Implementierungsleitfaden für Enterprise RAG: .NET AI trifft Azure SQL

In der heutigen datenzentrierten Landschaft ist es von entscheidender Bedeutung, KI zu nutzen, um wertvolle Erkenntnisse aus Unternehmensdaten zu gewinnen. Retrieval Augmented Generation (RAG) ist eine hochwirksame Technik für diesen Zweck. In diesem Artikel wird detailliert beschrieben, wie Sie RAG mit .NET AI und Azure SQL auf Ihre Daten anwenden und Ihre Informationen in eine interaktive, intelligente Ressource verwandeln können. Wir behandeln insbesondere die Erstellung leistungsstarker hybrider Vektorsuchen, die semantische Vektorsuchen mit herkömmlichen Volltextsuchen und Filterungen kombinieren. Durch die Verwendung von Azure SQL als zentrale KI-Datenbank können Sie KI-Funktionen mühelos in Ihre aktuellen Unternehmensanwendungen einbetten.

Wichtige Punkte

Lernen Sie die Grundlagen von Retrieval Augmented Generation (RAG) kennen und verstehen Sie die Vorteile für Unternehmensdaten.

Lernen Sie Azure SQL als moderne, multimodale relationale Datenbank kennen, die für die Verwaltung verschiedener Datenformate entwickelt wurde.

Lernen Sie die Methodik zur Erstellung eines hybriden Suchansatzes kennen, der die vektorbasierte semantische Suche mit Volltextsuche und Filtern integriert.

Erfahren Sie, wie Sie .NET-KI-Bibliotheken nutzen können, um Vektor-Einbettungen zu erstellen und Ähnlichkeitssuchen direkt in Azure SQL durchzuführen.

Erstellen Sie eine vollständige RAG-Anwendung von Anfang bis Ende mit Azure Functions, Static Web Apps und Azure OpenAI.

Verwenden Sie den Data API Builder, um Datenbankentitäten als REST- und GraphQL-Endpunkte verfügbar zu machen.

Sehen Sie sich eine praktische Demonstration zum Aufbau eines KI-Assistenten für Konferenzen an, um die Vorteile und Anpassungsmöglichkeiten für Ihre Unternehmensdaten zu erkunden.

Identifizieren Sie die verschiedenen Szenarien, in denen die Integration von KI in SQL von großem Nutzen ist.

Entdecken Sie, wie die Vorteile und die Anpassungsfähigkeit von Azure SQL die komplexen Anforderungen Ihres Unternehmens an die Datenspeicherung erfüllen können.

Das Potenzial von RAG mit .NET AI und Azure SQL ausschöpfen

Was ist Azure SQL?

Azure SQL ist ein moderner relationaler Datenbankdienst, der eine echte Multi-Modell-Erfahrung bietet

. Dank dieser Fähigkeit kann es JSON-, Graph-, XML-, Geodaten und Columnstore-Daten verarbeiten. Es ist mit 80 Kernen auf bis zu 100 Terabyte skalierbar und unterstützt 30 Replikate. Azure SQL umfasst Sicherheits- und Überwachungsfunktionen der Enterprise-Klasse und lässt sich nahtlos in gängige Azure-Dienste, .NET EF Core, .NET Aspire, LangChain und Semantic Kernel integrieren. Seine wahre Stärke liegt in der Integration mit den Technologien, die Ihr Entwicklungsteam bereits kennt und denen es vertraut. Um KI für Ihre Daten zu nutzen, bietet Azure SQL Vektorunterstützung in einer Early-Adopter-Vorschau, d. h. Sie können Zugriff auf die private Vorschau anfordern und deren Funktionen erkunden.

Highlights von Azure SQL:

• Moderne relationale Datenbank
• Echte Multi-Modell-Unterstützung (JSON, Graph, XML, Geospatial, Columnstore)
• Skalierbar auf 100 TB, 80 v-Kerne, 30 Replikate
• Unterstützung für Vektoren (Early Adopter Preview)
• Sicherheits- und Auditfunktionen der Enterprise-Klasse
• Integration mit gängigen Azure-Diensten
• Integration mit gängigen Entwicklerbibliotheken (.NET EF Core, .NET Aspire, LangChain, Semantic Kernel usw.)

KI + SQL-Anwendungsfälle für Ihre Unternehmensdaten

Die Kombination von KI mit Azure SQL eröffnet zahlreiche Anwendungsmöglichkeiten, mit denen Sie Ihre Unternehmensdaten in einen strategischen Vorteil verwandeln können

. Hier sind einige wichtige Szenarien, in denen diese Integration besonders gut zum Tragen kommt:

• Hybride Suche: Kombiniert die Vektorsuche (semantische Suche) mit der Volltextsuche und Filtern. Dieses leistungsstarke Tool ermöglicht die präzise Extraktion von Datenerkenntnissen. Sie können beispielsweise „alle Dokumente von Acme-Kunden suchen, die von John Doe verfasst wurden und sich auf die neuen Sicherheitsrichtlinien beziehen”.
• Chatbot-Speicher: Verwenden Sie Azure SQL zum Speichern und Verwalten von Chatbot-Konversationsverläufen, um personalisiertere und kontextsensitive Interaktionen zu ermöglichen. Die Verbesserung des Chatbot-Speichers kann den Produkt- und Kundensupport erheblich verbessern und Ihnen einen Wettbewerbsvorteil verschaffen.
• Retrieval Augmented Generation (RAG): Dies ist die Technik, deren Aufbau wir demonstrieren werden. RAG verbessert die Qualität und Relevanz von KI-generierten Inhalten, indem es diese in Ihren spezifischen Daten verankert.

