Analisar as avaliações dos clientes usando AI Functions

info

Visualização

Esse recurso está em Public Preview.

Este artigo ilustra como usar AI Functions para examinar as avaliações dos clientes e determinar se uma resposta precisa ser gerada. As AI Functions usadas neste exemplo são funções Databricks SQL integradas, alimentadas por modelos de AI disponibilizados pelas APIs de Modelo de Foundation do Databricks. Consulte Enriquecer dados utilizando AI Functions.

Este exemplo executa o seguinte em um dataset de teste chamado reviews com o AI Functions:

• Determina o sentimento de uma revisão.
• Para avaliações negativas, extrai informações da avaliação para classificar a causa.
• Identifica se uma resposta é necessária para o cliente.
• Gera uma resposta mencionando produtos alternativos que podem satisfazer o cliente.

Requisitos

• A workspace em um modelo de fundação APIs região suportada por pay-per-tokens.

• Essas funções não estão disponíveis no Databricks SQL Classic.

• **Notebooks e fluxos de trabalho**: é necessáriocompute serverless. Estas funções não são suportadas em clusters de compute clássico.

• Databricks Runtime 18.2 ou acima é necessário.

• Durante a visualização, essas funções têm restrições em seu desempenho. Entre em contato com sua equipe de conta Databricks se precisar de uma cota maior para seus casos de uso.

Analise o sentimento das avaliações

O senhor pode usar a função ai_analyze_sentiment() para ajudá-lo a entender como os clientes se sentem com base em suas avaliações. No exemplo a seguir, o sentimento pode ser positivo, negativo, neutro ou misto.

SQL

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

Nos resultados a seguir, você vê que a função retorna o sentimento de cada avaliação sem nenhuma engenharia de prompt ou resultados de análise.

Classificar avaliações

Nesse exemplo, após identificar as avaliações negativas, o senhor pode ai_classify usar() para obter mais percepções sobre as avaliações dos clientes, como, por exemplo, se a avaliação negativa se deve à logística deficiente, à qualidade do produto ou a outros fatores.

SQL

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

Nesse caso, ai_classify() é capaz de categorizar corretamente as avaliações negativas com base em rótulos personalizados para permitir uma análise mais aprofundada.

Extrair informações das avaliações

Talvez o senhor queira melhorar a descrição do produto com base nos motivos apresentados pelos clientes para suas avaliações negativas. O senhor pode encontrar informações em um bloco key ai_extract de texto usando(). O exemplo a seguir extrai informações e classifica se a avaliação negativa foi baseada em problemas de tamanho do produto:

SQL

SELECT
  review,
  ai_extract(review, '["usual_size"]') AS usual_size,
  ai_classify(review, '["Size is wrong", "Size is right"]') AS fit
FROM
  product_reviews

A seguir, uma amostra dos resultados:

Gere respostas com recomendações

Depois de analisar as respostas dos clientes, o senhor pode usar a função ai_gen() para gerar uma resposta a um cliente com base em sua reclamação e fortalecer o relacionamento com o cliente por meio de respostas imediatas ao seu feedback.

SQL

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"

A seguir, uma amostra dos resultados:

Recurso adicional

• enriquecer dados usando AI Functions
• APIs do Foundation Model do Databricks