All Products
Search

This Product

    Realtime Compute for Apache Flink:AI_SENTIMENT

    Document Center

    Realtime Compute for Apache Flink:AI_SENTIMENT

    Last Updated:Jul 18, 2026

    AI_SENTIMENT mengklasifikasikan sentimen dari kolom teks menggunakan Large Language Model (LLM) serta mengembalikan skor, label, dan nilai kepercayaan untuk setiap baris.

    Batasan

    • Memerlukan Ververica Runtime (VVR) 11.4 atau versi yang lebih baru.

    • Throughput dibatasi oleh rate limit platform model. Jika rate limit terlampaui, operator Flink mengalami backpressure dan menjadi bottleneck. Dalam kasus parah, hal ini memicu error timeout pada operator dan menyebabkan job restart.

    Sintaksis

    AI_SENTIMENT(
  MODEL => MODEL <model_name>,
  INPUT => <input_column>
)

    Parameter input

    Parameter Tipe data Deskripsi
    MODEL <model_name> MODEL Layanan model terdaftar yang akan digunakan. Daftarkan layanan model di Model Settings. Tipe output model harus berupa VARIANT.
    <input_column> STRING Kolom teks yang akan dianalisis.

    Output

    AI_SENTIMENT mengembalikan satu baris per baris input dengan kolom-kolom berikut:

    Kolom Tipe data Deskripsi
    score DOUBLE Skor sentimen dari -1.0 hingga 1.0. Nilai referensi: -1.0 sangat negatif, -0.5 cukup negatif, 0.0 netral, 0.5 cukup positif, 1.0 sangat positif.
    label STRING Klasifikasi sentimen. Nilai yang valid: positive, negative, neutral.
    confidence DOUBLE Tingkat kepercayaan model terhadap label yang diprediksi, antara 0.0 dan 1.0.

    Contoh

    Contoh berikut mendaftarkan model Qwen-Plus dan menggunakan AI_SENTIMENT untuk mengklasifikasikan sentimen komentar film.

    Data uji

    id movie_name comment actual_label
    1 Good Stuff I loved the part where the child guessed sounds. It was one of the most romantic narratives I've seen in a movie. Very gentle and full of love. positive
    2 Dumpling Queen Nothing remarkable. negative

    Pernyataan SQL

    -- Register the model service
CREATE TEMPORARY MODEL general_model
INPUT (`input` STRING)
OUTPUT (`content` VARIANT)
WITH (
    'provider' = 'openai-compat',
    'task' = 'chat/completions',
    'model'     = 'qwen-plus'
);

-- Create a view with the test data
CREATE TEMPORARY VIEW movie_comment(id, movie_name, user_comment, actual_label)
AS VALUES
  (1, 'Good Stuff',      'I loved the part where the child guessed sounds. It was one of the most romantic narratives I\'ve seen in a movie. Very gentle and full of love.', 'positive'),
  (2, 'Dumpling Queen',  'Nothing remarkable.', 'negative');

-- Call AI_SENTIMENT using positional arguments
SELECT id, movie_name, actual_label, score, label, confidence
FROM movie_comment,
LATERAL TABLE(
  AI_SENTIMENT(MODEL general_model, user_comment));

-- Call AI_SENTIMENT using named arguments
SELECT id, movie_name, actual_label, score, label, confidence
FROM movie_comment,
LATERAL TABLE(
  AI_SENTIMENT(
    MODEL => MODEL general_model,
    INPUT => user_comment));

    Ganti placeholder berikut dengan nilai aktual Anda:

    Placeholder Deskripsi

    Output

    label yang diprediksi sesuai dengan actual_label untuk kedua baris.

    id movie_name actual_label score label confidence
    1 Good Stuff positive 0.8 positive 0.95
    2 Dumpling Queen negative -1.0 negative 0.95