利用人工智能进行数据整合。

利用人工智能技术进行数据映射的 MapForce。

目前的人工智能模型在诸多方面具有提升数据集成任务的潜力。其中，与数据映射和ETL（提取、转换、加载）相关的最重要进展，主要集中在人工智能驱动的分类能力上。

无论是对自然语言输入，还是对其他非结构化数据，如图像和音频进行分类，人工智能系统在那些历史上一直非常困难、耗时且容易出错的分类任务中表现出色。基于大型语言模型（LLM）的人工智能接口能够分析海量的训练数据，从而学习语言中复杂的模式、语境和细微之处，从而能够高效地“理解”人类生成的语音和内容。

人工智能系统对不同领域数据的分类能力，可以帮助组织以有意义的方式提升其数据的价值。这尤其适用于数据集成或ETL（抽取、转换、加载）过程中，对数据库或其他数据存储系统写入的数据进行优化。人工智能提供的这些数据，可以提供额外的线索，从而为企业的决策提供支持。

MapForce 现在已支持人工智能技术。

由于许多人工智能系统，例如 OpenAI 的 GPT-4，可以通过 API 接口提供服务，因此可以立即将这些系统的功能集成到 MapForce 中的数据转换项目中。

利用MapForce内置的无需编写代码的工具，可以轻松定义Web服务请求，从而方便地调用各种API，包括OpenAI API、Azure OpenAI API、AWS AI Services等，从而在任何数据映射项目中实现基于人工智能的数据处理功能。

配置 MapForce 中人工智能功能的总体步骤包括：

在您的数据映射项目中插入一个Web服务组件，用于处理源数据，并将这些数据写入目标数据结构。
配置 Web 服务调用设置，需要以下信息：
- API 的 URL 地址
- 您组织的登录凭据
- 与 API 调用相对应的 JSON 请求和响应格式（这些可以通过 MapForce 或 XMLSpy 自动生成）。
继续根据需要配置映射项目。

以下内容介绍了利用人工智能技术在数据抽取、转换和加载（ETL）或数据集成过程中进行数据分类的实际应用案例。

自动化情感分析。自然语言处理一直是数据分析师们面临的难题，因为机器缺乏对人类语言中那些较为抽象的方面，例如语境、讽刺、歧义和俚语的理解。

由于人工智能在很大程度上克服了这些局限性，它可以分析文本数据，例如客户评价或社交媒体帖子，以确定文本中表达的情感，判断其是积极、消极还是中性。这种分类可以帮助企业了解客户反馈，评估公众舆论，并根据情感分析的结果做出数据驱动的决策。

以下的数据映射项目利用人工智能技术，分析支持数据库中接收到的记录，并自动判断一条记录是否.. 积极的；正面的；乐观的。, 负面的；消极的；负数。，构成了一个.. 错误报告或者应该被视为一种.. 功能需求建议。结果随后会被写入客户反馈数据库。

这个。这篇文章描述了所需的步骤。要在 MapForce 中构建这种基于人工智能的 ETL 功能。

与文本分类类似，由人工智能驱动的图像分类技术在性能上远远领先于传统技术。例如，在电子商务领域，人工智能可以自动将产品图像分类到不同的类别，或者在图像中识别特定的物体。这种分类可以帮助进行库存管理、搜索优化、内容组织等。

在下面的数据映射示例中，一个产品目录数据库通过人工智能驱动的图像分类技术进行了增强，从而为产品列表添加了描述性标签。这在产品名称含义模糊（例如，“Mongoose”，指的是一种自行车）或者产品描述缺失的情况下尤其有用。

该功能调用微软 Azure 认知服务中的计算机视觉 API，用于分析产品图片，并返回一个标签列表，这些标签将被添加到数据库中。例如，当分析一张名为“黄色西瓜”的图片时（实际上这是一种鱼饵），返回的标签是“鱼饵”、“金属制品”。

利用人工智能进行分类，为地理数据增值的方式有很多。除了上述图像和情感分类之外，开发者还可以使用MapForce中无需编写代码、基于人工智能的工具，以实现以下自动化功能：

要开始使用，您可以了解更多关于我们如何构建上述情感分析数据抽取、转换和加载 (ETL) 项目，或者基于人工智能的图像分类数据映射。您可以在自己的数据集成项目中尝试这些功能，只需下载 MapForce 的完整功能免费试用版即可。