Azure SQL Database intègre la recherche vectorielle pour les applications d'intelligence artificielle

L'intelligence artificielle est en train de remodeler des secteurs entiers, et les vecteurs sont au cœur de nombreuses innovations en matière d'IA. Azure SQL Database intègre désormais cette technologie directement dans votre couche de données, ce qui vous permet de construire des solutions d'IA plus efficacement. Découvrez comment ces nouvelles capacités vectorielles peuvent transformer votre approche des données et de l'IA.

Points clés

Azure SQL Database introduit des fonctions vectorielles pour prendre en charge les applications axées sur l'IA.

Ces fonctions permettent de stocker et d'utiliser des vecteurs directement dans votre base de données.

Elles simplifient la création de fonctions d'IA, telles que les systèmes de recherche sémantique.

Connectez Azure SQL Database à Azure OpenAI et à d'autres services à l'aide des points d'extrémité de l'API REST.

Les fonctions vectorielles sont disponibles dès à présent dans le cadre d'un aperçu destiné aux utilisateurs précoces.

Comprendre les fonctions vectorielles dans Azure SQL Database

Que sont les fonctions vectorielles ?

Les fonctions vectorielles dans Azure SQL Database fournissent de nouveaux outils pour les charges de travail d'IA, permettant le stockage direct et la manipulation des données sous forme vectorielle.

Les vecteurs sont essentiels à l'intelligence artificielle car ils représentent les données dans un format que les modèles d'apprentissage automatique utilisent pour identifier les modèles et les relations. Ils sont généralement stockés sous forme de données binaires optimisées dans la base de données. Les commentaires des clients ont mis en évidence la nécessité d'une gestion native des vecteurs dans SQL afin d'accélérer l'adoption de l'IA. Ces fonctions rationalisent des tâches telles que :

• Recherche sémantique : Localiser des informations sur la base d'une signification conceptuelle au lieu de correspondre à un texte littéral.
• Les moteurs de recommandation : Proposer des éléments ou des contenus pertinents aux utilisateurs.
• Détection des anomalies : Repérer les valeurs aberrantes ou les points de données inhabituels.

L'intégration des opérations vectorielles dans Azure SQL Database supprime le besoin de bases de données vectorielles externes ou de pipelines de données complexes. Cette intégration permet d'accélérer le développement et d'améliorer les performances.

Pourquoi les fonctions vectorielles changent la donne pour l'IA

L'ajout de fonctions vectorielles à Azure SQL Database représente une étape majeure dans l'intégration de l'IA à la gestion des données. Le fait de conserver des embeddings vectoriels avec vos données structurées présente de nombreux avantages :

• Architecture simplifiée : Réduit la complexité en hébergeant les données et le traitement de l'IA en un seul endroit.
• Amélioration des performances : Réduction de la latence en évitant les mouvements de données entre les systèmes.
• Sécurité renforcée : Les informations sensibles sont conservées dans l'environnement protégé d'Azure SQL Database.

Ces améliorations sont particulièrement précieuses pour les entreprises qui souhaitent intégrer l'IA dans leurs applications actuelles sans avoir à reconstruire leur infrastructure. L'exécution de calculs vectoriels directement dans SQL permet d'obtenir des solutions d'IA plus réactives et plus adaptables.

Applications pratiques des fonctions vectorielles

Moteur de recommandation de cadeaux

Prenons un exemple concret : la création d'un système de suggestion de cadeaux. Tout d'abord, utilisez Azure OpenAI via la procédure sp_invoke_external_rest_endpoint pour transformer les descriptions de produits en encastrements vectoriels.

Ces embeddings encapsulent le contenu sémantique des descriptions. Les vecteurs sont ensuite stockés dans la base de données Azure SQL.

Lorsqu'un utilisateur recherche un cadeau, convertissez sa requête en vecteur. Utilisez les fonctions de distance (par exemple, la distance Cosinus) pour localiser les produits dont les vecteurs sont les plus similaires à la requête. Cela permet de mettre en œuvre l'IA de manière systématique.

En voici un exemple :

SELECT TOP(50) id, product_name, [description], vector_distance('cosine', embeddings, @embedding) AS distanceFROM dbo.walmart_ecommerce_product_detailsWHERE category like '%Toys%'ORDER BY distance ;

Cette technique de recherche sémantique est souvent combinée à une recherche traditionnelle par mot-clé pour obtenir les meilleurs résultats.

