Azure SQL 資料庫為 AI 應用程式整合向量搜尋功能

人工智慧正在重塑整個產業，而向量是許多人工智慧創新的核心。Azure SQL Database 現在將這項技術直接整合到您的資料層，讓您能夠更有效地建立 AI 解決方案。探索這些新的向量功能如何改變您的資料和 AI 方法。

重點

Azure SQL Database 引入向量功能，以支援 AI 驅動的應用程式。

使用這些函式直接在資料庫內儲存及處理向量。

這些功能可簡化建立 AI 功能的過程，例如語意搜尋系統。

使用 REST API 端點將 Azure SQL Database 連接到 Azure OpenAI 及其他服務。

向量函數現已推出早期採用者預覽版。

瞭解 Azure SQL 資料庫中的向量函數

什麼是向量函數？

Azure SQL Database 中的向量函數為 AI 工作負載提供了新工具，可直接儲存和處理向量形式的資料。

向量在人工智能中是不可或缺的，因為它們以機器學習模型可用來識別模式和關係的格式來表示資料。這些資料通常以最佳化的二進位資料形式儲存在資料庫中。客戶回饋強調需要在 SQL 中使用原生向量處理功能，以加速 AI 的採用。這些功能可簡化下列任務：

• 語意搜尋：根據概念意義而非文字匹配來定位資訊。
• 推薦引擎：向使用者推薦相關項目或內容。
• 異常偵測：找出離群或異常的資料點。

Azure SQL Database 內建向量作業，因此不需要外部向量資料庫或複雜的資料管道。此整合可加快開發速度並提升效能。

為什麼向量函數會改變 AI 的遊戲規則？

將向量函式加入 Azure SQL Database 代表著將人工智能與資料管理相結合的重要一步。將向量嵌入與您的結構化資料一起提供多種好處：

• 簡化架構：將資料和 AI 處理集中在一個地方，降低複雜性。
• 改善效能：避免資料在系統之間移動，減少延遲。
• 增強安全性：在 Azure SQL Database 受保護的環境中維護敏感資訊。

這些改進對於想要在不重建基礎架構的情況下，將人工智能整合至目前應用程式的企業而言，尤其有價值。直接在 SQL 中執行向量計算，可讓 AI 解決方案反應更迅速、適應能力更強。

向量函數的實際應用

禮品推薦引擎

考慮一個真實世界的範例：建立一個禮物建議系統。首先，透過sp_invoke_external_rest_endpoint程序使用 Azure OpenAI，將產品描述轉換為向量嵌入。

這些嵌入包裝了描述的語意內容。然後，將向量儲存於 Azure SQL 資料庫中。

當使用者尋找禮物時，將他們的查詢轉換成向量。使用距離函數 (例如：余弦距離) 來找出向量與查詢最相似的產品。這提供了有系統的方式來實現 AI。

舉例來說

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；

這種語意搜尋技術通常會與傳統的關鍵字搜尋結合，以達到最佳效果。

實作向量式禮品推薦系統的步驟

按照以下步驟建立向量式禮品推薦系統：

1. 設定 REST Endpoint：設定sp_invoke_external_rest_endpoint 儲存程序，以便與 OpenAI API 進行互動。呼叫 OpenAI 和處理描述的能力是不可或缺的。
2. 建立向量資料：模型將處理「King」、「Queen」或「Pizza」等樣本文字。
3. 將向量載入資料庫：將向量資料匯入資料庫以便查詢。
4. 取得嵌入輸出：使用dbo.get_embeddings將文字轉換為 embedding 並儲存為向量。

