AI 애플리케이션을 위한 벡터 검색을 통합한 Azure SQL 데이터베이스

인공 지능은 전체 분야를 재편하고 있으며 벡터는 많은 AI 혁신의 중심입니다. 이제 Azure SQL 데이터베이스는 이 기술을 데이터 계층에 직접 통합하여 AI 솔루션을 더 효과적으로 빌드할 수 있도록 지원합니다. 이러한 새로운 벡터 기능으로 데이터 및 AI에 대한 접근 방식을 어떻게 혁신할 수 있는지 살펴보세요.

주요 요점

Azure SQL 데이터베이스는 AI 기반 애플리케이션을 지원하는 벡터 함수를 도입합니다.

이러한 함수를 사용하여 데이터베이스 내부에 직접 벡터를 저장하고 작업할 수 있습니다.

시맨틱 검색 시스템과 같은 AI 기능 생성을 간소화합니다.

REST API 엔드포인트를 사용하여 Azure SQL Database를 Azure OpenAI 및 기타 서비스에 연결하세요.

벡터 함수는 현재 얼리 어답터 미리 보기에서 사용할 수 있습니다.

Azure SQL 데이터베이스의 벡터 함수 이해

벡터 함수는 무엇인가요?

Azure SQL 데이터베이스의 벡터 함수는 AI 워크로드를 위한 새로운 도구를 제공하여 데이터를 벡터 형식으로 직접 저장하고 조작할 수 있게 해줍니다.

벡터는 머신 러닝 모델이 패턴과 관계를 식별하는 데 사용하는 형식으로 데이터를 나타내기 때문에 AI에서 필수적입니다. 이러한 데이터는 일반적으로 데이터베이스 내에 최적화된 바이너리 데이터로 저장됩니다. 고객 피드백을 통해 AI 도입을 가속화하기 위해 SQL에서 네이티브 벡터 처리가 필요하다는 점이 강조되었습니다. 이러한 기능은 다음과 같은 작업을 간소화합니다:

• 시맨틱 검색: 시맨틱 검색: 문자 그대로의 텍스트 일치 대신 개념적 의미를 기반으로 정보를 찾습니다.
• 추천 엔진: 사용자에게 관련성 있는 항목이나 콘텐츠를 제안합니다.
• 이상 징후 탐지: 이상값 또는 비정상적인 데이터 요소를 발견하세요.

Azure SQL 데이터베이스에 벡터 연산이 기본 제공되므로 외부 벡터 데이터베이스나 복잡한 데이터 파이프라인이 필요하지 않습니다. 이러한 통합을 통해 개발 속도를 높이고 성능을 향상시킬 수 있습니다.

벡터 함수가 AI의 판도를 바꾸는 이유

Azure SQL 데이터베이스에 벡터 함수를 추가하는 것은 AI와 데이터 관리를 결합하는 중요한 단계입니다. 구조화된 데이터에 벡터 임베딩을 유지하면 여러 가지 이점이 있습니다:

• 아키텍처 간소화: 데이터와 AI 처리를 한곳에 모두 수용하여 복잡성을 낮춥니다.
• 성능 향상: 시스템 간 데이터 이동을 방지하여 지연 시간을 단축합니다.
• 보안 강화: Azure SQL 데이터베이스의 보호된 환경 내에서 중요한 정보를 유지합니다.

이러한 개선 사항은 인프라를 재구축하지 않고 기존 애플리케이션에 AI를 통합하려는 비즈니스에 특히 유용합니다. SQL에서 직접 벡터 계산을 실행하면 응답성과 적응력이 뛰어난 AI 솔루션이 가능해집니다.

벡터 함수의 실제 적용 사례

선물 추천 엔진

실제 예로 선물 추천 시스템을 구축하는 경우를 생각해 보세요. 먼저, sp_invoke_external_rest_endpoint 프로시저를 통해 Azure OpenAI를 사용하여 제품 설명을 벡터 임베딩으로 전환합니다.

이러한 임베딩은 설명의 시맨틱 콘텐츠를 캡슐화합니다. 그런 다음 벡터를 Azure SQL 데이터베이스에 저장합니다.

사용자가 선물을 찾으면 쿼리를 벡터로 변환합니다. 거리 함수(예: 코사인 거리)를 사용하여 쿼리와 가장 유사한 벡터를 가진 제품을 찾습니다. 이를 통해 AI를 체계적으로 구현할 수 있습니다.

예를 들어

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

이 시맨틱 검색 기법은 종종 최상의 결과를 얻기 위해 기존 키워드 검색과 결합됩니다.

