Sintesi
Converti i commenti di X in dati che puoi discutere con SQL e consultare da un agente. La dimostrazione integra Oracle AI Data Platform Workbench, OCI Language, Oracle Autonomous AI Database e Agent Factory.
Il servizio, lo spazio di lavoro e il cluster sono creati, le librerie sono stabilite e le connessioni sono preparate. Il notebook A Python rimuove le risposte a un post X e ottiene i suoi punteggi di sensazione con OCI Language.
I risultati si spostano da panda a una Apache Spark Dataprame e vengono memorizzati in una tabella Delta. Le categorie e il campo toxicity_score del taccuino sono calcolate da regole sul punteggio di sensazione negativo. hanno una gamma indicativa.
Autonomous viene quindi registrato come catalogo esterno e i dati vengono caricati utilizzando MERGE tramite identificatore di risposta. Il taccuino è organizzato in un job con log esecuzione e un programma automatico.
Alla fine, Agent Factory si connette al database per rispondere a domande sui commenti in lingua naturale. Le risposte sono contrastate con le consultazioni SQL per seguire il percorso dall'estrazione alla consultazione contemporaneamente.
Inizio
Dopo l'introduzione, è stata avanzata l'integrazione di Oracle AI Data Platform Workbench con un progetto precedente di Agent Factory. Il tour collega la produzione di dati e notebook esecuzione con il suo archiviazione a Autonomous e la sua consultazione da un agente.
Componenti Master Catalogo e Workbench
Viene presentato il Master Catalogo, fonti interne ed esterne, quaderni, flussi di lavoro e calcolo del banco di lavoro. La spiegazione mette questi componenti in un ambiente di lavoro dedicato e passa attraverso la documentazione prima di sviluppare la pratica.
Caso di analisi del pensionamento a X
Il caso richiede un rilascio X, rimuove le sue risposte e utilizza OCI Language per ottenere i punteggi dei sentimenti. Questi risultati diventeranno tabelle e saranno poi disponibili con SQL e da Agent Factory.
Configurazione API da X
Il conto di sviluppo e l'applicazione di X utilizzato per ottenere l'accesso alle pubblicazioni sono visitati. La dimostrazione prepara le opzioni di token e autenticazione che il notebook richiederà di recuperare le risposte dall'esempio.
Commissione e politiche di accesso
La console OCI seleziona la quota di lavoro e controlla autorizzazioni per accedere allo lab di services. Tale preparazione precede la creazione di risorse e chiamate a OCI Language.
Analisi del senso con OCI Language
La console OCI Language consente di esplorare l'analisi del testo e i risultati positivi, negativi e neutri. Il servizio che il notebook utilizzerà per valutare i commenti recuperati da X. sarà presentato
Preparazione di Oracle Autonomous Database
Gli strumenti SQL di Autonomous creano l'utente dell'applicazione e assegnano autorizzazioni dall'esempio. Il portafoglio sarà inoltre preparato per fornire connessioni con i componenti che consumeranno o carichino i risultati.
Creazione di AIDP e spazio di lavoro
L'istanza di Oracle AI Data Platform è creata nella parte selezionata e il suo spazio di lavoro è definito. La dimostrazione verifica le politiche di accesso e una volta che il servizio è stato fornito conferma l'autenticazione prima di entrare nel banco di lavoro.
Creazione del cluster calcolo
Il cluster viene creato all'interno dello spazio di lavoro e viene impostata la finestra di attività dello lab. Seguendo la provisioning sono le sue opzioni di connessione, i notebook e le librerie associati che saranno installati per eseguire l'analisi.
Installazione di librerie presso il cluster
Il file A di dipendenze con i pacchetti sarà preparato e sarà utilizzato dal notebook, tra cui panda e richieste. Dalla sezione libreria del computer che il file viene selezionato e i suoi contenuti vengono inseriti nel cluster.