Étapes de mise en œuvre d'un système de recommandation de cadeaux basé sur des vecteurs

Suivez les étapes suivantes pour créer un système de recommandation de cadeaux basé sur des vecteurs :

1. Configurer le point de terminaison REST : Configurez la procédure stockée sp_invoke_external_rest_endpoint pour interagir avec l'API OpenAI. La possibilité d'appeler OpenAI et de traiter des descriptions est essentielle.
2. Créer des données vectorielles : Le modèle traitera des échantillons de texte tels que "King", "Queen" ou "Pizza".
3. Chargement des vecteurs dans la base de données : Importez les données vectorielles dans votre base de données pour les interroger.
4. Obtenir la sortie d'intégration : Utilisez dbo.get_embeddings pour convertir le texte en embedding et le stocker sous forme de vecteur.

declare @embedding varbinary(8000) ; EXEC dbo.get_embeddings @model = 'embeddings', @text = 'King', @embedding = @king output ;

Ce processus transforme vos descriptions en un format binaire optimisé adapté au traitement par l'IA.

Améliorer les requêtes SQL avec la recherche hybride

Pour améliorer la précision des recherches, adoptez une stratégie de recherche hybride. Combinez la recherche vectorielle avec des requêtes SQL standard pour obtenir des résultats optimaux.

Par exemple, utilisez un ensemble de données publiques comme le catalogue de produits Walmart. Définissez les paramètres suivants

• ID
• Nom du produit
• Description du produit
• Distance vectorielle

Vous pouvez également sélectionner ces paramètres en utilisant le langage naturel.

Cette méthode offre une plus grande flexibilité et prend en charge un plus grand nombre de mots-clés SEO dans vos requêtes de base de données.

Comment utiliser les fonctions vectorielles dans Azure SQL Database

Création et validation des vecteurs

Commencez par générer des vecteurs avec la fonction JSON_ARRAY_TO_VECTOR. Elle convertit un tableau JSON en un format binaire optimisé pour le stockage vectoriel.

DECLARE @v varbinary(8000) = eap.JSON_ARRAY_TO_VECTOR('[1, 2, 3]');SELECT isVector(@v) ;

Ensuite, vérifiez un vecteur à l'aide de la fonction isVector.

SELECT vect as is_vector, isVector(vect, 3) as is_vector_3, isVector(vect, 4) as is_vector_4, vector_to_JSON_array(vect) as vect_string, vector_dimensions(vect) as vect_dimensionsFROM (VALUES (eap.JSON_ARRAY_TO_VECTOR('[1, 2, 3]))) ) T(vect) ;

Le système doit confirmer que le vecteur contient des données binaires valides.

Recherche de similitudes à l'aide de la distance vectorielle

Pour mesurer la similarité entre deux vecteurs, utilisez la fonction vector_distance. Cette nouvelle fonctionnalité vous permet de rechercher efficacement des idées de cadeaux.

DECLARE @roi varbinary(8000), @reine varbinary(8000), @pizza varbinary(8000);EXEC dbo.get_embeddings @model = 'embeddings', @text = 'Roi', @embedding = @roi output;EXEC dbo.get_embeddings @model = 'embeddings', @text = 'Reine', @embedding = @reine output;EXEC dbo.get_embeddings @model = 'embeddings', @text = 'Pizza', @embedding = @pizza output;SELECT v1.name, v2.name, vector_distance('cosine', v1.embedding, v2.embedding) as distanceFROM #t AS v1CROSS JOIN #t AS v2WHERE v1.name = 'Queen'ORDER BY distance ;

Cette capacité permet à l'IA d'identifier les liens entre les descriptions et les paramètres de votre base de données. Étant donné que l'IA interprète les informations de manière numérique, ces fonctions permettent de relier vos données à la compréhension numérique de l'IA.

Prix et disponibilité d'Azure SQL Database

Comprendre les implications financières

Azure SQL Database propose plusieurs niveaux de prix pour répondre aux différents besoins et budgets. Les coûts dépendent généralement des éléments suivants

• Ressources informatiques : Le nombre de vCores et la mémoire attribuée à votre instance.
• Stockage : Le volume de données et de stockage de sauvegarde consommé.
• Réseau : Données transférées vers et depuis la base de données.

Lorsque vous utilisez des fonctions vectorielles, tenez compte de la puissance de calcul nécessaire aux opérations vectorielles, en particulier pour les grands ensembles de données. Optimisez vos requêtes et votre indexation pour contrôler les dépenses. Consultez la documentation officielle sur la tarification d'Azure SQL Database pour obtenir des informations actualisées.

Peser le pour et le contre des fonctions vectorielles

Avantages

Rationalisation de l'intégration de l'IA.

Gains de performance

Sécurité des données renforcée

Flexibilité du modèle

Inconvénients

Période d'apprentissage initiale.

Nécessite l'optimisation des requêtes.

Consommation de mémoire plus élevée

Caractéristiques principales

Base de données SQL : Qu'est-ce que c'est ?

