Entwickeln von KI-Lösungen mit Azure-Datenbank für PostgreSQL

  • Lernpfad
  • 3 Module

Auf einen Blick

Dieser Lernpfad führt Sie durch die Entwicklung von KI-Lösungen mit Azure Database for PostgreSQL. Sie beginnen mit der Erstellung einer Data Foundation mit Schemadesign, effizienten SQL-Abfragen und sicherer Python-Integration mithilfe der Microsoft Entra-Authentifizierung.

Anschließend implementieren Sie die Vektorsuche mithilfe der pgvector-Erweiterung, um Einbettungen zu speichern, Ähnlichkeitssuchen mit unterschiedlichen Entfernungsmetriken auszuführen und Abrufmuster zu erstellen, die in RAG-Pipelines für semantische Suche und Empfehlungen integriert werden.

Schließlich optimieren Sie die Vektorsuchleistung, indem Sie die Konfiguration von PostgreSQL und pgvector optimieren, geeignete Vektorindizes auswählen, effiziente Datenlayouts entwerfen, für Workloads mit hohem Volumen skalieren und Verbindungspooling für KI-Anwendungen implementieren.

Voraussetzungen

  • Programmiererfahrung mit Python.
  • Grundlegendes Verständnis von Azure-Diensten und Cloud Computing-Konzepten.
  • Vertrautheit mit relationalen Datenbanken und SQL-Grundlagen.
  • Grundlegendes zu Machine Learning-Konzepten, einschließlich Einbettungen und Ähnlichkeitssuche.

Module in diesem Lernpfad

Erstellen und Abfragen mit Azure-Datenbank für PostgreSQL

Erfahren Sie, wie Sie mithilfe der Azure-Datenbank für PostgreSQL Datengrundlagen für KI-Anwendungen erstellen. Entwerfen Sie Schemas, schreiben Sie effiziente Abfragen und integrieren Sie sie mit Python-Anwendungen mithilfe der sicheren Authentifizierung.

Implementieren der Vektorsuche mit Azure-Datenbank für PostgreSQL

Erfahren Sie, wie Sie die Vektorsuche mithilfe der pgvector-Erweiterung in Azure Database for PostgreSQL implementieren. Speichern Sie Einbettungen, erstellen Sie Vektorindizes, und erstellen Sie semantische Abrufmuster für KI-Anwendungen.

Optimieren der Vektorsuche in Azure-Datenbank für PostgreSQL

Erfahren Sie, wie Sie die Vektorsuchleistung in der Azure-Datenbank für PostgreSQL mithilfe von pgvector optimieren. Optimieren Sie Konfigurationsparameter, wählen und konfigurieren Sie Vektorindizes, entwerfen Sie effiziente Datenlayouts, skalieren Sie für Workloads mit hohem Volumen und implementieren Sie Verbindungspooling für KI-Anwendungen.

Start