Yapay zeka uygulamalarında SQL veritabanını kullanma

Şunlar için geçerlidir:✅Microsoft Fabric'te SQL veritabanı

Bu makalede, işlem verilerini büyük dil modelleri (LLM'ler), vektör araması veya alma artırılmış oluşturma (RAG) desenleriyle birleştiren yapay zeka destekli uygulamalar oluşturmak için Fabric'da SQL veritabanının nasıl kullanılacağı açıklanmaktadır.

Fabric'deki SQL veritabanı akıllı uygulamalar için ilişkisel temel sağlar: ACID işlemleri, düşük gecikme süreli sorgular, yerel vector veri türü ve işlevleri ve daha geniş Fabric analiz ve yapay zeka platformuyla sıkı tümleştirme.

Yapay zeka uygulamaları için Fabric neden SQL veritabanı?

Akıllı uygulamalar oluşturmak için vektör eklemelerinin yanı sıra işletimsel verileri depolayan, düşük gecikme süresinde hem işlem hem de benzerlik sorgularına hizmet verebilen ve yapay zeka düzenleme çerçeveleriyle tümleştirilebilen bir veritabanı gerekir. Fabric'deki SQL veritabanı şu gereksinimleri karşılar:

• Native vektör desteği: SQL Database Engine yerel vector veri türü ve vector skaler işlevleri eklemeleri depolamanıza ve benzerlik aramalarını doğrudan T-SQL'de ayrı bir vektör veritabanı olmadan çalıştırmanıza olanak sağlar.
• RAG'a hazır mimari: Alınan sorguların ilişkisel bağlamı (müşteri kayıtları, sipariş geçmişi, ürün katalogları) tek bir sorguda anlamsal arama sonuçlarıyla birleştirebilmesi için yapılandırılmış iş verilerinizi aynı veritabanındaki vektör eklemeleriyle birleştirin.
• Framework integration: LangChain ve Semantik Çekirdek ile mevcut SQL Server bağlayıcıları aracılığıyla bağlanarak yönetilen yapay zeka iş akışları oluşturun.
• Fabric platform tümleştirmesi: Verileri platform dışına taşımadan Fabric Not Defterleri, Veri Bilimi iş yükleri ve Copilot deneyimlerinden SQL verilerinize erişin.
• Geçerli idare: Microsoft Entra ID kimlik doğrulaması, çalışma alanı düzeyinde güvenlik ve müşteri tarafından yönetilen anahtar şifrelemesi, diğer tüm operasyonel iş yükleriyle aynı yapay zeka iş yükleri için geçerlidir.

Tip

Verileri işlemek ve vektör eklemeleri oluşturmak için Fabric SQL veritabanını kullanmanın gerçek hayattaki müşteri örneği için bkz. Customer hikayesi: Eastman birleşik verileri ve Microsoft Fabric ile yapay zeka destekli bir gelecek oluşturur.

Getirme artırmalı üretim (RAG)

RAG, yanıt oluşturmadan önce veritabanınızdan ilgili verileri alarak LLM yanıtlarını geliştirir. Uygulama, yalnızca modelin eğitim verilerine güvenmek yerine işletimsel verilerinizi sorgulayarak geçerli, etki alanına özgü olgulardaki yanıtları temel alır. Kapsamlı bir genel bakış için Erişimle zenginleştirilmiş üretim (RAG) bölümüne bakın.

