） 来深入了解客户评论，例如负面评论是由于物流、产品质量不佳还是其他因素造成的。

SELECT
  review,
  ai_classify(
    review,
    ARRAY(
      "Arrives too late",
      "Wrong size",
      "Wrong color",
      "Dislike the style"
    )
  ) AS reason
FROM
  product_reviews
WHERE
  ai_analyze_sentiment(review) = "negative"

在这种情况下，ai_classify() 能够根据自定义标签正确对负面评论进行分类，以便进行进一步分析。

从评论中提取信息

你可能希望根据客户对其负面评论的原因改进产品说明。 可以使用 ai_extract（）从文本 blob 中找到关键信息。 以下示例提取信息，并分类确定负面评论是否基于产品的尺寸问题。

SELECT
  review,
  ai_extract(review, array("usual size")) AS usual_size,
  ai_classify(review, array("Size is wrong", "Size is right")) AS fit
FROM
  product_reviews

下面是结果示例：

生成带有建议的响应

查看客户回复后，可以使用 ai_gen（） 函数根据客户的投诉生成对客户的响应，并通过提示回复客户反馈来加强客户关系。

SELECT
  review,
  ai_gen(
    "Generate a reply in 60 words to address the customer's review.
    Mention their opinions are valued and a 30% discount coupon code has been sent to their email.
    Customer's review: " || review
  ) AS reply
FROM
  product_reviews
WHERE
  ai_analyze_sentiment(review) = "negative"

下面是结果示例：

其他资源

• 使用 Azure Databricks AI Functions 对数据应用 AI
• Databricks 基础模型 API