벡터 기반 선물 추천 시스템을 구현하는 단계

벡터 기반 선물 추천 시스템을 만들려면 다음 단계를 따르세요:

1. REST 엔드포인트를 설정합니다: OpenAI API와 상호 작용하도록 sp_invoke_external_rest_endpoint 저장 프로시저를 구성합니다. OpenAI를 호출하고 설명을 처리하는 기능은 필수입니다.
2. 벡터 데이터 생성: 모델은 'King', 'Queen' 또는 'Pizza'와 같은 샘플 텍스트를 처리합니다.
3. 데이터베이스에 벡터를 로드합니다: 쿼리를 위해 벡터 데이터를 데이터베이스로 가져옵니다.
4. 임베딩 출력 가져오기: dbo.get_embeddings를 사용하여 텍스트를 임베딩으로 변환하고 벡터로 저장합니다.

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

이 프로세스는 설명을 AI 처리에 적합한 최적화된 바이너리 형식으로 변환합니다.

하이브리드 검색으로 SQL 쿼리 개선하기

검색 정확도를 높이려면 하이브리드 검색 전략을 채택하세요. 최적의 결과를 위해 벡터 검색과 표준 SQL 쿼리를 결합하세요.

예를 들어, Walmart 제품 카탈로그와 같은 공개 데이터 세트를 활용하세요. 다음과 같은 매개변수를 정의합니다:

• ID
• 제품 이름
• 설명
• 벡터 거리

자연어를 사용하여 이러한 매개변수를 선택할 수도 있습니다.

이 방법은 더 큰 유연성을 제공하며 데이터베이스 쿼리에서 더 넓은 범위의 SEO 키워드를 지원합니다.

Azure SQL 데이터베이스에서 벡터 함수를 활용하는 방법

벡터 생성 및 유효성 검사

JSON_ARRAY_TO_VECTOR 함수를 사용하여 벡터를 생성하는 것으로 시작하세요. 이 함수는 JSON 배열을 벡터 저장에 최적화된 바이너리 형식으로 변환합니다.

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

그런 다음 isVector 함수를 사용하여 벡터를 확인합니다.

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);

시스템은 벡터에 유효한 바이너리 데이터가 포함되어 있는지 확인해야 합니다.

벡터 거리를 사용하여 유사도 찾기

두 벡터 사이의 유사도를 측정하려면 vector_distance 함수를 사용합니다. 이 새로운 기능을 사용하면 적합한 선물 아이디어를 효율적으로 검색할 수 있습니다.

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 거리 순으로 입력합니다;

이 기능을 사용하면 AI가 데이터베이스에서 설명과 매개변수 간의 연결을 식별할 수 있습니다. AI는 정보를 수치로 해석하므로 이러한 함수는 데이터를 AI의 수치 이해와 연결하는 데 도움이 됩니다.

Azure SQL 데이터베이스 가격 및 가용성

비용 영향 이해

Azure SQL 데이터베이스는 다양한 요구 사항과 예산에 맞게 여러 가격 계층을 제공합니다. 비용은 일반적으로 다음에 따라 달라집니다:

• 컴퓨팅 리소스: 인스턴스에 할당된 vCore 및 메모리 수입니다.
• 스토리지: 스토리지: 소비되는 데이터 및 백업 스토리지의 양입니다.
• 네트워킹: 데이터베이스와 주고받는 데이터의 양입니다.

벡터 함수를 사용하는 경우, 특히 대규모 데이터 세트의 경우 벡터 연산에 필요한 계산 능력을 고려하세요. 쿼리 및 인덱싱을 최적화하여 비용을 관리하세요. 최신 정보는 공식 Azure SQL 데이터베이스 가격 책정 설명서를 참조하세요.

벡터 함수의 장단점 비교하기

장점

AI 통합 간소화.

성능 향상

더 강력한 데이터 보안

모델 유연성

단점

초기 학습 기간.

쿼리 최적화가 필요합니다.

더 높은 메모리 사용량

핵심 기능

SQL 데이터베이스: 무엇인가요?

Microsoft SQL 데이터베이스는 Microsoft에서 만든 관계형 데이터베이스 관리 시스템(RDBMS)입니다. 기업 IT 환경에서 트랜잭션 처리, 비즈니스 인텔리전스, 분석 등 다양한 워크로드를 지원합니다.

Microsoft SQL Server는 상위 3대 데이터베이스 플랫폼 중 하나입니다. Azure는 여러 가지 SQL Server 배포 옵션을 제공합니다:

• Azure VM의 SQL Server: 애플리케이션 호스팅을 위한 가상 머신에 대한 완전한 제어를 제공합니다.
• Azure SQL 관리형 인스턴스: 대부분의 SQL Server 기능을 관리형 서비스로 제공하여 관리 작업을 최소화합니다.
• Azure SQL 데이터베이스: 광범위한 기능과 확장성을 갖춘 완전 관리형 데이터베이스 서비스입니다.