Fabric'da SQL veritabanıyla tipik bir RAG deseni şu adımları izler:

1. Parçalama: Büyük veri kaynaklarını (belgeler, bilgi tabanı makaleleri, ürün katalogları) yönetilebilir parçalara ayırın ve düz metne dönüştürün.
2. Embed: Azure OpenAI veya başka bir ekleme modeli kullanarak her öbek için vektör eklemeleri oluşturun.
3. Depo: Eklemeleri, kaynak metin ve ilişkisel meta verilerin yanı sıra vektör sütunu olan bir tabloya ekleyin.
4. Alma: Kullanıcı soru sorduğunda sorguyu aynı modele ekleyin, ardından en benzer öbekleri bulmak için VECTOR_DISTANCE kullanın. Bağlamı zenginleştirmek için ilişkisel tablolarla birleştirin.
5. Zenginleştirme: Geri getirilen parçaları kullanıcının orijinal sorusuyla, LLM'ye bağlamı nasıl kullanacağını söyleyen bir istemde birleştirin.
6. Oluştur: Zenginleştirilmiş istemi, alınan verilere dayanan bir yanıt üreten bir LLM’ye gönderin.

İşlem veritabanında karma vektör araması

Eklemeler ve ilişkisel veriler aynı veritabanında olduğundan, aynı sorgudaki ilişkisel özniteliklere (tarih aralıkları, kategoriler, erişim izinleri) göre filtreleyerek hem ilgi düzeyini hem de güvenliği geliştirebilirsiniz. Hem işlem ilişkileri hem de vektör işlevlerinde filtrelenmiş sonuçlar için vektör aramalarını geleneksel SQL filtreleri (WHERE) ile birleştirebilirsiniz. Örneğin:

-- Hybrid search: vector similarity filtered by product category
SELECT TOP (5) p.product_name, p.description
, cosine_distance = VECTOR_DISTANCE('cosine', @query_embedding, p.embedding)
FROM dbo.products AS p
WHERE p.category = 'Electronics'
ORDER BY VECTOR_DISTANCE('cosine', @query_embedding, p.embedding);

Bu desen ürün önerileri, bilgi bankası araması ve sonuçların hem görsel açıdan ilgili hem de iş kurallarıyla kısıtlanmış olması gereken müşteri desteği senaryoları için kullanışlıdır.

En yakın komşu sonuçları bulmak için daha yeni VECTOR_SEARCH T-SQL söz dizimi ile de sorgulayabilirsiniz. Örneğin:

DECLARE @qv VECTOR(1536) = AI_GENERATE_EMBEDDINGS(N'Pink Floyd music style' USE MODEL Ada2Embeddings);

SELECT TOP (10) WITH APPROXIMATE
    t.id,
    t.title,
    r.distance
FROM VECTOR_SEARCH(
        TABLE = dbo.wikipedia_articles_embeddings AS t,
        COLUMN = content_vector,
        SIMILAR_TO = @qv,
        METRIC = 'cosine'
    ) AS r
ORDER BY r.distance;

Fabric MCP sunucularıyla yapay zeka aracıları

Fabric hem açık kaynak Fabric Yerel MCP hem de yapay zeka aracıları için Fabric Uzak MCP sunucusu sunar. Bu sunucular çalışma alanı yönetimi, öğe CRUD ve tanımları ve izin yönetimi gibi hazırlanmış işlemler için doğrudan kimlik doğrulaması ve yönergeler sağlar.

Her iki Fabric MCP sunucu seçeneği de GitHub Copilot, İmleç, Claude Desktop ve daha fazlası dahil olmak üzere MCP uyumlu istemcilerle çalışır. Örneğin, Visual Studio Code için Fabric MCP Server uzantısı Microsoft Fabric uzantısı ve GitHub Copilot Chat uzantısıyla çalışır. Bu uzantıları kullanarak GitHub Copilot sohbette Fabric MCP araçlarına erişebilir ve aracıları kullanarak Fabric SQL veritabanınızı oluşturma ve yönetme gibi Fabric öğeleri yönetebilirsiniz.

• Fabric Yerel MCP sunucusu makinenizde yerel olarak çalıştırıldığından, yapay zeka aracıları ortamınıza erişmeden kod oluşturmak ve öğeler yazmak için ihtiyaç duydukları bağlamı alır.
• Fabric Uzak MCP sunucusu, yapay zeka aracılarının Fabric ortamınızda yerel kurulum gerektirmeden hazırlanmış, kimliği doğrulanmış işlemler gerçekleştirmesine olanak tanıyan, bulutta barındırılan bir sunucudur.

