Sdílet prostřednictvím

Nejčastější dotazy k inteligentním aplikacím a umělé inteligenci

Platí pro: SQL Server 2025 (17.x) Azure SQL Database Azure SQLManaged InstanceSQL Database v Microsoft Fabric

Tento článek obsahuje nejčastější dotazy týkající se vektorů a vkládání v databázovém stroji SQL.

Ukázky a příklady najdete v úložišti ukázek AI SQL.

Můžu v T-SQL zcela vytvořit řešení rozšířené generace načítání (RAG)?

Ano, můžete vytvořit řešení Retrieval-Augmented generation (RAG) pomocí T-SQL. Tento typ řešení využívá funkce databázového stroje SQL k efektivní správě a dotazování dat. T-SQL můžete použít k implementaci potřebné logiky načítání a zpracování dat a zároveň integraci s externími službami AI pro aspekt generování. Vektory lze nativně ukládat v modulu SQL a připojení k LLM, které poskytují možnosti porozumění přirozenému jazyku prostřednictvím sp_invoke_external_rest_endpoint.

Proč bych v T-SQL zcela vytvořil(a) řešení RAG?

Pokud chcete vylepšit existující aplikaci, aniž byste ji museli znovu navrhovat, aby podporovala funkce umělé inteligence, použijte integrované funkce modulu SQL k implementaci funkcí AI přímo v databázových dotazech. Kód T-SQL je potřeba aktualizovat jenom tak, aby zahrnoval funkce AI, a nedělal rozsáhlé změny architektury vaší aplikace.

Existují kompletní ukázky s využitím Azure SQL nebo Fabric SQL pro RAG?

Určitě najdete kompletní ukázky pro RAG s využitím Azure SQL a Fabric SQL tady:

Můžu rag pracovat na strukturovaných datech, jako jsou sloupce a řádky?

Pokud potřebujete pracovat se strukturovanými daty, můžete i nadále využívat rag tím, že ho zkombinujete s jinými technikami, jako je například vkládání, které představují strukturovaná data způsobem, kterému model AI rozumí. To vám umožní provádět úlohy načítání a generování strukturovaných dat a zároveň využívat výhod funkcí RAG.

Proč odesílání úplného, složitého schématu do LLM vede k špatnému generování SQL – a jak ho můžu opravit?

Pokud máte komplexní a velké schéma databáze se stovkami tabulek a zobrazení, je lepší použít přístup s více agenty, který pomáhá snížit šum a umožnit modelům AI zaměřit se na konkrétní oblasti schématu. Úplný popis spolu s funkční kompletní ukázkou najdete tady:

Můžu se připojit k Azure OpenAI pomocí spravované identity?

Ano, ke službě Azure OpenAI se můžete připojit pomocí spravované identity. To vám umožní bezpečně ověřovat a přistupovat ke službě Azure OpenAI, aniž byste museli spravovat přihlašovací údaje přímo. Další informace najdete tady:

Používají moje data Microsoft pro trénovací modely?

Ne. Microsoft data nepoužívá pro trénovací modely. Další informace najdete v dokumentaci k zodpovědné umělé inteligenci .

Jaká data služba Azure OpenAI zpracovává?

Další informace najdete v dokumentu Data, ochrana osobních údajů a zabezpečení služby Azure OpenAI .

Jak můžu chránit svá data před neoprávněným přístupem agenta AI?

Azure SQL a SQL Server poskytují rozsáhlou podporu podrobného zabezpečení přístupu:

  • Začínáme s oprávněními databázového stroje: Pomocí oprávnění můžete řídit přístup k databázovým objektům na podrobné úrovni.
  • Row-Level zabezpečení (RLS):: Řízení přístupu k řádkům v tabulce na základě charakteristik uživatele, který spouští dotaz. Zabezpečení na úrovni řádků můžete vidět v akci v tomto videu.
  • Dynamické maskování dat: Omezte expozici citlivých dat tím, že je maskujte pro uživatele, kteří nejsou privilegovaní.
  • Always Encrypted: Chrání citlivá data tím, že je šifruje neaktivní uložená a přenášená data a zajišťuje, aby k nešifrovaným datům mohli přistupovat jenom autorizovaní uživatelé.

Pomocí funkce Audit v Azure SQL a SQL Serveru je také možné auditovat jakoukoli operaci provedenou v databázi.

Audit SQL Serveru (databázový stroj)

Související obsah

  • Last updated on