Microsoft SQL Database est un système de gestion de base de données relationnelle (SGBDR) créé par Microsoft. Il prend en charge diverses charges de travail, notamment le traitement des transactions, la veille stratégique et l'analyse dans les environnements informatiques des entreprises.

Microsoft SQL Server est l'une des trois principales plateformes de base de données. Azure offre plusieurs possibilités de déploiement de SQL Server :

• SQL Server sur Azure VMs : Offre un contrôle total sur la machine virtuelle pour l'hébergement des applications.
• Azure SQL Managed Instance : Fournit la plupart des fonctionnalités du serveur SQL en tant que service géré, minimisant ainsi les tâches administratives.
• Azure SQL Database : Un service de base de données entièrement géré avec des fonctionnalités et une évolutivité étendues.

Les bases de données SQL étant utilisées dans de nombreuses applications, ces fonctions vectorielles peuvent être utiles à de nombreux secteurs d'activité.

Principaux composants de la base de données SQL

Les principales caractéristiques de la base de données sont les suivantes

• Outils d'importation, d'analyse et de création de rapports sur les données stockées en dehors de la base de données SQL.
• De nouvelles fonctions T-SQL qui permettent d'interagir avec le stockage en nuage comme Azure Blob storage et HDFS.
• Un environnement de gestion et de développement avec une interface graphique pour accéder aux fonctionnalités des services. SQL Server Management Studio est souvent cité comme une raison convaincante de choisir la solution de base de données de Microsoft. SSMS offre un ensemble d'outils plus complet.

Explorer les cas d'utilisation de Azure SQL Database avec Vector Functions

Recommandations de produits pour le commerce électronique

Suggérer des produits connexes en analysant l'activité des utilisateurs et les informations sur les produits. Reliez les termes de recherche des utilisateurs aux attributs des produits pour recommander des articles similaires. Cela permet d'augmenter les ventes et d'améliorer les performances de référencement.

Personnalisation du contenu

Personnaliser le contenu en fonction des préférences individuelles des utilisateurs dans le domaine des médias et des divertissements. Personnaliser le référencement en fonction des données historiques de l'utilisateur et des connaissances de l'IA.

Systèmes de détection des fraudes

Détectez les transactions financières suspectes au fur et à mesure qu'elles se produisent. Utilisez l'IA pour identifier les schémas frauduleux en temps réel afin d'améliorer la sécurité et la prévention des fraudes.

FAQ

Comment puis-je accéder à l'aperçu privé ?

Suivez le lien dans la description de cet article pour vous inscrire à l'accès à l'aperçu privé des fonctions vectorielles. Les utilisateurs précoces peuvent intégrer et tester les nouvelles fonctionnalités.

Ai-je besoin d'une édition spéciale d'Azure SQL Database pour utiliser les fonctions vectorielles ?

Les exigences détaillées seront précisées dans la documentation de l'aperçu privé. Consultez la documentation pour connaître les spécifications de la base de données.

Puis-je utiliser les fonctions vectorielles avec ma base de données Azure SQL existante ?

Il se peut que vous deviez mettre à jour ou modifier la configuration de votre base de données pour utiliser les fonctions vectorielles. De plus amples détails sur la configuration seront disponibles dans la documentation.

Que se passe-t-il avec les embeddings vectoriels qui dépassent 8000 octets ?

Bien que les fonctions vectorielles supportent nativement les vecteurs jusqu'à 8000 octets, certaines applications peuvent avoir besoin d'embeddings plus importants. Dans ce cas, vous pouvez répartir le vecteur sur plusieurs colonnes ou concevoir des solutions de stockage personnalisées.

Questions connexes

Qu'est-ce qu'un embedding ?

Dans l'apprentissage automatique, un embedding est un espace de dimension inférieure dans lequel les vecteurs de dimension supérieure sont mis en correspondance. Par exemple, un encastrement simple peut représenter les villes américaines à l'aide de coordonnées bidimensionnelles (x, y). L'objectif est de préserver les relations entre les vecteurs originaux dans la géométrie de l'espace d'intégration. Les mises en œuvre dans le monde réel impliquent des mathématiques sophistiquées. Par exemple, la création d'un encastrement de mots qui cartographie 10 000 mots anglais courants en 300 dimensions implique le traitement de vastes corpus de textes (comme Wikipédia ou des archives d'actualités) avec des algorithmes d'apprentissage automatique. Ces algorithmes identifient les mots qui apparaissent fréquemment à proximité de chaque mot cible. La réduction de la dimensionnalité projette ensuite ces vecteurs de mots dans l'espace d'intégration à 300 dimensions. Dans cet espace, des mots comme "roi" et "reine" sont proches les uns des autres, tandis que "pizza" est plus éloigné. Ainsi, la disposition spatiale de l'encastrement reflète les relations sémantiques entre les mots.