使用 AI 功能（預覽）

適用於：✅ Microsoft Fabric 中的 SQL 分析端點與資料倉儲

Fabric Data Warehouse 與 SQL 分析端點提供內建的 AI 功能，可用於直接在 SQL 查詢中分析、分類、摘要及轉換文字。 透過這些功能，你可以在不離開資料環境的情況下進行進階文字處理。 在這個教學中，學習如何使用 AI 函數來轉換文字。

這些函式會呼叫外部 AI API 來處理文字，這會影響查詢效能。 為了優化效率，避免在同一資料集的SELECT查詢中重複應用文字轉換。 相反地，應預先計算並具體化 AI 功能的結果，作為獨立欄位或中介表。

AI 功能的典型處理速度約為每秒 20 到 100 列。 如果遇到效能變慢，請將有問題的查詢報告為問題。

Prerequisites

• 若要使用 Fabric 中的內建 AI 端點來啟用 AI 功能，您的系統管理員必須啟用 Copilot 的租用戶切換以及透過 Azure OpenAI 支援的其他功能。
• 視您所在的位置而定，您可能需要啟用跨地理位置處理的租用戶設定。 深入瞭解 Azure OpenAI 服務的可用區域。
• 您需要付費的 Fabric 容量（F2 或更高版本，或任何 P 系列版本）。
• 你只能在 支援的區域使用 AI 功能。

請查看 AI 功能前置條件 以獲得更多先決條件。

分析情感

該AI_ANALYZE_SENTIMENT(text)函數會分析輸入text的情感，並回傳以下其中一個值：positive、negativemixed或neutral。

範例：

SELECT AI_ANALYZE_SENTIMENT('This hotel was great!') AS sentiment;

預期結果：positive

更多資訊請參見 AI_ANALYZE_SENTIMENT（Transact-SQL）。

分類文字

該 AI_CLASSIFY(text, class1, class2, ...) 函數將輸入 text 分類為所提供的類別之一。

範例：

SELECT AI_CLASSIFY('Room was dirty', 'service','dirt','food') AS classification;

預期結果：dirt

更多資訊請參閱 AI_CLASSIFY（Transact-SQL）。

從文字擷取實體

該 AI_EXTRACT(text, class1, class2, ...) 函式會根據指定的類別從輸入 text 中擷取實體。

範例：

SELECT AI_EXTRACT('Check-in was late and room dirty', 'sentiment','problem') AS extraction;

預期結果：{"sentiment":"Negative","problem":"Dirty room"}

更多資訊請參見 AI_EXTRACT（Transact-SQL）。

產生回應

該 AI_GENERATE_RESPONSE(prompt, data) 函數根據給定 prompt 且可選 data的 產生回應。

範例：

SELECT AI_GENERATE_RESPONSE('Reply in 20 words:', 'The room was noisy.') AS response;

預期結果： 「我們誠摯抱歉噪音造成的不便，並致力於加強隔音措施。」

更多資訊請參見 AI_GENERATE_RESPONSE（Transact-SQL）。

摘要文字

該 AI_SUMMARIZE(text) 函數將輸入 text 摘要成簡潔版本。

範例：

SELECT AI_SUMMARIZE('The hotel was clean and staff were friendly.') AS summary;

預期結果： 「飯店乾淨，員工友善。」

更多資訊請參見 AI_SUMMARIZE（Transact-SQL）。

翻譯文字

AI_TRANSLATE(text, lang_code) 函數可透過 text 將 lang_code 翻譯成指定的語言。

支援的語言代碼包括 de （德語）、（英語）、 enfr （法語）、 it （義大利語）、 es （西班牙語）、 el （希臘語）、 pl （波蘭語）、 sv （瑞典語）、 fi （芬蘭語）及 cs （捷克語）。

範例：

SELECT AI_TRANSLATE('The hotel was great','de') AS translation_de;

預期結果： 「這家飯店很棒。」

欲了解更多資訊，請參閱 AI_TRANSLATE（Transact-SQL）。

修正文法

該 AI_FIX_GRAMMAR(text) 函數修正輸入 text中的文法。

範例：

SELECT AI_FIX_GRAMMAR('Th room are clean and staff were nice') AS fixed_text;

預期結果： 「房間很乾淨，工作人員也很親切。」

更多資訊請參見 AI_FIX_GRAMMAR（Transact-SQL）。

處理錯誤

當處理文字時發生錯誤，AI 功能會回傳 NULL 。 錯誤可能由 負責任的 AI 安全檢查偵測到不允許內容、輸入超出令牌限制、短暫服務問題或其他處理失敗所引起。

預設情況下，AI 函式採用盡力而為的執行模型，並 NULL 回應失敗的請求。 此行為旨在防止影響單一資料列的錯誤導致整個查詢失敗。 當透過外部大型語言模型（LLM）處理數千列時，單一值的失敗不應阻止剩餘資料列的成功結果回傳。 此行為同時確保成功處理的請求不會遺失，也不需要重複。

