HeatWave GenAI

Puteți utiliza LLM-urile din baza de date pentru a vă ajuta să generați sau să rezumați conținut pe baza documentelor nestructurate. Utilizatorii pot adresa întrebări în aplicații folosind un limbaj natural, iar LLM va procesa solicitările și va livra conținutul.

Un utilizator trimite o întrebare în limbaj natural: „Puteți genera un scurt rezumat al acestei soluții?” Modelul lingvistic mare (LLM) procesează întrebarea și, drept rezultat, generează rezumatul.

Puteți combina forța unui AI generativ cu alte capacități HeatWave încorporate, cum ar fi machine learning, pentru a reduce costurile și a obține mai rapid rezultate mai exacte. În acest exemplu, o companie de producție procedează astfel pentru întreținerea predictivă. Inginerii pot utiliza Oracle HeatWave AutoML pentru generarea automată a rapoartelor privind datele de producție anormale și HeatWave GenAI pentru a stabili rapid cauzele problemelor doar prin adresarea de întrebări într-un limbaj natural, în locul analizării manuale a datelor înregistrate.

Un utilizator întreabă prin HeatWave Chat: „Care este principala problemă cu acest grup de date înregistrate? Doresc un rezumat format din două propoziții.” Mai întâi, HeatWave AutoML generează o listă filtrată de valori anormale înregistrate, pe baza tuturor datelor de producție pe care le colectează încontinuu. Apoi, HeatWave Vector Store oferă context suplimentar pentru LLM, pe baza bazei de date înregistrate. LLM preia acel prompt augmentat, produce un raport și îi oferă utilizatorului un răspuns detaliat, în care explică problema într-un limbaj natural.

Roboții de chat pot utiliza RAG pentru a răspunde, de exemplu, la întrebările angajaților privind politicile interne ale companiei. Documentele interne care detaliază politicile sunt stocate ca înglobări în HeatWave Vector Store. Când un utilizator efectuează o interogare, depozitul de vectori identifică documentele care corespund cel mai bine printr-o căutare de similitudini în înglobările stocate. Documentele respective sunt utilizate pentru augmentarea prompturilor trimise către LLM, astfel încât să ofere un răspuns exact.

Un utilizator întreabă prin HeatWave Chat: „Ce laptopuri pot comanda și care este procesul?”. HeatWave procesează întrebarea prin accesarea documentelor privind politica internă găzduite în HeatWave Vector Store. Apoi, oferă un prompt augmentat LLM-ului, care va genera răspunsul: „Iată lista furnizorilor aprobați și pașii de urmat pentru comandă”.

Dezvoltatorii pot crea aplicații care să utilizeze simultan machine learning, AI generativ și depozitul de vectori pentru a oferi recomandări personalizate. În acest exemplu, aplicația utilizează sistemul de recomandare HeatWave AutoML pentru a recomanda restaurante pe baza preferințelor utilizatorului sau în funcție de ceea ce a comandat acesta anterior. Cu HeatWave Vector Store, aplicația poate căuta în plus prin meniurile restaurantelor în format PDF pentru a sugera anumite preparate, oferindu-le astfel clienților o valoare mai mare.

Un utilizator întreabă prin HeatWave Chat: „Ce preparate vegane îmi sugerați astăzi?" În primul rând, sistemul de recomandare HeatWave AutoML sugerează o listă de restaurante, în funcție de ceea ce a comandat anterior utilizatorul. Apoi, HeatWave Vector Store oferă un prompt augmentat LLM-ului, pe baza meniurilor restaurantelor pe care le găzduiește. LLM poate genera apoi o recomandare de preparate personalizată, într-un limbaj natural.

Căutarea de similitudini se axează pe găsirea conținutului conex pe bază de semantică. Căutarea de similitudini este mai complexă decât o simplă căutare de cuvinte cheie, luând în considerare semnificația de bază, nu doar etichetele aplicate. În acest exemplu, un avocat dorește să identifice rapid o clauză potențial problematică din contracte.

Un avocat întreabă prin HeatWave Chat: „În ce contracte avem această propoziție?”. HeatWave Vector Store efectuează o căutare de similitudini și trimite răspunsul: „Această propoziție apare în următoarele 6 contracte.”