AI_CLASSIFY uses Flink operators to perform classification with Large Language Models (LLMs). It supports the real-time computing engine Ververica Runtime (VVR) 11.4 and later. Note the rate limiting and input/output requirements of Model Studio. - Realtime Compute for Apache Flink

AI_CLASSIFY clasifica texto mediante un modelo de lenguaje grande (LLM).

Límites

Requiere Ververica Runtime (VVR) 11.4 o una versión posterior.
Para usar el servicio Flink AI (modelos integrados), se necesita VVR 11.7 o una versión posterior. Además, el servicio Flink AI debe estar activado. Para más información, consulte Servicio Flink AI (modelos integrados).
El throughput de los operadores AI_CLASSIFY está sujeto a los límites de velocidad de Alibaba Cloud Model Studio. Cuando se alcanzan estos límites para un modelo, el trabajo de Flink experimenta contrapresión y los operadores AI_CLASSIFY se convierten en el cuello de botella. En algunos casos, esto provoca errores de tiempo de espera y reinicios del trabajo.

Sintaxis

AI_CLASSIFY(
  MODEL => MODEL <model_name>,
  INPUT => <input_column>,
  LABELS => <labels>
)

Parámetros

Parámetro	Tipo	Descripción
`MODEL <model_name>`	MODEL	Nombre del servicio de modelos registrado. Para más información, consulte Model settings. Nota: el tipo de salida de este modelo debe ser VARIANT.
`<input_column>`	STRING	Columna de texto que se va a clasificar.
`<labels>`	ARRAY	Etiquetas de clasificación. Debe ser una constante.

Valores de retorno

Columna	Tipo	Descripción
`category`	STRING	Etiqueta asignada por el modelo.
`confidence`	DOUBLE	Nivel de confianza de la etiqueta asignada.

Ejemplos

Datos de prueba

id	content	label
1	Li-Ning Way of Wade 10 Basketball Shoes, Performance Basketball Shoes, Shock Absorption and Rebound, Black/Red	Digital
2	Apple iPhone 15 Pro Max 256GB, Space Black, 5G Phone, A17 Pro Chip, Titanium Frame	Clothing

Instrucciones SQL

A continuación se muestra un ejemplo que hace referencia a un modelo integrado de Flink y utiliza AI_CLASSIFY para clasificar categorías de productos.

CREATE TEMPORARY MODEL general_model
INPUT (`input` STRING)
OUTPUT (`content` VARIANT)
WITH (
    'provider' = 'openai-compat',
    'task'      = 'chat/completions',
    'model'     = 'qwen3.6-flash'
);

CREATE TEMPORARY VIEW products(id, content)
AS VALUES
  (1, 'Li-Ning Way of Wade 10 Basketball Shoes, Performance Basketball Shoes, Shock Absorption and Rebound, Black/Red'),
  (2, 'Apple iPhone 15 Pro Max 256GB, Space Black, 5G Phone, A17 Pro Chip, Titanium Frame');

-- Positional argument style
SELECT id, category, confidence
FROM products,
LATERAL TABLE(
  AI_CLASSIFY(MODEL general_model, content, ARRAY['Digital', 'Clothing']));

-- Named argument style
SELECT id, category, confidence
FROM products,
LATERAL TABLE(
  AI_CLASSIFY(
    MODEL  => MODEL general_model,
    INPUT  => content,
    LABELS => ARRAY['Digital', 'Clothing']));

Resultado

id	category	confidence
1	Clothing	0.95
2	Digital	0.99