Set di credenziali OCI
La configurazione di accesso OCI è preparata e le rotte dei file sono regolate all'interno dello spazio di lavoro. La dimostrazione verifica che la configurazione e il riferimento chiave sono collegati agli archivi caricati per lab chiamate.
Creazione di un quaderno di analisi
Il quaderno di analisi è creato, le sue librerie sono importate e associate al cluster. I parametri che saranno utilizzati dai clienti OCI e le funzioni di flusso vengono quindi impostati prima di selezionare il problema di X.
Selezione della pubblicazione di X
Viene introdotto il Touch of X e verrà scelta la pubblicazione e le sue risposte analizzate. Il notebook controlla la configurazione di OCI e prepara le funzioni per recuperare le risposte, analizzare la sensazione e costruire l'architettura dei dati di uscita.
Prestazioni dell'analisi del sentimento
L'analisi viene eseguita e i punteggi dei sentimenti vengono riesaminati con gli identificatori di testo e utente. Il taccuino che applica regole guida circa la sensazione negativa a calcolo le sue categorie e toxicity_score; Quel campo non è una prestazione indipendente di tossicità di servizio.
DataFrames Spark e tabelle Delta
I risultati del panda sono trasformati in un DataFame da Apache Spark. Il catalogo A e i contorni sono creati e una tabella Delta è predisposta per salvare i commenti e i loro punteggi. Il Master Catalogo consente di controllare la tabella e le sue colonne e la sua autorizzazioni.
SQL Consultazione sui risultati
I dati vengono scansionati con domande SQL: elenco di log, distribuzione per categoria, punteggio medio e commenti con punteggi più alti. Queste consultazioni sono state seguite da un esame delle informazioni da sottoporre all'agente.
Catalogo con database Autonomous
Autonomous è registrato come catalogo esterno e la connessione viene testata selezionando l'istanza e l'utente. Alla base un tavolo con la struttura dei risultati e un catalogo aggiornato del banco da lavoro sono preparati per la sua posizione.
Caricamento tramite MERGE e convalida dei dati
Dal taccuino un MERGE viene eseguito nella tabella Autonomous utilizzando l'identificatore di risposta come riferimento. La tabella fu poi consultata per verificare che la registrazione raggiunse la base e divenne disponibile per i seguenti consumatori.
Creazione e esecuzione del flusso di lavoro
A job sarà creato con il compito di eseguire il notebook e selezionare il cluster e un tempo massimo di esecuzione. Le esecuzioni manuali consentono di seguire i messaggi stati e di elaborare, compresi i risultati di scrittura a Spark e Autonomous.
Programmazione automatica job
Lo job è strutturato con un programma e un'area temporale. La dimostrazione si aspetta il seguente esecuzione e controlla il suo aspetto con tentativi manuali e controlli che il processo può essere avviato automaticamente.
Connessione da Agent Factory a Autonomous
Agent Factory crea una fonte di dati per Autonomous utilizzando la connessione preparata per l'esempio. Il portafoglio è caricato, i dati utente completano e l'accesso testato prima di utilizzare un modello agente sulla base.
Agente per consultazioni in lingua naturale
Il modello riceve una domanda e distingue tra una ricerca dei dati e una conversazione generale. Il modello di lingua, la consultazione e la risposta della tabella utilizzando il risultato di base sono impostati. Il tour mostra anche il ramo di conversazione quando l'intenzione non richiede la ricerca.
Agente di prova e validazione con SQL
Si è chiesto di commenti migliori e peggiori e ha trovato i registri restituiti utilizzando SQL. Il confronto verifica che le risposte sono coerenti con i dati caricati e con le categorie guida calcolate sul quaderno.
Integrazione e chiusura
La chiusura riassume l'integrazione della API da X, OCI Language, Spark, Autonomous e Agent Factory. Il flusso mostra come preparare e memorizzare le informazioni prima di intervistarle, e menziona altre possibili integrazioni come lavoro successivo.