All Products
Search

This Product

    E-MapReduce:AI Center

    Document Center

    E-MapReduce:AI Center

    Last Updated:Jun 16, 2026

    AI Center di EMR Serverless Spark memungkinkan Anda mengintegrasikan kemampuan Large Language Model (LLM) ke dalam pemrosesan data skala besar menggunakan SQL. Dua fitur utamanya—AI Function dan layanan model—menyematkan inferensi AI langsung ke dalam alur kerja data Anda tanpa perlu kode kustom.

    Catatan

    AI Center telah tersedia secara umum sejak 27 April 2026 dan kini merupakan layanan berbayar. Untuk detailnya, lihat Ketersediaan umum AI Center EMR Serverless Spark.

    Aktifkan AI Center

    Prasyarat

    Akun Alibaba Cloud atau pengguna RAM dengan izin AliyunRAMFullAccess.

    Prosedur

    1. Masuk ke Konsol E-MapReduce.

    2. Pada panel navigasi kiri, pilih EMR Serverless > Spark.

    3. Di halaman Spark, klik nama ruang kerja yang dituju.

    4. Pada panel navigasi kiri, pilih AI > Serving.

    5. Di pojok kanan atas, klik Enable AI Center.

    Penagihan

    Pemanggilan model bawaan di AI Center menggunakan skema penagihan pay-as-you-go. Biaya didasarkan pada konsumsi token aktual dari model bawaan di ruang kerja Anda. Untuk aturan penagihan lengkap, lihat Pemanggilan model (pay-as-you-go).

    Manfaat utama

    1. AI berbasis SQL, tanpa perlu kode

      Fungsi bawaan seperti ai_query, analisis sentimen, dan vektorisasi memungkinkan pengembang memanggil LLM langsung dari SQL. Inferensi AI yang kompleks dapat disematkan ke dalam alur ETL yang sudah ada tanpa perlu menulis kode Python, Java, atau SDK.

    2. Pendaftaran model terpadu

      Secara default, AI Function memanggil Alibaba Cloud Qwen3.5-Plus untuk inferensi siap pakai. Anda juga dapat mendaftarkan model dari Studio Model, PAI-EAS, atau titik akhir pribadi Anda sendiri hanya dalam satu klik. Lapisan akses terpadu menyembunyikan perbedaan protokol dan otentikasi—daftarkan sekali, kueri dari pekerjaan SQL mana pun.

    3. Pemrosesan in-place, alur kerja end-to-end

      Generasi vektor dan inferensi batch dijalankan secara in-place—tidak diperlukan pemindahan data. Seluruh siklus mulai dari pembersihan data, rekayasa fitur AI, hingga penulisan kembali hasil tetap berada dalam satu sistem, sehingga mengurangi biaya transfer antarsistem dan menyederhanakan kepatuhan.

    Kasus penggunaan

    Pemahaman konten

    • Analisis sentimen dan umpan balik: Klasifikasikan sentimen dalam komentar dan kategorikan umpan balik pengguna secara massal.

    • Routing tiket cerdas: Kategorikan tiket sebagai keluhan, pertanyaan, atau saran berdasarkan isinya, lalu arahkan ke departemen yang tepat.

    • Dukungan bisnis lintas batas: Terjemahkan konten secara end-to-end antar bahasa untuk menghasilkan laporan multibahasa atau menyesuaikan salinan pemasaran bagi pasar luar negeri.

    • Generasi ringkasan umum: Hasilkan ringkasan batch dokumen panjang dan ekstrak informasi penting dengan Qwen.

    Ekstraksi data terstruktur

    • Ekstraksi informasi kunci: Ekstrak bidang yang telah ditentukan—seperti nama pihak A, jumlah, dan tanggal—dari kontrak, log, atau komentar, lalu output sebagai JSON.

    • Perbaikan copy otomatis: Perbaiki kesalahan sintaksis dan diksi yang tidak tepat sebelum ekspor data atau pembuatan laporan.

    • Konversi dari tidak terstruktur ke terstruktur: Ubah aturan bisnis berbahasa alami menjadi catatan data terstruktur untuk analisis SQL.

    Pengambilan semantik dan RAG

    • Membangun database vektor RAG: Pecah set dokumen menjadi potongan-potongan dan ubah menjadi penyematan semantik untuk basis pengetahuan perusahaan.

    • Pencocokan tanya-jawab cerdas: Cocokkan pertanyaan pengguna dengan entri basis pengetahuan berdasarkan kemiripan semantik untuk menghasilkan balasan otomatis yang akurat.

    • Deduplikasi data cerdas: Identifikasi catatan yang duplikat secara semantik—seperti artikel berita serupa atau entri layanan pelanggan—untuk membersihkan set data.

    Keamanan data dan kepatuhan

    • Penyembunyian data: Pindai teks untuk mengidentifikasi informasi pribadi sensitif—seperti nama, nomor identitas, nomor telepon, dan nomor kartu bank—lalu sembunyikan atau ganti.

    • Audit kepatuhan privasi: Audit aset data historis secara batch untuk menemukan bidang sensitif yang belum disembunyikan.

    Efisiensi pengembangan SQL

    • Migrasi pekerjaan yang lancar: Konversi HiveQL ke Spark SQL, sekaligus atasi adaptasi UDF dan perbedaan fungsi jendela.

    • Optimasi kinerja kueri: Analisis logika SQL dan berikan saran optimasi untuk penurunan predikat, bucketing, dan strategi join.

    • Komentar dan saran kode: Hasilkan komentar untuk skrip SQL kompleks guna membantu pengembang memahami kode lama.