檢查回傳 NULL的列，找出失敗原因，然後只重試那些特定值。

你可以在每次函式呼叫中指定 ON ERROR 子句，即可覆蓋預設行為：

• NULL ON ERROR 當函式無法處理某個值時，（預設）會回傳 NULL 。
• ERROR ON ERROR 若在任何函式呼叫中發生錯誤，整個查詢將失敗。
• DEFAULT <value> ON ERROR 回傳指定的預設值，而非 NULL 錯誤發生時。

以下範例展示了可用的錯誤處理選項：

SELECT
    *,
    AI_FIX_GRAMMAR(review_text NULL ON ERROR) AS fixed_text,
    AI_EXTRACT(review_text, 'sentiment', 'problem' ERROR ON ERROR) AS info*
    AI_CLASSIFY(review_text, 'service', 'dirt', 'food' DEFAULT 'Other' ON ERROR) AS classification
FROM hotel_reviews;

在此範例中：

• AI_FIX_GRAMMAR 對於無法處理的數值則是回傳 NULL 。 由於回傳 NULL 是預設的錯誤處理行為，因此該 NULL ON ERROR 子句是可選的。
• AI_EXTRACT 如果有任何儲存格遇到錯誤，則整個查詢都會失敗。
• AI_CLASSIFY 對於它無法分類的細胞會傳回 Other。

備註

AI 功能可能會因多種原因回傳錯誤或效能低於預期：

• 在使用 AI 功能前，務必滿足所有必要的 條件 。 若缺少前置條件，函式會回傳錯誤。
• 若輸入文字無法被處理——例如超過標記限制、包含限制性或冒犯性內容，或違反服務政策——函式會回傳 NULL。 務必檢查回傳值是否為， NULL 並在查詢、應用程式或資料處理流程中適當處理此情況。
• 效能取決於輸入大小、輸入複雜度及整體服務負載。 單一文字值通常在幾秒內完成，而較大批次則可達到約 10–30 個文字值每秒的吞吐量。 如果你持續感受到效能低於預期，可能是服務或設定問題影響了處理吞吐量。

如果您在 Fabric Data Warehouse 或 SQL 分析端點中遇到 AI 功能的問題：

• 透過 Microsoft 支援建立支援單，或
• 在Microsoft Fabric Data Warehouse子版的 AI 功能中，分享回饋、提問或討論社群問題。

Examples

答： 使用 AI 函式匯入資料並轉換文字欄位

此範例會將 Lakehouse 檔案的資料載入 hotel_reviews 倉庫中的資料表。 它從該 /Files 區塊中的檔案中選擇，然後應用 AI 功能來豐富資料：

CREATE TABLE HotelDW.dbo.hotel_reviews
AS
SELECT
    city, latitude, longitude, name, reviews_rating, reviews_text,
    AI_SUMMARIZE(reviews_text) AS reviews_summary,
    AI_CLASSIFY( reviews_text, 'service', 'dirt', 'food', 'air conditioning', 'other') AS reviews_classification,
    AI_ANALYZE_SENTIMENT(reviews_text) AS reviews_sentiment,
    AI_TRANSLATE(reviews_text, 'de') AS reviews_text_de,
    AI_TRANSLATE(reviews_text, 'es') AS reviews_text_es,
    AI_TRANSLATE(reviews_text, 'fr') AS reviews_text_fr,
    AI_TRANSLATE(reviews_text, 'it') AS reviews_text_it
FROM OPENROWSET( BULK '/Files/csv/hotel_reviews_demo.csv', DATA_SOURCE = 'TextLakehouse', HEADER_ROW = TRUE);

B. 使用 AI 功能更新文字欄

以下範例修正了欄位 reviews_text 中的文法錯誤：

UPDATE HotelDW.dbo.hotel_reviews
SET reviews_text = ISNULL(AI_FIX_GRAMMAR(reviews_text), reviews_text);

AI 函式如果發生錯誤可能會回傳NULL，因此避免用NULL覆蓋現有的值。

當 AI 函數無法回傳結果時，使用 ISNULL(<ai function>, <original value>) 這個模式來保留原始文字。

C. 從文字中擷取數值

在此範例中，函 AI_EXTRACT 式分析審查文本，並回傳包含屬性 sentiment、 time_reported、 和 problem的 JSON 物件。 OPENJSON函式接著解析這些 JSON，並將這些屬性映射到獨立欄位，方便查詢和分析。

此範例腳本會將擷取的值以獨立欄位插入目標資料表中。

INSERT INTO gold.hotel_reviews
SELECT sentiment, time_reported, problem
FROM hotel_reviews
CROSS APPLY 
OPENJSON(
    AI_EXTRACT(reviews_text, 'sentiment', 'time_reported', 'problem')
) WITH ( sentiment VARCHAR(1000), time_reported VARCHAR(100), problem VARCHAR(1000) );

該 AI_EXTRACT 函式會應用模糊的上下文規則，從文本中辨識並提取主題，無需手動解析或複雜的正則表達式。 此方法透過 AI 驅動的語意理解而非僵化模式匹配，簡化文本分析，使其更穩健且能適應自然語言變異。

後續步驟

相關內容

• 用 AI 功能轉換並豐富資料
• AI 功能計費
• 在 Fabric 中使用 Azure OpenAI 搭配 AI 功能（預覽版）
• T-SQL AI 函式