Opastus: Käytä tekoälytoimintoja varastossa

Koskee:✅ Microsoft Fabric -varasto

Tässä opastuaalissa opit käyttämään sisäänrakennettuja tekoälytoimintoja T-SQL:ssä pohtiaksesi varastotaulutietoja luonnollisella kielellä. Käytä taulukkoa dbo.fact_sale tutkiaksesi tekoälytoimintoja yksinkertaisissa SELECT kyselyissä, käytä niitä kehittyneemmässä analytiikkakyselyssä ja säilytä tulokset sarakkeiksi.

Tutki dataa tekoälyfunktioiden avulla

Tässä tehtävässä opi käyttämään muutamia sisäänrakennettuja tekoälytoimintoja yksinkertaisissa SELECT kyselyissä tutkiaksesi, mitä ne palauttavat, muuttamatta taulukkoa.

Varmista, että ensimmäisessä opetusohjelmassa luomasi työtila on avoinna.

Poiminta kategorioita kuvauksesta

1. Valitse Home -valintanauhasta Uusi SQL-kysely.

2. Liitä seuraava koodi kyselyeditoriin. Koodi AI_EXTRACT käyttää värin ja koon poistamiseen kuvauksista, kuten Alien officer hoodie (Black) XXL. AI_EXTRACT palauttaa JSON-objektin, joten käytä OPENJSON attribuuttien muuttamiseen erillisiksi sarakkeiksi.

   -- Extract color and size attributes.
   SELECT
       SaleKey,
       Description,
       extracted.Color,
       extracted.Size
   FROM dbo.fact_sale
   CROSS APPLY OPENJSON(AI_EXTRACT(Description, 'Color', 'Size'))
       WITH (Color varchar(50), Size varchar(20)) AS extracted;
   

3. Suorita kysely.

4. Kun suoritus on valmis, nimeä kysely uudelleen nimellä Color & Size Extraction. Varmista se Color , Size ja ne on merkitty erillisiin sarakkeisiin.

Muotoilun kuvaus HTML:nä

1. Luo uusi kysely, liitä seuraava koodi ja suorita se. Koodia käytetään AI_GENERATE_RESPONSE uudelleenkirjoittamiseen Description HTML-tuoteyhteenvetona, jossa on avainattribuuttiluettelo, valmiina renderöitäväksi verkkosivulle.

   -- Generate a catalog description formatted as HTML, with a summary and an attribute list.
   SELECT
       SaleKey,
       Description,
       AI_GENERATE_RESPONSE(
           'Rewrite as a short e-commerce catalog description. Format the result as HTML: wrap the summary in a <p> tag, then list key attributes as a <dl>, with each <dt> label bolded using <strong> and followed by its <dd> value.',
           Description
       ) AS CatalogDescription
   FROM dbo.fact_sale;
   

2. Nimeä kysely uudelleen nimellä Short Catalog Description Generation. Tarkista CatalogDescription ja varmista, että se sisältää pyydetyt <p>, <dl>, <dt>, ja <dd> elementit.

Tiivistäkää myyntituotetiedot

1. Luo uusi kysely, liitä seuraava koodi ja suorita se. Koodi AI_GENERATE_RESPONSE muuttaa numeeriset sarakkeet, ei Description, selväkieliseksi yhteenvedoksi myyntituotteesta.

   -- Summarize each sales item in plain text, based on numeric columns only.
   DECLARE @prompt nvarchar(max) = N'Summarize this sales item in one short sentence for a business report.';
   
   SELECT
       *,
       AI_GENERATE_RESPONSE(
           @prompt,
           CONCAT(
               'Package: ', Package,
               '. Quantity: ', Quantity,
               '. Dry items: ', TotalDryItems,
               '. Chiller items: ', TotalChillerItems,
               '. Unit price: ', UnitPrice,
               '. Tax rate: ', TaxRate,
               '. Profit: ', Profit,
               '. Total including tax: ', TotalIncludingTax
           )
       ) AS SalesItemSummary
   FROM dbo.fact_sale;
   

2. Nimeä kysely uudelleen nimellä Sales Item Summary Generation. Lue muutama SalesItemSummary arvo ja varmista, että ne heijastavat saman rivin numeerisia sarakkeita.

Määritä jokaisen myyntituotteen prioriteetti

Tässä tehtävässä käytä AI_GENERATE_RESPONSE kehittyneempää kyselyä, joka yhdistää useita sarakkeita tukemaan liiketoimintapäätöstä sen sijaan, että perustelisit yhden sarakkeen.

