Azure SQL Database、AIアプリケーション向けにベクトル検索を統合

人工知能は分野全体を再構築しており、ベクトルは多くのAIイノベーションの中心となっています。Azure SQL Databaseは、このテクノロジーをデータレイヤーに直接統合し、AIソリューションをより効果的に構築できるようにします。この新しいベクトル機能によって、データとAIへのアプローチがどのように変わるかをご覧ください。

主なポイント

Azure SQL Databaseは、AI駆動型アプリケーションをサポートするベクトル関数を導入します。

これらの関数を使用して、データベース内でベクトルを直接保存し、操作できます。

セマンティック検索システムなどのAI機能の作成を簡素化します。

REST APIエンドポイントを使用して、Azure SQL DatabaseをAzure OpenAIやその他のサービスに接続します。

ベクター関数は現在、アーリーアダプター向けプレビューで利用可能です。

Azure SQL Databaseのベクター関数を理解する

ベクター関数とは？

Azure SQL Databaseのベクトル関数は、AIワークロードに新しいツールを提供し、ベクトル形式のデータの直接保存と操作を可能にします。

ベクトルは、機械学習モデルがパターンと関係を識別するために使用する形式でデータを表すため、AIでは不可欠です。これらは通常、最適化されたバイナリ・データとしてデータベース内に保存される。顧客からのフィードバックは、AI導入を加速するためにSQLでネイティブなベクトル処理の必要性を強調した。これらの機能は、以下のようなタスクを効率化する：

• セマンティック検索：文字通りのテキストマッチではなく、概念的な意味に基づいて情報を検索します。
• レコメンデーション・エンジン：関連するアイテムやコンテンツをユーザーに提案する。
• 異常検出：異常値や異常なデータポイントを発見する。

Azure SQL Databaseに組み込まれたベクトル操作により、外部のベクトルデータベースや複雑なデータパイプラインの必要性がなくなります。この統合により、開発をスピードアップし、パフォーマンスを向上させることができます。

ベクトル関数がAIのゲームチェンジャーとなる理由

Azure SQL Databaseにベクトル関数を追加することは、AIとデータ管理を融合させる大きな一歩となる。ベクトル埋め込みを構造化データと一緒に保持することで、複数の利点が得られます：

• アーキテクチャの簡素化：データとAI処理の両方を1か所に収容することで、複雑さを軽減。
• パフォーマンスの向上：システム間のデータ移動を回避することで、待ち時間を短縮します。
• セキュリティの強化：Azure SQL Databaseの保護された環境内で機密情報を維持。

これらの改善は、インフラを再構築することなく、現在のアプリケーションにAIを統合することを目指す企業にとって特に価値がある。SQLで直接ベクトル計算を実行することで、より応答性と適応性の高いAIソリューションが実現します。

ベクトル関数の実用的なアプリケーション

ギフト推薦エンジン

実際の例として、ギフト提案システムの構築を考えてみよう。まず、sp_invoke_external_rest_endpointプロシージャを介してAzure OpenAIを使用し、商品説明をベクトル埋め込みに変換する。

これらの埋め込みは、説明のセマンティックコンテンツをカプセル化する。そして、そのベクトルをAzure SQL Databaseに格納する。

ユーザーがギフトを探すとき、そのクエリをベクトルに変換する。距離関数（コサイン距離など）を使って、クエリに最も近いベクトルを持つ商品を探す。これはAIを実装する体系的な方法を提供する。

例えば

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；

このセマンティック検索テクニックは、しばしば従来のキーワード検索と組み合わせることで、最良の結果をもたらします。

ベクターベースのギフト推薦システムを実装するステップ

ベクターベースのギフト推奨システムを作成するには、以下の手順に従ってください：

1. RESTエンドポイントを設定する：sp_invoke_external_rest_endpointストアドプロシージャを設定し、OpenAI APIと対話する。OpenAIを呼び出し、説明を処理する機能は必須です。
2. ベクトルデータを作成する：モデルは'King'、'Queen'、'Pizza'のようなサンプルテキストを処理します。
3. データベースにベクトルをロードします：ベクトルデータをデータベースにインポートし、クエリを実行します。
4. 埋め込み出力を取得します：dbo.get_embeddingsを使用して、テキストを埋め込みに変換し、ベクトルとして格納します。

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

この処理は、記述をAI処理に適した最適化されたバイナリ形式に変換する。

ハイブリッド検索によるSQLクエリの強化

検索精度を高めるには、ハイブリッド検索戦略を採用する。ベクトル検索を標準的なSQLクエリーと組み合わせることで、最適な結果を得ることができる。

例えば、ウォルマートの商品カタログのような公開データセットを利用する。以下のようなパラメータを定義する：

• ID
• 商品名
• 商品説明
• ベクトル距離

これらのパラメータは自然言語でも選択できます。

この方法は柔軟性が高く、データベースクエリでより幅広い SEO キーワードをサポートします。

Azure SQL Databaseでベクトル関数を利用する方法

ベクトルの作成と検証

まず、JSON_ARRAY_TO_VECTOR関数でベクトルを生成します。この関数は、JSON 配列をベクトル保存に最適なバイナリ形式に変換します。

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

次に、isVector関数を使ってベクトルを検証する。

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)；

システムは、ベクトルに有効なバイナリ・データが含まれていることを確認するはずです。

ベクトル距離を使った類似度の検出

2つのベクトル間の類似度を測定するには、vector_distance関数を使用します。この新機能により、適切なプレゼントのアイデアを効率的に検索することができます。