Hochwertige RAG-Architektur mit Azure SQL

Dieser Ansatz kombiniert Vektorsuche, semantische Suche und andere Filter optimal an einem einzigen Ort

. Der Prozess umfasst das Abrufen relevanter Daten und die anschließende Verwendung eines KI-LLM zur Formulierung der Antwort. Die erforderlichen Schritte sind:

1. Abrufen von Daten aus der MSSQL-Datenbank mithilfe einer Ähnlichkeitssuche.
2. Einfügen der abgerufenen Sitzungsergebnisse als Kontext und Senden an die KI-LLM.
3. Das KI-LLM generiert eine Antwort und liefert sie.

Aufbau eines Sitzungsempfehlungssystems: Ein detailliertes Beispiel

Übersicht über die Architektur

Das Sitzungsempfehlungssystem nutzt mehrere Azure-Dienste, um ein nahtloses RAG-Erlebnis zu bieten

:

• Client-Apps: Ermöglichen es Benutzern, Fragen in natürlicher Sprache einzugeben.
• Backend:
  • Daten-API-Builder: Stellt Datenbankentitäten bereit.
  • GraphQL/REST-APIs: Stellen die Schnittstelle bereit, die Daten mit dem Client verbindet.
  • Azure-Funktionen: Lösen die KI-Verarbeitungs-Pipeline aus.

Einrichten von Azure Function-Triggern

Azure-Funktionen können Änderungen in SQL-Daten überwachen und durch diese ausgelöst werden

. Diese Automatisierung stellt sicher, dass neue oder aktualisierte Daten verarbeitet werden und sofort verfügbar sind. Die Einrichtung umfasst:

1. Erstellen der Azure-Funktion.
2. Generieren von Vektoren, die Themen aus unseren Daten darstellen.
3. Speichern dieser Vektoren in Ihrer Datenbank, um eine effiziente Ähnlichkeitssuche zu ermöglichen.

   Durch die Automatisierung der Konvertierung von Daten in Vektoren nutzen wir das Potenzial und den Nutzen von Azure SQL voll aus.

Implementierung des Data API Builders für RAG

Verwendung des Data API Builders

Um alle Komponenten zu integrieren, ist eine ordnungsgemäße Konfiguration erforderlich

. Dazu gehört die Einrichtung der Datenbank und die Definition von Entitäten wie Tabellen und Ansichten, mit denen SQL zuverlässig arbeiten kann. Der Data API Builder vereinfacht diesen Prozess und macht den Datenzugriff unkompliziert. Außerdem müssen wir statische Web-Apps konfigurieren, die unsere Funktionen hosten werden. Die wichtigsten Befehle für dieses Projekt sind:

• azdt-Befehlszeile
• data-api builder init
• data-api builder add
• azdt start

Azure SQL-Preise

Auswahl der richtigen Azure SQL-Stufe

Azure SQL bietet eine kostenlose Stufe für neue Azure-Benutzer. Diese kostenlose Stufe ist dauerhaft verfügbar, sodass jeder Azure SQL ausprobieren und neue Lösungen innerhalb des Azure-Ökosystems entwickeln kann, ohne sich langfristig finanziell binden zu müssen

. Mit Azure SQL können Sie Lösungen auf Unternehmensniveau ohne unerschwingliche Kosten implementieren.

Unterstützung für Vektorsuche in Azure SQL: Abwägen der Vor- und Nachteile

Vorteile

Eine moderne relationale Datenbankplattform für vielseitige Lösungen.

Sicherheitsfunktionen auf Unternehmensniveau.

Hohe Skalierbarkeit für anspruchsvolle Leistungsanforderungen.

Nachteile

Die Vektorunterstützung befindet sich noch in einem frühen Entwicklungsstadium.

Die Preisstruktur kann je nach Ressourcenverbrauch komplex sein.

Die Integration mit anderen Datenmodellen kann zu Komplexität führen.

Azure SQL – Kernfunktionen

Unternehmenslösungen mit Azure SQL

Als verwalteter Dienst bietet Azure SQL Lösungen für die komplexen Datenanforderungen einer Vielzahl von Unternehmen. Dazu gehört auch robuste Sicherheit, da Azure die wichtigsten Sicherheitsaspekte verwaltet

. Mit mehreren Datenverschlüsselungsoptionen und einfacher Konnektivität zu gängigen Entwicklerbibliotheken bleibt Azure SQL eine umfassende Lösung für datenorientierte Initiativen. Seine KI-Datenbankfunktionen für Unternehmen bieten eine tiefe Integration mit .NET EF Core, .NET Aspire, LangChain, Semantic Kernel und mehr.

Azure AI und SQL: Transformation von Branchen

Versicherungen

Ein primärer Anwendungsfall ist die Vektorsuche in Kombination mit Filtern. Beispielsweise muss ein Versicherungsunternehmen möglicherweise Verträge finden, die bestimmte Kriterien erfüllen. Eine mit Filtern erweiterte Vektorsuche ist für diese Aufgabe perfekt geeignet.

Häufig gestellte Fragen

Können diese Ressourcen lokal genutzt werden?

Ja, .NET, Azure SQL und viele andere von uns verwendete Tools sind in einer lokalen Entwicklungsumgebung voll funktionsfähig. Dadurch ist das Projekt unabhängig von Ihrer Internetverbindung zugänglich, sodass Sie KI für Ihre Daten überall nutzen können.

Häufige Fragen

Warum KI zu den Daten bringen?

Das Prinzip besteht darin, KI zu den Daten zu bringen, anstatt große Datenmengen zur KI zu verschieben. Dies wird durch die Vektorsuche erreicht, die es uns ermöglicht, semantisches Verständnis direkt in Abfragen zu integrieren, was die Filterung vereinfacht. Dieser Ansatz wird durch die Integration mit Azure-Diensten wie Azure Functions weiter optimiert.