Intelligens alkalmazások és AI – gyakori kérdések (GYIK)

A következőkre vonatkozik: SQL Server 2025 (17.x) Azure SQL DatabaseAzure SQL Managed InstanceSQL Database a Microsoft Fabricben

• Azure SQL-adatbázis
• Intelligens alkalmazások és AI

Ez a cikk az SQL Database Engine-ben található vektorokkal és beágyazásokkal kapcsolatos gyakori kérdéseket tartalmazza.

Példákért és példákért látogasson el az SQL AI-minták adattárába.

Létrehozhatok egy lekérésesen kibővített generációs (RAG) megoldást teljesen a T-SQL-ben?

Igen, létrehozhat egy Retrieval-Augmented generációs (RAG) megoldást a T-SQL használatával. Ez a megoldás az SQL Database Engine képességeit használja az adatok hatékony kezeléséhez és lekérdezéséhez. A T-SQL használatával implementálhatja a szükséges adatlekérési és feldolgozási logikát, miközben integrálható külső AI-szolgáltatásokkal a létrehozás szempontjából. A vektorok natív módon tárolhatók az SQL-motorban, és a természetes nyelvfelismerési képességeket biztosító LLM-ekkel való kapcsolatok is sp_invoke_external_rest_endpointlehetségesek.

• RAG-megoldás implementálása és az OpenAI meghívása közvetlenül az Azure SQL DB-ből az adatokkal kapcsolatos kérdések feltevéséhez
• Kiszámítható LLM-eredmények strukturált kimenettel és sp_invoke_external_rest_endpoint

Miért hoznék létre teljesen RAG-megoldást a T-SQL-ben?

Ha anélkül szeretne továbbfejleszteni egy meglévő alkalmazást, hogy újra kellene építenie az AI-képességek támogatására, az SQL-motor beépített funkcióival közvetlenül az adatbázis-lekérdezésekben implementálhatja az AI-funkciókat. Az alkalmazásarchitektúra átfogó módosítása helyett csak a T-SQL-kódot kell frissítenie az AI-funkciók beépítéséhez.

• Windows Server, SQL Server és .NET számítási feladatok migrálása és modernizálása
• Alkalmazások modernizálása az Azure SQL, az OpenAI és a Data API Builder használatával

Vannak olyan végpontok közötti minták, amelyek az Azure SQL-t vagy a Fabric SQL for RAG-t használják?

Az Azure SQL és a Fabric SQL használatával az alábbi, végpontok közötti mintákat talál a RAG-hoz:

• RAG-minták az Azure SQL használatával
• RAG-minták a Fabric SQL használatával

Használhatom a RAG-t strukturált adatokon, például oszlopokon és sorokon?

Ha strukturált adatokkal kell dolgoznia, akkor is használhatja a RAG-ot más technikákkal kombinálva, például beágyazással, hogy a strukturált adatokat az AI-modell által érthető módon képviselje. Így lekérési és létrehozási feladatokat hajthat végre strukturált adatokon, miközben továbbra is kihasználhatja a RAG képességeit.

• Az "R" javítása a RAG-ban és az Ügynöki RAG használata az Azure SQL-ben

Miért vezet gyenge SQL-generációhoz egy teljes, összetett séma LLM-nek való elküldése– és hogyan javíthatom ki?

Ha összetett és nagy adatbázissémával rendelkezik, amely több száz táblával és nézettel rendelkezik, jobb, ha többügynök-megközelítéssel segít csökkenteni a zajt, és lehetővé teszi, hogy az AI-modellek a séma bizonyos területeire összpontosítsanak. A teljes leírás és a teljes körű munkaminta itt érhető el:

• Az együttműködő ügynökök története: csevegés az adatbázissal a megfelelő módon

Csatlakozhatok az Azure OpenAI-hoz felügyelt identitással?

Igen, felügyelt identitással csatlakozhat az Azure OpenAI-hoz. Ez lehetővé teszi az Azure OpenAI szolgáltatás biztonságos hitelesítését és elérését anélkül, hogy közvetlenül kellene kezelnie a hitelesítő adatokat. További információkért lásd:

• Jelszó nélküli működés az Azure OpenAI Azure SQL-ből felügyelt identitások használatával történő meghívásakor
• Külső modell létrehozása az Azure OpenAI-val felügyelt identitással

A Microsoft használja az adataimat betanítási modellekhez?

Nem. A Microsoft nem használ adatokat betanítási modellekhez. További információért tekintse meg a Felelős AI dokumentációját .

Milyen adatokat dolgoz fel az Azure OpenAI szolgáltatás?

További információkért tekintse meg az Azure OpenAI szolgáltatás adataival, adatvédelemmel és biztonsággal kapcsolatos dokumentumát.

Hogyan védhetem meg az adataimat az AI-ügynök jogosulatlan hozzáférésétől?

Az Azure SQL és az SQL Server széles körű támogatást nyújt a részletes hozzáférés-biztonsághoz:

• Ismerkedés az adatbázismotor engedélyeivel: Az adatbázis-objektumok hozzáférésének részletes szabályozása engedélyek használatával.
• Row-Level Biztonság (RLS): A lekérdezést végrehajtó felhasználó jellemzői alapján szabályozhatja a tábla soraihoz való hozzáférést. Ebben a videóban az RLS működés közben jelenik meg.
• Dinamikus adatmaszkolás: A bizalmas adatok expozíciójának korlátozása a nem kiemelt felhasználók számára történő maszkolással.
• Always Encrypted: A bizalmas adatok védelme inaktív és átvitel közben történő titkosításával, biztosítva, hogy csak az arra jogosult felhasználók férhessenek hozzá a titkosítatlan adatokhoz.

Az adatbázison végzett bármely műveletet az Azure SQL és az SQL Server naplózási funkciójával is naplózhatja.

SQL Server audit (adatbázismotor)

Kapcsolódó tartalom

• Intelligens alkalmazások és AI
• Vektorok és beágyazások: Gyakori kérdések (GYIK)
• SQL AI-minták és példák