Tous les produits
Search

Ce produit

    Realtime Compute for Apache Flink:AI_CLASSIFY

    Centre de documentation

    Realtime Compute for Apache Flink:AI_CLASSIFY

    Dernière mise à jour :Aug 13, 2026

    AI_CLASSIFY classe du texte à l'aide d'un grand modèle de langage (LLM). Appelez cette fonction depuis Flink SQL pour ajouter une colonne de classification basée sur un LLM à votre pipeline de streaming, sans UDF.

    Prérequis

    Avant de commencer, assurez-vous de disposer des éléments suivants :

    • Ververica Runtime (VVR) 11.4 ou version ultérieure

    • Un modèle enregistré dont le type de sortie est VARIANT. Pour plus de détails, consultez Paramètres du modèle.

    Syntaxe

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

    Les arguments positionnels et nommés sont tous deux pris en charge. Consultez la section Exemples.

    Paramètres

    Paramètre Type Description
    MODEL <model_name> MODEL Modèle enregistré à utiliser. Le type de sortie du modèle doit être VARIANT.
    <input_column> STRING Colonne de texte à classer.
    <labels> ARRAY Libellés de classification. Doit être une constante.

    Valeurs de retour

    AI_CLASSIFY renvoie une ligne par ligne d'entrée, contenant les colonnes suivantes :

    Colonne Type Description
    category STRING Libellé attribué par le modèle.
    confidence DOUBLE Niveau de confiance associé au libellé attribué.

    Exemples

    Cet exemple fait référence à un modèle intégré Flink et à une vue de produits, puis classe chaque produit en utilisant à la fois des arguments positionnels et nommés.

    Données de test

    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

    SQL

    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']));

    Sortie

    id category confidence
    1 Clothing 0,95
    2 Digital 0,99

    Remarques d'utilisation

    • LABELS doit être une constante. Les tableaux de libellés dynamiques ou calculés ne sont pas pris en charge.

    Limites

    • Nécessite Ververica Runtime (VVR) 11.4 ou version ultérieure.

    • L'utilisation du service Flink AI (modèles intégrés) requiert VVR 11.7 ou version ultérieure ainsi que l'activation du service Flink AI. Pour plus de détails, consultez Service Flink AI (modèles intégrés).

    • Le débit des opérateurs AI_CLASSIFY est soumis aux limites de débit d'Alibaba Cloud Model Studio. Lorsque ces limites sont atteintes, le job Flink subit une contre-pression, les opérateurs AI_CLASSIFY devenant alors le goulot d'étranglement. Dans certains cas, cela peut entraîner des erreurs de délai d'attente et le redémarrage du job.

    Étapes suivantes