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

此程序會將您的描述轉換成適合 AI 處理的最佳化二進位格式。

使用混合搜尋強化 SQL 查詢

為了提高搜尋準確度，請採用混合搜尋策略。結合向量搜尋與標準 SQL 查詢，以獲得最佳結果。

舉例來說，利用像 Walmart 商品目錄這樣的公共資料集。定義參數包括

• ID
• 產品名稱
• 說明
• 向量距離

您也可以使用自然語言選擇這些參數。

此方法提供更大的彈性，並支援資料庫查詢中更多的 SEO 關鍵字。

如何在 Azure SQL 資料庫中使用向量函數

建立並驗證向量

首先使用JSON_ARRAY_TO_VECTOR函式產生向量。它會將 JSON 陣列轉換成最適合向量儲存的二進位格式。

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

然後，使用isVector函式驗證向量。

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)；

系統應該會確認向量包含有效的二進位資料。

使用向量距離尋找相似性

要測量兩個向量之間的相似性，請使用向量距離函數。這項新功能可讓您有效率地搜尋合適的禮物構思。

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；

此功能可讓 AI 識別資料庫中描述與參數之間的連線。由於 AI 會以數值詮釋資訊，因此這些函式有助於銜接您的資料與 AI 的數值理解。

Azure SQL 資料庫定價及可用性

瞭解成本影響

Azure SQL Database 提供多種定價等級，以符合不同的需求和預算。成本一般取決於

• 運算資源：分配給您的實例的 vCores 和記憶體數量。
• 儲存空間：消耗的資料和備份儲存容量。
• 網路：傳輸至資料庫或從資料庫傳輸的資料。

使用向量函數時，請考慮向量作業所需的計算能力，尤其是大型資料集。優化查詢和索引以控制支出。請參閱 Azure SQL 資料庫官方定價文件，以取得最新資訊。

權衡向量函數的利弊

優點

簡化 AI 整合。

效能提升

更強的資料安全性

模型彈性

缺點

初期學習期。

需要優化查詢。

記憶體消耗較高

核心功能

SQL 資料庫：它是什麼？

Microsoft SQL Database 是 Microsoft 創建的關聯式資料庫管理系統 (RDBMS)。它支援多樣化的工作負載，包括企業 IT 設定中的交易處理、商業智慧和分析。

Microsoft SQL Server 是三大資料庫平台之一。Azure 提供多種 SQL Server 部署選擇：

• Azure 虛擬機器上的 SQL Server：提供對虛擬機器的完全控制，以託管應用程式。
• Azure SQL Managed Instance：以管理服務的方式提供大部分 SQL 伺服器功能，將管理任務減至最少。
• Azure SQL 資料庫：完全受管理的資料庫服務，具有廣泛的功能和可擴充性。

由於 SQL 資料庫用於眾多應用程式，這些向量功能可讓許多產業受惠。

SQL 資料庫的顯著元件

資料庫的主要功能包括

• 用於匯入、分析和報告 SQL 資料庫以外儲存資料的工具。
• 新的 T-SQL 功能，可與 Azure Blob 儲存和 HDFS 等雲端儲存進行互動。
• 具有圖形化介面的管理與開發環境，可存取服務功能。SQL Server Management Studio 經常被視為選擇 Microsoft 資料庫解決方案的有力理由。SSMS 提供更完整的工具集。

探索使用向量函數的 Azure SQL 資料庫使用案例

電子商務產品建議

透過分析使用者活動和產品資訊來推薦相關產品。將使用者搜尋詞彙與產品屬性連結，以推薦類似商品。這可以提升銷售量並改進 SEO 效能。

內容個人化

針對個別使用者在媒體和娛樂方面的偏好，自訂內容。根據使用者的歷史資料和人工智能洞察力，個人化 SEO。

詐欺偵測系統

在可疑金融交易發生時即加以偵測。使用 AI 即時識別詐騙模式，以改善安全性和防範詐騙。

常見問題

如何取得私人預覽的存取權限？

請按照本文說明中的連結註冊，以取得向量功能私人預覽的早期採用者存取權。早期採用者可以整合並測試新功能。

我需要特殊的 Azure SQL Database 版本才能使用向量函數嗎？

私人預覽文件中會指定詳細要求。請查看說明文件以瞭解資料庫規格。

我可以在現有的 Azure SQL 資料庫中使用向量函數嗎？

您可能需要更新或修改資料庫設定才能使用向量函數。文件中會提供進一步的設定細節。

向量嵌入如果超過 8000 位元組會如何？

雖然向量函數原生支援最多 8000 位元組的向量，但某些應用程式可能需要更大的嵌入。在這種情況下，您可以將向量分佈在多列中，或設計自訂的儲存解決方案。

相關問題

什麼是嵌入？

在機器學習中，embedding 是一個映射高維向量的低維空間。例如，一個簡單的嵌入可能會使用二維 (x, y) 坐標來表示美國的城市。目的是在嵌入空間的幾何中保留原始向量之間的關係。現實世界中的實作涉及到複雜的數學。舉例來說，要建立一個能將 10,000 個常見英文字映射到 300 維空間的文字內嵌，就必須使用機器學習演算法來處理大量的文字庫 (例如維基百科或新聞檔案)。這些演算法會找出在每個目標字詞附近經常出現的字詞。然後進行降維，將這些詞向量投影到 300 維的嵌入空間中。在這樣的嵌入空間中，像「king」和「queen」這樣的字詞會被放置在很近的地方，而「pizza」則會被放置在較遠的地方。因此，嵌入的空間排列反映了字詞之間的語意關係。