Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
S’applique à :
Base de données SQL Server 2025 (17.x) Azure SQL DatabaseAzure SQL Managed InstanceSQL dans Microsoft Fabric
Cet article contient des questions fréquemment posées sur les vecteurs et les incorporations dans le moteur de base de données SQL.
Pour obtenir des exemples et des exemples, consultez le référentiel d’exemples SQL AI.
Puis-je créer une solution de génération augmentée de récupération (RAG) complètement dans T-SQL ?
Oui, vous pouvez créer une solution de génération de Retrieval-Augmented (RAG) à l’aide de T-SQL. Ce type de solution tire parti des fonctionnalités du moteur de base de données SQL pour gérer et interroger efficacement vos données. Vous pouvez utiliser T-SQL pour implémenter la logique de récupération et de traitement des données nécessaires, tout en intégrant également des services IA externes pour l’aspect de génération. Les vecteurs peuvent être stockés en mode natif dans le moteur SQL et les connexions aux machines virtuelles LLM qui fournissent des fonctionnalités de compréhension du langage naturel sont possibles via sp_invoke_external_rest_endpoint.
- Implémenter une solution RAG et appeler OpenAI directement à partir d’Azure SQL DB pour poser des questions sur vos données
- Résultats LLM prévisibles avec sortie structurée et sp_invoke_external_rest_endpoint
Pourquoi créer une solution RAG complètement dans T-SQL ?
Si vous souhaitez améliorer une application existante sans avoir à la réécrire pour prendre en charge les fonctionnalités d’IA, utilisez les fonctionnalités intégrées du moteur SQL pour implémenter des fonctionnalités IA directement dans vos requêtes de base de données. Vous devez uniquement mettre à jour votre code T-SQL pour incorporer des fonctionnalités IA, plutôt que d’apporter des modifications approfondies à votre architecture d’application.
- Migrer et moderniser des charges de travail Windows Server, SQL Server et .NET
- Moderniser des applications avec Azure SQL, OpenAI et le générateur d’API de données
Existe-t-il des exemples de bout en bout utilisant Azure SQL ou Fabric SQL pour RAG ?
Vous trouverez des exemples de bout en bout pour RAG à l’aide d’Azure SQL et fabric SQL ici :
Puis-je utiliser RAG sur des données structurées, telles que des colonnes et des lignes ?
Si vous avez besoin d’utiliser des données structurées, vous pouvez toujours tirer parti de RAG en le combinant avec d’autres techniques, telles que l’utilisation d’incorporations pour représenter vos données structurées d’une manière qui peut être comprise par le modèle IA. Cela vous permet d’effectuer des tâches de récupération et de génération sur des données structurées tout en bénéficiant des fonctionnalités de RAG.
Pourquoi l’envoi d’un schéma complet et complexe à un LLM entraîne-t-il une génération SQL médiocre et comment puis-je le résoudre ?
Si vous avez un schéma de base de données complexe et volumineux, avec des centaines de tables et de vues, il est préférable d’utiliser une approche multi-agent pour réduire le bruit et permettre aux modèles IA de se concentrer sur des zones spécifiques du schéma. Une description complète ainsi qu’un exemple de bout en bout de travail est disponible ici :
Puis-je me connecter à Azure OpenAI à l’aide de Managed Identity ?
Oui, vous pouvez vous connecter à Azure OpenAI à l’aide d’Une identité managée. Cela vous permet d’authentifier et d’accéder en toute sécurité au service Azure OpenAI sans avoir à gérer les informations d’identification directement. Pour plus d’informations, consultez :
- Utiliser l'authentification sans mot de passe pour appeler Azure OpenAI à partir d'Azure SQL en utilisant des identités gérées
- Créer un MODÈLE EXTERNE avec Azure OpenAI à l’aide d’Une identité managée
Mes données sont-elles utilisées par Microsoft pour les modèles d’entraînement ?
Non. Les données ne sont pas utilisées par Microsoft pour les modèles d’entraînement. Pour plus d’informations, consultez la documentation sur l’IA responsable .
Quelles données le service Azure OpenAI traite-t-il ?
Pour plus d’informations, reportez-vous au document Données, confidentialité et sécurité d’Azure OpenAI Service .
Comment puis-je protéger mes données contre l’accès non autorisé à l’agent IA ?
Azure SQL et SQL Server offrent une prise en charge étendue de la sécurité d’accès affinée :
- Prise en main des autorisations du moteur de base de données : contrôler l’accès aux objets de base de données à un niveau granulaire à l’aide d’autorisations.
- Row-Level Sécurité (RLS) : contrôlez l’accès aux lignes d’une table en fonction des caractéristiques de l’utilisateur exécutant une requête. Vous pouvez voir RLS en action dans cette vidéo.
- Masquage dynamique des données : limitez l’exposition des données sensibles en les masquant aux utilisateurs non privilégiés.
- Always Encrypted : protégez les données sensibles en les chiffrant au repos et en transit, ce qui garantit que seuls les utilisateurs autorisés peuvent accéder aux données non chiffrées.
Il est également possible d’auditer toute opération effectuée sur la base de données à l’aide de la fonctionnalité Audit dans Azure SQL et SQL Server.
Audit SQL Server (moteur de base de données)