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

この機能により、AIはデータベース内の記述とパラメータ間のつながりを特定することができます。AIは情報を数値的に解釈するため、これらの関数はデータとAIの数値的理解の橋渡しに役立ちます。

Azure SQL Databaseの価格と提供状況

コストへの影響を理解する

Azure SQL Databaseは、さまざまな要件と予算に合わせて複数の価格階層を提供しています。コストは一般的に以下によって異なります：

• コンピュートリソース：インスタンスに割り当てられるvCoreとメモリの数。
• ストレージ：ストレージ：消費されるデータ量とバックアップストレージ
• ネットワーキング：データベースとの間で転送されるデータ。

ベクトル関数を使用する場合は、特に大規模なデータセットでベクトル演算に必要な計算能力を考慮する。クエリとインデックスを最適化し、コストを抑制する。最新情報については、Azure SQL Databaseの価格に関する公式ドキュメントを参照してください。

ベクトル関数の長所と短所の比較

長所

AIとの統合を効率化。

パフォーマンスの向上

データセキュリティの強化

モデルの柔軟性

短所

初期学習期間。

クエリの最適化が必要

メモリ消費量が多い

コア機能

SQLデータベース：SQLデータベースとは？

Microsoft SQL Databaseは、Microsoftが開発したリレーショナル・データベース管理システム（RDBMS）です。企業のIT環境におけるトランザクション処理、ビジネスインテリジェンス、分析を含む多様なワークロードをサポートする。

Microsoft SQL Serverは、データベースプラットフォームのトップ3に入っています。Azureは、SQL Serverのデプロイメントの選択肢をいくつか提供しています：

• Azure VM上のSQL Server：アプリケーションをホスティングする仮想マシンを完全に制御できます。
• Azure SQL Managed Instance：SQLサーバーのほとんどの機能をマネージドサービスとして提供し、管理タスクを最小限に抑えます。
• Azure SQL Database：広範な機能とスケーラビリティを備えたフルマネージドデータベースサービス。

SQLデータベースは多くのアプリケーションで使用されるため、これらのベクトル機能は多くの業界にメリットをもたらす。

SQL Databaseの注目すべきコンポーネント

データベースの主な機能は以下の通り：

• SQLデータベースの外部に保存されたデータをインポート、分析、レポートするためのツール。
• Azure BlobストレージやHDFSのようなクラウドストレージとのインタラクションを可能にする新しいT-SQL関数。
• サービス機能にアクセスするためのグラフィカル・インターフェースを備えた管理・開発環境。SQL Server Management Studioは、マイクロソフトのデータベース・ソリューションを選択する説得力のある理由としてよく挙げられます。SSMSは、より完全なツールセットを提供します。

Azure SQL Database with Vector Functionsの使用例を見る

Eコマース商品の推奨

ユーザーのアクティビティと商品情報を分析することで、関連商品を提案します。ユーザーの検索キーワードと商品属性を結びつけて、類似商品をレコメンドします。これにより、売上を伸ばし、SEOパフォーマンスを向上させることができます。

コンテンツのパーソナライズ

メディアやエンターテイメントにおいて、個々のユーザーの好みに合わせてコンテンツをカスタマイズします。ユーザーの履歴データとAIインサイトに基づいてSEOをパーソナライズする。

不正検知システム

不審な金融取引を発生時に検知。AIを使用して不正パターンをリアルタイムで特定し、セキュリティと不正防止を向上させます。

よくある質問

プライベート・プレビューへのアクセス方法を教えてください。

この記事の説明にあるリンクから、ベクター機能プライベート・プレビューへのアーリー・アダプター・アクセスに登録してください。アーリーアダプターは、新機能を統合してテストすることができます。

ベクトル関数を使用するには、特別なAzure SQL Databaseエディションが必要ですか？

詳細な要件は、プライベートプレビューのドキュメントに記載されます。データベースの仕様については、ドキュメントを確認してください。

既存のAzure SQL Databaseでベクトル関数を使用できますか？

ベクトル関数を使用するには、データベースのセットアップを更新または変更する必要がある場合があります。設定の詳細については、ドキュメントをご覧ください。

8000バイトを超えるベクトル埋め込みはどうなりますか？

ベクトル関数はネイティブで8000バイトまでのベクトルをサポートしていますが、アプリケーションによってはより大きな埋め込みが必要になる場合があります。そのような状況では、ベクターを複数の列に分散するか、カスタムストレージソリューションを設計してください。

関連する質問

エンベッディングとは何ですか？

機械学習では、エンベッディングとは高次元のベクトルがマッピングされる低次元の空間のことです。例えば、単純な埋め込みでは、2次元（x, y）座標を使って米国の都市を表現することができます。その目的は、埋め込み空間の幾何学において、元のベクトル間の関係を保持することである。実世界での実装には、高度な数学が必要となる。例えば、10,000の一般的な英単語を300次元にマッピングする単語埋め込みを作成するには、膨大なテキストコーパス（Wikipediaやニュースアーカイブなど）を機械学習アルゴリズムで処理する必要がある。これらのアルゴリズムは、各ターゲット単語の近くに頻繁に現れる単語を特定する。次元削減は、これらの単語ベクトルを300次元の埋め込み空間に投影する。このような埋め込みでは、"king "や "queen "のような単語は近くに配置され、"pizza "は遠くに配置される。このように、埋め込みの空間的配置は単語間の意味的関係を反映する。