Yapay zeka araçları, doğru API'lerle ve zaten güvendiğiniz doğru RBAC sınırları içinde kod yazmak için Fabric MCP sunucusunu kullanır.

Örneğin, Fabric yerel MCP sunucusunun hızlı kurulumundan sonra altyapı soruları sorabilir ve Visual Studio kodunda Aracı modunda GitHub Copilot sohbete görevler atayabilirsiniz. Örneğin:

List all SQL databases and mirrored SQL databases in the Fabric workspace "DemoSQLdb".

Aracınız, bu türlerdeki tüm Fabric öğelerini döndürmek için bilinen Fabric API komutlarını kullanır.

Create a new SQL database in Fabric named "ContosoTest" in the Fabric workspace "DemoSQLdb".

Aracınız, varsayılan ayarlarla veritabanı öğesini sizin için oluşturmak için bilinen Fabric API komutlarını kullanır.

SQL MCP Server ile yapay zeka aracıları

SQL MCP Server, yapay zeka aracılarının ham SQL oluşturmak yerine yönetilen, araç tabanlı bir API aracılığıyla veritabanınızla etkileşimde bulunabilecekleri bir Model Bağlam Protokolü arabirimi sağlar. Sunucu:

• Yapılandırmanızca desteklenen tanımlı bir araç kümesini kullanıma sunar.
• İzinleri ve kısıtlamaları tutarlı bir şekilde uygular.
• Aracıların şema tahminleri olmadan kullanılabilir özellikleri keşfetmesini sağlar.

Bu düzen, çok adımlı iş akışlarının bir parçası olarak işletimsel verileri sorgulayıp güncelleştirebilen otonom aracılar oluşturmak için kullanışlıdır.

SQL MCP Server, REST, GraphQL ve MCP'de aynı şekilde çalışan üretime hazır bir yüzey sunmak için Veri API oluşturucusunun varlık soyutlaması, RBAC, önbelleğe alma ve telemetri verilerini kullanır. Bunu bir kez yapılandırdığınızda altyapı gerisini halleder.

Visual Studio CodeMSSQL uzantısı> Data API builder için tümleşik bir kullanıcı arabirimi içerir; böylece yapılandırma dosyaları yazmadan veya Visual Studio Code ayrılmadan SQL veritabanı tablolarınız için REST, GraphQL ve MCP uç noktaları oluşturabilirsiniz. Hangi tabloların kullanıma verileceğini seçebilir, CRUD izinlerini yapılandırabilir, API türlerini seçebilir, oluşturulan yapılandırmayı önizleyebilir ve tümü görsel bir arabirimden Data API builder tarafından desteklenen yerel bir arka uç dağıtabilirsiniz.

Azure OpenAI ile zenginleştirme

SQL Database Engine, dış kod veya işlem hatları olmadan doğrudan veritabanında eklemeler ve öbekleme metinleri oluşturmak için yerleşik T-SQL işlevleri sağlar.

Ekleme modelini kaydetme

Azure OpenAI ekleme uç noktasını veritabanı nesnesi olarak kaydetmek için CREATE EXTERNAL MODEL kullanın. Bu örnek, Microsoft Entra yönetilen kimlik doğrulaması kullanan text-embedding-ada-002 dağıtımını kullanır. İlk olarak, yönetilen kimlik kullanarak Azure OpenAI için erişim kimlik bilgileri oluşturun:

CREATE DATABASE SCOPED CREDENTIAL [https://my-azure-openai-endpoint.cognitiveservices.azure.com/]
    WITH IDENTITY = 'Managed Identity',
    SECRET = '{"resourceid":"https://cognitiveservices.azure.com"}';
GO

Ardından bir dış model oluşturun:

