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 Azure Databricks 上的 AI Functions。

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

• Azure Databricks 上的 AI 函数
• Databricks 基础模型 API