Resumen
Convierte los comentarios de X en datos que puedas analizar con SQL y consultar desde un agente. La demostración integra Oracle AI Data Platform Workbench, OCI Language, Oracle Autonomous AI Database y Agent Factory.
Se crean el servicio, el workspace y el clúster, se instalan las librerías y se preparan las conexiones. Un notebook de Python extrae respuestas a una publicación de X y obtiene sus puntuaciones de sentimiento con OCI Language.
Los resultados pasan de pandas a un DataFrame de Apache Spark y se guardan en una tabla Delta. Las categorías y el campo toxicity_score del notebook se calculan mediante reglas sobre la puntuación de sentimiento negativo; tienen un alcance orientativo.
Después se registra Autonomous como catálogo externo y se cargan los datos mediante MERGE por identificador de respuesta. El notebook se organiza en un job con registros de ejecución y una programación automática.
Al final, Agent Factory se conecta a la base de datos para responder preguntas en lenguaje natural sobre los comentarios. Las respuestas se contrastan con consultas SQL para seguir el recorrido desde la extracción hasta la consulta conversacional.
Inicio
Tras la introducción se plantea la integración de Oracle AI Data Platform Workbench con un proyecto previo de Agent Factory. El recorrido conecta la preparación de datos y la ejecución de notebooks con su almacenamiento en Autonomous y su consulta desde un agente.
Master Catalog y componentes del Workbench
Se presentan el Master Catalog, las fuentes internas y externas, los notebooks, los workflows y el cómputo del Workbench. La explicación sitúa estos componentes en un entorno centralizado de trabajo y recorre la documentación antes de desarrollar el caso práctico.
Caso de análisis de sentimiento en X
El caso toma una publicación de X, extrae sus respuestas y utiliza OCI Language para obtener puntuaciones de sentimiento. Esos resultados se convertirán en tablas que luego podrán consultarse con SQL y desde Agent Factory.
Configuración de la API de X
Se recorre la cuenta de desarrollo y la aplicación de X utilizada para acceder a las publicaciones. La demostración prepara el token y las opciones de autenticación que el notebook necesitará para recuperar las respuestas del ejemplo.
Compartment y políticas de acceso
En la consola de OCI se selecciona el compartment de trabajo y se revisan los permisos para acceder a los servicios del laboratorio. Esta preparación precede a la creación de los recursos y a las llamadas a OCI Language.
Análisis de sentimiento con OCI Language
La consola de OCI Language permite explorar el análisis de texto y las puntuaciones de sentimiento positivo, negativo y neutral. Se presenta el servicio que el notebook usará para evaluar los comentarios recuperados de X.
Preparación de Oracle Autonomous Database
Desde las herramientas SQL de Autonomous se crea el usuario de la aplicación y se le asignan los permisos del ejemplo. También se prepara el wallet que permitirá establecer las conexiones con los componentes que consumirán o cargarán los resultados.
Creación de AIDP y del workspace
Se crea la instancia de Oracle AI Data Platform en el compartment seleccionado y se define su workspace. La demostración revisa las políticas de acceso y, una vez aprovisionado el servicio, confirma la autenticación antes de entrar al Workbench.
Creación del clúster de cómputo
El clúster se crea dentro del workspace y se configura la ventana de actividad del laboratorio. Tras el aprovisionamiento se recorren sus opciones de conexión, los notebooks asociados y las librerías que se instalarán para ejecutar el análisis.
Instalación de librerías en el clúster
Se prepara un archivo de dependencias con los paquetes que utilizará el notebook, incluidos pandas y requests. Desde la sección de librerías del compute se selecciona ese archivo y se instala su contenido en el clúster.
Configuración de credenciales OCI
Se prepara la configuración de acceso a OCI y se ajustan las rutas de sus archivos dentro del workspace. La demostración comprueba que el archivo config y la referencia a la clave correspondan con los archivos cargados para las llamadas del laboratorio.
Creación del notebook de análisis
Se crea el notebook de análisis, se importan sus librerías y se asocia con el clúster. Después se configuran los parámetros que utilizarán los clientes de OCI y las funciones del flujo, antes de seleccionar la publicación de X.
Selección de la publicación de X
Se introduce el token de X y se elige la publicación cuyas respuestas se analizarán. El notebook comprueba la configuración de OCI y prepara funciones para recuperar las respuestas, analizar el sentimiento y construir la estructura de datos de salida.
Ejecución del análisis de sentimiento
Se ejecuta el análisis y se revisan las puntuaciones de sentimiento junto con el texto y los identificadores de usuario. El notebook aplica reglas orientativas sobre el sentimiento negativo para calcular sus categorías y toxicity_score; ese campo no es una medición independiente de toxicidad del servicio.
DataFrames Spark y tablas Delta
Los resultados de pandas se convierten en un DataFrame de Apache Spark. Se crean un catálogo y un esquema y se prepara una tabla Delta para guardar los comentarios y sus puntuaciones. El Master Catalog permite comprobar la tabla, sus columnas y sus permisos.
Consultas SQL sobre los resultados
Se exploran los datos mediante consultas SQL: listado de registros, distribución por categoría, promedio del score y comentarios con las puntuaciones más altas. Estas consultas permiten comprobar la información que después se expondrá al agente.
Catálogo externo con Autonomous Database
Se registra Autonomous como catálogo externo y se prueba la conexión seleccionando la instancia y el usuario. En la base se prepara una tabla con la estructura de los resultados y se actualiza el catálogo del Workbench para localizarla.
Carga mediante MERGE y validación de datos
Desde el notebook se realiza un MERGE en la tabla de Autonomous utilizando el identificador de respuesta como referencia. Después se consulta la tabla para comprobar que los registros llegaron a la base y quedaron disponibles para los siguientes consumidores.
Creación y ejecución del workflow
Se crea un job cuya tarea ejecuta el notebook y se selecciona el clúster y un tiempo máximo de ejecución. Las ejecuciones manuales permiten seguir sus estados y los mensajes del proceso, incluida la escritura de los resultados en Spark y en Autonomous.
Programación automática del job
El job se configura con una programación y una zona horaria. La demostración espera la siguiente ejecución y revisa su aparición junto con los intentos manuales, comprobando que el proceso puede iniciarse automáticamente.
Conexión de Agent Factory a Autonomous
En Agent Factory se crea una fuente de datos para Autonomous utilizando la conexión preparada para el ejemplo. Se carga el wallet, se completan los datos del usuario y se prueba el acceso antes de utilizar una plantilla de agente sobre la base.
Agente para consultas en lenguaje natural
La plantilla recibe una pregunta y distingue entre una búsqueda sobre los datos y una conversación general. Se configura el modelo de lenguaje, la consulta sobre la tabla y la respuesta que utilizará el resultado de la base. El recorrido muestra también la rama de conversación cuando la intención no requiere buscar.
Pruebas del agente y validación con SQL
Se pregunta por los comentarios mejor y peor puntuados y se localizan los registros devueltos mediante SQL. La comparación comprueba que las respuestas corresponden con los datos cargados y con las categorías orientativas calculadas en el notebook.
Integraciones y cierre
El cierre resume la integración de la API de X, OCI Language, Spark, Autonomous y Agent Factory. El flujo muestra cómo preparar y almacenar información antes de consultarla conversacionalmente, y menciona otras posibles integraciones como trabajo posterior.