CREATE EXTERNAL MODEL MyEmbeddingModel
WITH (
    LOCATION = 'https://my-openai.cognitiveservices.azure.com/openai/deployments/text-embedding-ada-002/embeddings?api-version=2024-02-01',
    API_FORMAT = 'Azure OpenAI',
    MODEL_TYPE = EMBEDDINGS,
    MODEL = 'text-embedding-ada-002',
    CREDENTIAL = [https://my-azure-openai-endpoint.cognitiveservices.azure.com/]
);

API anahtarları da dahil olmak üzere daha fazla kimlik doğrulama seçeneği için bkz. EXTERNAL MODEL OLUŞTURMA.

Satır içi eklemeler oluşturma

Doğrudan T-SQL sorgularında, eklemelerinde ve güncelleştirmelerinde vektör eklemeleri oluşturmak için AI_GENERATE_EMBEDDINGS kullanın.

-- Generate embeddings for existing rows
UPDATE t
SET t.embedding = AI_GENERATE_EMBEDDINGS(t.description USE MODEL MyEmbeddingModel)
FROM dbo.products AS t;

Tek bir ifadede parçala ve göm.

AI_GENERATE_CHUNKS ile AI_GENERATE_EMBEDDINGS öğesini birleştirerek büyük metinleri parçalara bölün ve bunları tek bir T-SQL deyimi içine yerleştirin.

INSERT INTO dbo.document_embeddings (chunked_text, embedding)
SELECT c.chunk,
       AI_GENERATE_EMBEDDINGS(c.chunk USE MODEL MyEmbeddingModel)
FROM dbo.documents AS d
CROSS APPLY AI_GENERATE_CHUNKS(
    SOURCE = d.content,
    CHUNK_TYPE = FIXED,
    CHUNK_SIZE = 100
) AS c;

sp_invoke_external_rest_endpoint ile doğrudan REST çağrıları

tamamlamaları veya sohbet uç noktalarını çağırma gibi AI_GENERATE_EMBEDDINGS kapsamında olmayan senaryolar için sp_invoke_external_rest_endpoint kullanarak Azure OpenAI REST API'lerini doğrudan T-SQL'den çağırın. Daha fazla bilgi için bkz. Azure OpenAI tümleştirmesi.

Fabric AI iş yükleri ile tümleştirme

Fabric'deki SQL veritabanı, platformun daha geniş yapay zeka özelliklerine bağlanır:

Entegrasyon	Kullanmak
Doku Not Defterleri	Veri hazırlama, model eğitimi ve toplu puanlama için PySpark veya Python not defterlerinden SQL veritabanını sorgulayın.
Fabric Veri Bilimi	Makine öğrenmesi denemeleri için giriş olarak SQL verilerini kullanın, ardından işletimsel tüketim için veritabanına geri tahminler yazın.
SQL veritabanında Copilot	T-SQL sorgularını doğrudan Fabric portalı sorgu düzenleyicisinde oluşturmak, açıklamak ve iyileştirmek için doğal dili kullanın.
GraphQL için API	Uygulama tüketimi için GraphQL uç noktaları aracılığıyla yapay zekayla zenginleştirilmiş verileri kullanıma sunma.
Veri İşlem Hatları ve Veri Akışı 2. Nesil	Embedding oluşturma ve zenginleştirme iş akışlarını büyük ölçekte yönetin.

Fabric SQL veritabanı kullanım senaryoları

Fabric SQL veritabanı için en iyi kullanım örnekleri hakkında daha fazla bilgi edinmek için bkz:

• TERS ETL'de SQL veritabanı kullanma
• SQL veritabanını işletimsel veri deposu olarak kullanma
• Translitik uygulamalar için kaynak olarak SQL veritabanını kullanma

İlgili içerik

• Akıllı uygulamalar ve yapay zeka
• SQL Veritabanı Motoru'nda Vektör Arama ve Vektör Dizinleri