ApsaraDB for SelectDB:AI 関数

サポートされている関数

AI 設定パラメーター

ApsaraDB for SelectDB はリソースを使用して AI API アクセスを集中管理します。このメソッドにより、キーのセキュリティを確保し、権限をコントロールできます。以下のパラメーターが利用可能です。

ベンダーサポート

現在サポートされているベンダーには、OpenAI、Anthropic、Gemini、DeepSeek、Local、MoonShot、MiniMax、Zhipu、Qwen、Baichuan が含まれます。

ご利用のベンダーがリストにない場合でも、その API フォーマットが OpenAI、Anthropic、または Gemini と一致する場合は、ai.provider_type パラメーターに一致するベンダーを選択できます。ベンダーの選択は、SelectDB が内部で構築する API のフォーマットにのみ影響します。

クイックスタート

1. AI リソースを構成します。

   例 1：

   CREATE RESOURCE 'openai_example'
   PROPERTIES (
       'type' = 'ai',
       'ai.provider_type' = 'openai',
       'ai.endpoint' = 'https://api.openai.com/v1/responses',
       'ai.model_name' = 'gpt-4.1',
       'ai.api_key' = 'xxxxx'
   );

   例 2：

   CREATE RESOURCE 'deepseek_example'
   PROPERTIES (
       'type'='ai',
       'ai.provider_type'='deepseek',
       'ai.endpoint'='https://api.deepseek.com/chat/completions',
       'ai.model_name' = 'deepseek-chat',
       'ai.api_key' = 'xxxxx'
   );

2. (オプション) デフォルトのリソースを設定します。

   SET default_ai_resource='ai_resource_name';

3. SQL クエリを実行します。

   ケース 1：

   データベースに関するドキュメントを格納するデータテーブルがあるとします。

   CREATE TABLE doc_pool (
       id  BIGINT,
       c   TEXT
   ) DUPLICATE KEY(id)
   DISTRIBUTED BY HASH(id) BUCKETS 10
   PROPERTIES (
       "replication_num" = "1"
   );

   SelectDB に最も関連性の高い 10 件のレコードを見つけるには、次のクエリを実行します。

   SELECT
       c,
       CAST(AI_GENERATE(CONCAT('Please score the relevance of the following document content to SelectDB, with a floating-point number from 0 to 10, output only the score. Document:', c)) AS DOUBLE) AS score
   FROM doc_pool ORDER BY score DESC LIMIT 10;

   このクエリは AI を使用して、各ドキュメントの SelectDB との関連性をスコアリングします。その後、スコア順に上位 10 件の結果を返します。

   +---------------------------------------------------------------------------------------------------------------+-------+
   | c                                                                                                             | score |
   +---------------------------------------------------------------------------------------------------------------+-------+
   | SelectDB is a lightning-fast MPP analytical database that supports sub-second multidimensional analytics. |   9.5 |
   | In SelectDB, materialized views can automatically route queries, saving significant compute resources.           |   9.2 |
   | SelectDB's vectorized execution engine boosts aggregation query performance by 5–10×.                            |   9.2 |
   | SelectDB Stream Load supports second-level real-time data ingestion.                                      |   9.2 |
   | SelectDB cost-based optimizer (CBO) generates better distributed execution plans.                                |   8.5 |
   | Enabling the SelectDB Pipeline execution engine noticeably improves CPU utilization.                             |   8.5 |
   | SelectDB supports Hive external tables for federated queries without moving data.                                |   8.5 |
   | SelectDB Light Schema Change lets you add or drop columns instantly.                                             |   8.5 |
   | SelectDB AUTO BUCKET automatically scales bucket count with data volume.                                         |   8.5 |
   | Using SelectDB inverted indexes enables second-level log searching.                                              |   8.5 |
   +---------------------------------------------------------------------------------------------------------------+-------+

   ケース 2：

   次のテーブルは、採用における候補者プロファイルと職務要件をシミュレートしたものです。

   CREATE TABLE candidate_profiles (
       candidate_id INT,
       name         VARCHAR(50),
       self_intro   VARCHAR(500)
   )
   DUPLICATE KEY(candidate_id)
   DISTRIBUTED BY HASH(candidate_id) BUCKETS 1
   PROPERTIES (
       "replication_num" = "1"
   );
   
   CREATE TABLE job_requirements (
       job_id   INT,
       title    VARCHAR(100),
       jd_text  VARCHAR(500)
   )
   DUPLICATE KEY(job_id)
   DISTRIBUTED BY HASH(job_id) BUCKETS 1
   PROPERTIES (
       "replication_num" = "1"
   );
   
   INSERT INTO candidate_profiles VALUES
   (1, 'Alice', 'I am a senior backend engineer with 7 years of experience in Java, Spring Cloud and high-concurrency systems.'),
   (2, 'Bob',   'Frontend developer focusing on React, TypeScript and performance optimization for e-commerce sites.'),
   (3, 'Cathy', 'Data scientist specializing in NLP, large language models and recommendation systems.');
   
   INSERT INTO job_requirements VALUES
   (101, 'Backend Engineer', 'Looking for a senior backend engineer with deep Java expertise and experience designing distributed systems.'),
   (102, 'ML Engineer',      'Seeking a data scientist or ML engineer familiar with NLP and large language models.');
   

   `AI_FILTER` を使用して、職務要件と候補者プロファイルをセマンティックに照合し、適切な候補者を見つけます。

   SELECT
       c.candidate_id, c.name,
       j.job_id, j.title
   FROM candidate_profiles AS c
   JOIN job_requirements AS j
   WHERE AI_FILTER(CONCAT('Does the following candidate self-introduction match the job description?', 
                   'Job: ', j.jd_text, ' Candidate: ', c.self_intro));

   +--------------+-------+--------+------------------+
   | candidate_id | name  | job_id | title            |
   +--------------+-------+--------+------------------+
   |            3 | Cathy |    102 | ML Engineer      |
   |            1 | Alice |    101 | Backend Engineer |
   +--------------+-------+--------+------------------+

設計原則