Resumo
Converta os comentários de X para dados que você pode discutir com SQL e consulte de um agente. A demonstração integra Oracle AI Data Platform Workbench, OCI Language, Oracle Autonomous AI Database e Agent Factory.
O serviço, espaço de trabalho e cluster são criados, livrarias são estabelecidas e conexões são preparadas. A Python notebook remove respostas para um post X e recebe suas notas de sentimento com OCI Language.
Os resultados se movem de panda para um Dataprame Apache Spark e são armazenados em uma tabela Delta. As categorias e o campo toxicity_score do caderno são calculados por regras sobre pontuação de sentimento negativo. tem um alcance indicativo.
Autonomous é então registrado como um catálogo externo e os dados são carregados usando MERGE pelo identificador de resposta. O caderno é organizado em um job com registros execução e um programa automático.
No final, Agent Factory se conecta ao banco de dados para responder perguntas sobre comentários em linguagem natural. As respostas são contrastadas com as consultas SQL para seguir o caminho da extração para a consulta simultânea.
Início
Após a introdução, a integração de Oracle AI Data Platform Workbench com um projeto anterior de Agent Factory foi apresentada. A turnê liga a produção de dados e notebooks execução com seu armazenamento na Autonomous e sua consulta de um agente.
Mestre Catálogo e componentes Workbench
O Mestre Catálogo, fontes internas e externas, notebooks, fluxos de trabalho e computação do Workbench são apresentados. A explicação coloca esses componentes em um ambiente de trabalho dedicado e passa pela documentação antes de desenvolver a prática.
Caso de análise de aposentadoria na X.
O caso pega uma liberação X, remove suas respostas e usa OCI Language para obter notas de sentimento. Esses resultados se tornarão tabelas e estarão disponíveis com SQL e Agent Factory.
API Configure de X
A conta de desenvolvimento e a aplicação do X usado para ter acesso a publicações são visitadas. A demonstração prepara as opções de token e autenticação que o caderno precisará para recuperar as respostas do exemplo.
Comissão e políticas de acesso
O console OCI seleciona compartilhamento de trabalho e verifica permissões para ter acesso ao lab services. Essa preparação precede a criação de recursos e chamadas para OCI Language.
Análise de sentido com OCI Language
O console OCI Language permite que você explore a análise de texto e escores positivos, negativos e neutros. O serviço que o caderno usará para avaliar os comentários recuperados do X. Será apresentado.
Preparação de Oracle Autonomous Database
SQL ferramentas de Autonomous criar o usuário do aplicativo e atribuir permissões do exemplo. A carteira também estará preparada para fornecer conexões com os componentes que consumirão ou carregarão os resultados.
Criação de AIDP e Espaço de Trabalho
A instância de Oracle AI Data Platform é criada no compartilhamento selecionado e seu espaço de trabalho é definido. A demonstração verifica as políticas de acesso e uma vez que o serviço foi fornecido confirma autenticação antes de entrar na bancada de trabalho.
Criação do grupo computação
O cluster é criado dentro do espaço de trabalho e a janela de atividade do lab está configurada. Seguindo o provisionamento são suas opções de conexão, os cadernos e livrarias associados que serão instalados para executar a análise.
Instalação de livrarias no cluster
Arquivo A de dependências com os pacotes será preparado e será usado pelo notebook, incluindo panda e solicitações. Na seção de biblioteca do computador que o arquivo é selecionado e seu conteúdo é colocado no cluster.
OCI Configuração de Credenciais
A configuração de acesso OCI está preparada e suas rotas de arquivos são ajustadas dentro da área de trabalho. A demonstração verifica que a configuração e a referência chave estão relacionadas com os arquivos enviados para o lab do chamadas.
Criação de um caderno de análise
O caderno de análise é criado, suas livrarias são importadas e associadas com o cluster. Os parâmetros que serão usados pelos clientes OCI e as funções de fluxo são então configuradas antes de selecionar o problema de X.
Seleção da publicação de X
O Toque de X é introduzido e a publicação será escolhida e suas respostas serão analisadas. O notebook verifica a configuração do OCI e prepara funções para recuperar respostas, analisar sentimentos e construir arquitetura de dados de saída.
Performance da análise do sentimento
A análise é feita e as notas de sentimento são revisadas com texto e identificadores de usuário. O caderno aplicando regras orientadoras sobre sentimentos negativos para computação suas categorias e toxicity_score; Esse campo não é um desempenho independente de toxicidade de serviço.
DataFrames Spark e tabelas Delta
Os resultados do panda são transformados em um DataFame de Apache Spark. Catálogo A e um esboço são criados e uma tabela Delta estão preparados para salvar comentários e suas pontuações. O Mestre Catálogo permite que você verifique a tabela e suas colunas e sua permissões.
Consulta SQL sobre resultados
Os dados são digitalizados com consultas SQL: lista de registros, distribuição por categoria, pontuação média e comentários com maiores pontuações. Essas consultas foram seguidas por um exame de informações a serem enviadas ao agente.
Catálogo com base de dados Autonomous
Autonomous é registrado como um catálogo externo e a conexão é testada selecionando a instância e o usuário. Na base, uma tabela com a estrutura dos resultados e um catálogo atualizado da bancada de trabalho estão preparados para sua localização.
Carregando através do MERGE e validação de dados
Do caderno, um MERGE é realizado na tabela Autonomous usando o identificador de resposta como referência. A mesa foi então consultada para verificar se o registro chegou à base e ficou disponível para os seguintes consumidores.
Criação e execução do fluxo de trabalho
A job será criado com a tarefa de executar o caderno e selecionar o cluster e um tempo máximo de execução. As execuções manuais permitem seguir suas mensagens estados e processar, incluindo escrever resultados em Spark e Autonomous.
Programação automática job
O job está estruturado com um horário e uma área de tempo. A demonstração espera o seguinte execução e verifica sua aparência com tentativas manuais e verifica que o processo pode ser iniciado automaticamente.
Conexão de Agent Factory para Autonomous
Agent Factory cria uma fonte de dados para Autonomous usando a conexão preparada para o exemplo. A carteira está carregada, dados do usuário completos e acesso testado antes de usar um modelo de agente na base.
Agente para consultas em linguagem natural.
O modelo recebe uma pergunta e distingue entre uma busca de dados e uma conversa geral. O modelo de linguagem, consulta de mesa e resposta usando o resultado base são configurados. A turnê também mostra o ramo da conversa quando a intenção não requer busca.
Agente de teste e validação com SQL
Ele se perguntou sobre os melhores e piores comentários e encontrou os registros devolvidos usando SQL. A comparação verifica que as respostas são consistentes com os dados carregados e com as categorias de orientação calculadas no caderno.
Integração e encerramento
O encerramento resume a integração do API de X, OCI Language, Spark, Autonomous e Agent Factory. O fluxo mostra como preparar e armazenar informações antes de entrevistá-las, e menciona outras possíveis integrações como trabalho posterior.