Grundlegendes zu KI-Funktionen für Azure SQL-Datenbank

Abgeschlossen

In der heutigen, sich schnell entwickelnden Technologielandschaft ist das Verständnis von KI entscheidend, um die Funktionen von Anwendungen zu erweitern und wettbewerbsfähig zu bleiben. Azure SQL-Datenbank spielt bei dieser Transformation eine wichtige Rolle, da eine robuste Plattform für die Integration von KI in Ihre Anwendungen bereitgestellt wird. Mit Features wie Microsoft Copilot, Konvertierung von natürlicher Sprache in SQL und Tools für die erweiterte Datenverwaltung bietet Azure SQL-Datenbank Entwicklern die Möglichkeit, die Leistungsfähigkeit von KI zu nutzen, die Datenbankverwaltung zu optimieren und die Anwendungsleistung zu verbessern. Mithilfe dieser Tools können Sie intelligente, reaktionsfähige und effiziente Anwendungen erstellen, die die Anforderungen moderner Benutzer erfüllen.

Verwenden von Copilot in Azure SQL-Datenbank (Vorschau)

Microsoft Copilot in Azure ist in Die Azure SQL-Datenbank integriert und verbessert die SQL-Verwaltung und -Problembehandlung. Der Assistent steigert die Produktivität im Azure-Portal, indem Konvertierung natürlicher Sprache in SQL und Selbsthilfe für die Datenbankverwaltung bereitgestellt wird.

Copilot vereinfacht die Datenbankverwaltung, indem Datenbankkontext, Dokumentation, dynamische Verwaltungssichten, Abfragespeicher und andere Wissensquellen genutzt werden. Datenbankadministratoren können beispielsweise unabhängig Datenbanken verwalten und Probleme beheben, während Entwickler T-SQL-Abfragen generieren können, indem sie Fragen in natürlicher Sprache stellen.

Darüber hinaus können Entwickler unabhängig Datenbanken verwalten und Probleme beheben. Dadurch wird die Notwendigkeit einer ständigen Unterstützung von Datenbankadministratoren beseitigt.

Die aktuelle Vorschau enthält zwei Umgebungen:

• Microsoft Copilot in Azure – Fügt Azure SQL-Datenbankkompetenzen zu Microsoft Copilot in Azure hinzu, um Benutzer mit selbstgesteuerter Unterstützung zu befähigen, Datenbanken zu verwalten und eigenständig Probleme zu lösen.
• Natürliche Sprache in SQL – Übersetzt Abfragen natürlicher Sprache in SQL im Azure-Portalabfrage-Editor, wodurch Datenbankinteraktionen intuitiver werden. Diese Integration ermöglicht es Microsoft Copilot in Azure, Fragen wie die folgenden zu beantworten:
  • Welche Makler haben mehr als zwei Immobilien zum Verkauf gelistet?
  • Nenne mir den Rang jedes Maklers nach Immobilienverkäufen, und gib den Namen, den Gesamtumsatz und den Rang an.
  • Zeige mir eine Pivotzusammenfassungstabelle an, die die Anzahl der jährlich verkauften Immobilien von 2020 bis 2023 enthält.

Erstellen intelligenter Anwendungen mit LLMs (Large Language Models, große Sprachmodelle)

Mit LLMs (Large Language Models) können Entwickler KI-basierte Anwendungen mit einer vertrauten Benutzeroberfläche erstellen. Die Verwendung von LLMs in Anwendungen bringt mehr Wert und eine verbesserte Benutzererfahrung, wenn die Modelle zum richtigen Zeitpunkt auf die richtigen Daten zugreifen können, und zwar von der Datenbank Ihrer Anwendung aus. Dieser Prozess wird als „Retrieval Augmented Generation“ (RAG) bezeichnet, und Azure SQL-Datenbank verfügt über viele Features, die dieses neue Muster unterstützen. Dadurch ist es eine großartige Datenbank zum Erstellen intelligenter Anwendungen.

Azure SQL-Datenbank bietet verschiedene Optionen zum Erstellen intelligenter Anwendungen, u. a. Optionen zum Generieren von Einbettungen für RAG mit Azure OpenAI, zum Speichern und Abfragen von Vektoren und zum Verwenden von Azure KI-Suche zum Trainieren von LLMs für Ihre Daten. Darüber hinaus optimieren Copilot-Skills in Azure SQL-Datenbank das Design, den Betrieb, die Optimierung und die Integrität von Anwendungen, die durch Azure SQL-Datenbank gesteuert werden.

Zu den wichtigsten Konzepten für die Implementierung von RAG mit Azure SQL-Datenbank und Azure OpenAI gehören folgende:

• Retrieval Augmented Generation (RAG) – Verbessert die Fähigkeit des LLM, relevante Antworten zu erzeugen, indem zusätzliche Daten aus externen Quellen abgerufen werden.
• Eingabeaufforderungen und Prompt Engineering – Erstellen bestimmter Texte oder Informationen, die als Anweisung für ein LLM dienen.
• Token: Token sind kleinere Textabschnitte, die durch Aufteilen des Eingabetexts in verwaltbare Teile erstellt werden.
• Vektoreinbettungen – Vektoren oder Einbettungen sind mathematische Darstellungen von Daten in einem hochdimensionalen Raum, die von Machine Learning-Modellen verwendet werden, um verschiedene Arten von Informationen wie Text, Bilder und Audio zu verarbeiten.
• Vektorsuche: Suchen aller Vektoren in einem Dataset, die semantisch einem bestimmten Abfragevektor ähneln.

Azure SQL-Datenbank unterstützt Columnstore-Indizes und die Batchmodusausführung, sodass effiziente Speicherung und Abfrage von Vektoreinbettungen möglich ist. Diese Integration minimiert die Notwendigkeit, die Datensynchronisierung zu verwalten und verkürzt die Markteinführungszeit für die KI-Anwendungsentwicklung.

Weitere Informationen zur Verwendung der Azure SQL-Datenbank mit Azure OpenAI, einschließlich des Generierens von Bildern, der Verwendung von OpenAI-REST-Endpunkten und der Nutzung der Vektorsuche, finden Sie unter Intelligente Anwendungen mit Azure SQL-Datenbank.