SQL 데이터베이스는 수많은 애플리케이션에서 사용되므로 이러한 벡터 기능은 많은 산업 분야에서 이점을 제공할 수 있습니다.

SQL 데이터베이스의 주목할 만한 구성 요소

데이터베이스의 주요 기능은 다음과 같습니다:

• SQL 데이터베이스 외부에 저장된 데이터를 가져오고, 분석하고, 보고하기 위한 도구.
• Azure Blob 스토리지 및 HDFS와 같은 클라우드 스토리지와 상호 작용할 수 있는 새로운 T-SQL 기능.
• 서비스 기능에 액세스할 수 있는 그래픽 인터페이스를 갖춘 관리 및 개발 환경. SQL Server 관리 스튜디오는 Microsoft의 데이터베이스 솔루션을 선택해야 하는 강력한 이유로 종종 언급됩니다. SSMS는 보다 완벽한 툴 세트를 제공합니다.

벡터 함수가 포함된 Azure SQL 데이터베이스 사용 사례 살펴보기

전자 상거래 제품 추천

사용자 활동 및 제품 정보를 분석하여 관련 제품을 제안하세요. 사용자 검색어와 제품 속성을 연결하여 유사한 항목을 추천하세요. 이를 통해 매출을 늘리고 SEO 성능을 개선할 수 있습니다.

콘텐츠 개인화

미디어 및 엔터테인먼트에서 개별 사용자의 선호도에 맞게 콘텐츠를 맞춤 설정하세요. 사용자의 과거 데이터와 AI 인사이트를 기반으로 SEO를 개인화하세요.

사기 탐지 시스템

의심스러운 금융 거래가 발생할 때 이를 탐지하세요. AI를 사용하여 사기 패턴을 실시간으로 식별하여 보안 및 사기 방지를 강화하세요.

자주 묻는 질문

비공개 미리 보기에 액세스하려면 어떻게 해야 하나요?

이 문서 설명의 링크를 따라 벡터 기능 비공개 미리 보기에 대한 얼리 어답터 액세스 권한을 등록하세요. 얼리 어답터는 새로운 기능을 통합하고 테스트할 수 있습니다.

벡터 함수를 사용하려면 특별한 Azure SQL 데이터베이스 버전이 필요한가요?

예. 자세한 요구 사항은 비공개 미리 보기 설명서에 명시되어 있습니다. 데이터베이스 사양은 설명서에서 확인하세요.

기존 Azure SQL 데이터베이스에서 벡터 함수를 사용할 수 있나요?

벡터 함수를 사용하려면 데이터베이스 설정을 업데이트하거나 수정해야 할 수 있습니다. 자세한 구성 세부 정보는 설명서에서 확인할 수 있습니다.

8000바이트를 초과하는 벡터 임베딩은 어떻게 되나요?

벡터 함수는 기본적으로 최대 8000바이트의 벡터를 지원하지만, 일부 애플리케이션에서는 더 큰 임베딩이 필요할 수 있습니다. 이러한 경우 벡터를 여러 열에 분산하거나 사용자 정의 스토리지 솔루션을 설계할 수 있습니다.

관련 질문

임베딩이란 무엇인가요?

머신 러닝에서 임베딩은 고차원 벡터가 매핑되는 저차원 공간입니다. 예를 들어, 간단한 임베딩은 2차원(x, y) 좌표를 사용하여 미국 도시를 나타낼 수 있습니다. 임베딩 공간의 기하학적 구조에서 원래 벡터 간의 관계를 보존하는 것이 목표입니다. 실제 구현에는 정교한 수학이 필요합니다. 예를 들어, 10,000개의 일반적인 영어 단어를 300개의 차원으로 매핑하는 단어 임베딩을 만들려면 머신 러닝 알고리즘으로 방대한 텍스트 코퍼스를 처리해야 합니다(예: Wikipedia 또는 뉴스 아카이브). 이러한 알고리즘은 각 대상 단어 근처에 자주 나타나는 단어를 식별합니다. 그런 다음 차원 축소는 이러한 단어 벡터를 300차원 임베딩 공간에 투영합니다. 이러한 임베딩에서 '왕'과 '여왕'과 같은 단어는 서로 가깝게 배치되고 '피자'는 더 멀리 배치됩니다. 따라서 임베딩의 공간적 배열은 단어 간의 의미 관계를 반영합니다.