Introductie
Het bouwen van intelligente toepassingen met Azure SQL Database omvat meer dan het opslaan en opvragen van relationele gegevens. Ontwikkelaars moeten AI-modellen integreren, insluitingen genereren op tekst en vectorzoekopdrachten uitvoeren om functies zoals semantische zoekopdrachten en Rag (Retrieval Augmented Generation) mogelijk te maken. Azure SQL Database en Fabric SQL Database ondersteunen deze mogelijkheden via externe modellen, het vectorgegevenstype en ingebouwde AI-functies.
Met externe modellen en insluitwerkstromen kunnen ontwikkelaars AI-mogelijkheden rechtstreeks in de database toevoegen. Deze aanpak zorgt ervoor dat AI-verwerking dicht bij de gegevens ligt en vermindert de noodzaak om informatie te verplaatsen tussen systemen voor taken zoals zoeken naar overeenkomsten of het ophalen van inhoud.
Stel u een retailontwikkelingsteam voor dat toepassingen bouwt met behulp van Azure SQL Database voor het beheren van productcatalogussen, klantbeoordelingen en ondersteuningsdocumentatie. Hun werk omvat het genereren van insluitingen van productbeschrijvingen, het inschakelen van semantische zoekopdrachten in ondersteuningsartikelen en het actueel houden van insluitingen als inhoudswijzigingen. Door gebruik te maken van externe modellen en ingebouwde AI-functies in Azure SQL Database, kan het team insluitingen ontwerpen, genereren en onderhouden terwijl ze volledig in Transact-SQL werken.
Nadat u deze module hebt voltooid, kunt u het volgende doen:
- EVALUEER AI-modellen voor SQL-databaseworkloads op basis van mogelijkheden en prestatievereisten.
- Externe modellen maken en beheren om te verwijzen naar AI-eindpunten vanuit Transact-SQL.
- Ontwerp insluitingen met de juiste segmenteringsstrategieën.
- Insluitingen genereren en opslaan met behulp van ingebouwde SQL AI-functies.
- Kies onderhoudsmethoden om insluitingen te behouden die zijn afgestemd op brongegevens.