1. Luo uusi kysely, liitä seuraava koodi ja suorita se. Koodi yhdistää laskun päivämäärän, toimituspäivän, viitepäivän, rivin kokonaismäärän, voiton ja jäähdyttimen tuotteiden määrän, jotka täytyy käsitellä kylmässä, yhdeksi syötteeksi ja pyytää tekoälyä palauttamaan prioriteettipisteet, joka yhdistää nämä signaalit yhdeksi numeroksi. fact_sale Sisältää historiallisia myyntejä, joten @AsOfDate se edustaa nykyistä liiketoimintapäivää, jota käyttäisit live-toimitusjonossa.

   -- Score sales items for fulfillment priority based on invoice-to-delivery time, line total, profit, and chiller items.
   DECLARE @AsOfDate date = '2016-05-01';
   DECLARE @prompt nvarchar(max) = N'Given the invoice date, delivery date, reference date, line total, profit, and number of chiller items below, return a single integer priority score from 1 (low) to 100 (urgent) for sales-item fulfillment. Consider how much time was allowed from invoice to delivery, and how close the delivery date is to the reference date. Larger line totals, closer delivery dates, higher profit, and more chiller items should raise the score. Return only the number.';
   
   SELECT
       SaleKey,
       InvoiceDateKey,
       DeliveryDateKey,
       TotalIncludingTax,
       Profit,
       TotalChillerItems,
       TRY_CAST(AI_GENERATE_RESPONSE(
           @prompt,
           CONCAT(
               'Invoice date: ', CONVERT(char(10), InvoiceDateKey, 23),
               '. Delivery date: ', CONVERT(char(10), DeliveryDateKey, 23),
               '. Reference date: ', CONVERT(char(10), @AsOfDate, 23),
               '. Line total: ', TotalIncludingTax,
               '. Profit: ', Profit,
               '. Chiller items: ', TotalChillerItems
           )
       ) AS int) AS PriorityScore
   FROM dbo.fact_sale
   ORDER BY PriorityScore DESC;
   

2. Nimeä kysely uudelleen nimellä Sales Item Fulfillment Priority Scoring. Vahvistusarvot PriorityScore ovat välillä 1–100, ja korkeimmat pisteet lajitellaan ensin.

Jatkuvat tekoälytulokset

Tähän mennessä esitetyt esimerkit palauttavat tekoälyn tuloksen SELECT. Jos haluat käyttää näitä tuloksia uudelleen ilman, että lasket ne joka kerta, kirjoita ne takaisin .UPDATE

Korjaa kielioppivirheet kuvauksessa

1. Luo uusi kysely, liitä seuraava koodi ja suorita se. Koodi korjaa AI_FIX_GRAMMARDescription paikoillaan, säilyttäen alkuperäisen tekstin aina kun tekoälyllä ei ole mitään korjattavaa.

   -- Fix grammar issues in the description, in place.
   UPDATE dbo.fact_sale
   SET Description = ISNULL(AI_FIX_GRAMMAR(Description), Description)
   WHERE Description IS NOT NULL;
   

2. Nimeä kysely uudelleen nimellä Grammar Correction Update. Vertaa muutamia rivejä, joissa Description on muutettu, ja varmista, että korjaus on tarkka.

Luo uusia sarakkeita

Tämä tehtävä lisää ensin kaksi kohdesaraketta ja täyttää ne yhdessä päivityksessä.

1. Luo uusi kysely, liitä seuraava koodi ja suorita se. Koodi lisää sarakkeita käännetylle kuvaukselle ja tuotekategorialle.

   -- Add columns for the translated description and the product category.
   ALTER TABLE dbo.fact_sale ADD DescriptionFr nvarchar(max) NULL, ProductCategory nvarchar(50) NULL;
   

2. Nimeä kysely uudelleen nimellä Add Translation & Category Columns.

3. Luo uusi kysely, liitä seuraava koodi ja suorita se. Koodi täyttää molemmat sarakkeet yhdessä päivityksessä, käyttäen AI_TRANSLATE for Description ja AI_CLASSIFY lajitellakseen jokaisen rivin kiinteään tuotekategoriaan, joka vastaa taulukon todellisia sisältöjä, kuten erikoismukit, vaatteet ja pakkaustarvikkeet.

   -- Populate the translated description and product category columns.
   UPDATE dbo.fact_sale
   SET
       DescriptionFr = AI_TRANSLATE(Description, 'fr'),
       ProductCategory = AI_CLASSIFY(
           Description,
           'Apparel', 'Footwear', 'Novelty & Gifts', 'Packaging Materials', 'Toys & Costumes', 'Office Supplies'
       )
   WHERE Description IS NOT NULL;
   

4. Nimeä kysely uudelleen nimellä Populate Translation & Category Columns. Vahvista DescriptionFr ja ProductCategory täytetään jokaiselle riville.

Seuraava vaihe

Liittyvä sisältö

• Tekoäly toimii Fabric tietovarasto
• Tekoälyfunktiot (Transact-SQL)