Guide de mise en œuvre RAG pour les entreprises : l'IA .NET rencontre Azure SQL

Dans le paysage actuel axé sur les données, il est essentiel d'exploiter l'IA pour tirer des informations précieuses des données d'entreprise. La génération augmentée par la récupération (RAG) est une technique très efficace à cette fin. Cet article explique en détail comment mettre en œuvre la RAG sur vos données à l'aide de .NET AI et Azure SQL, afin de transformer vos informations en une ressource interactive et intelligente. Nous aborderons plus particulièrement la construction de puissantes recherches vectorielles hybrides qui fusionnent la recherche vectorielle sémantique avec la recherche et le filtrage en texte intégral classiques. En utilisant Azure SQL comme base de données IA centrale, vous pouvez facilement intégrer des capacités d'IA dans vos applications d'entreprise actuelles.

Points clés

Comprenez les principes fondamentaux de la génération augmentée par la récupération (RAG) et ses avantages pour les données d'entreprise.

Découvrez Azure SQL, une base de données relationnelle multimodèle moderne conçue pour gérer divers formats de données.

Apprenez la méthodologie pour créer une approche de recherche hybride, intégrant la recherche sémantique vectorielle à la recherche en texte intégral et aux filtres.

Découvrez comment utiliser les bibliothèques d'IA .NET pour créer des intégrations vectorielles et effectuer des recherches de similarité directement dans Azure SQL.

Construisez une application RAG complète de A à Z à l'aide d'Azure Functions, de Static Web Apps et d'Azure OpenAI.

Utilisez le générateur d'API de données pour rendre les entités de la base de données disponibles en tant que points de terminaison REST et GraphQL.

Suivez une démonstration pratique de la création d'un assistant IA pour conférence afin d'explorer les avantages et l'adaptabilité pour les données de votre entreprise.

Identifiez les différents scénarios dans lesquels l'intégration de l'IA à SQL s'avère très avantageuse.

Découvrez comment les avantages et l'adaptabilité d'Azure SQL peuvent répondre aux besoins complexes de votre organisation en matière de stockage de données.

Libérer le potentiel du RAG avec .NET AI et Azure SQL

Qu'est-ce qu'Azure SQL ?

Azure SQL est un service de base de données relationnelle moderne offrant une véritable expérience multimodèle

. Cette capacité lui permet de traiter des données JSON, graphiques, XML, géospatiales et en colonnes. Il peut atteindre 100 téraoctets avec 80 cœurs et prend en charge 30 répliques. Azure SQL comprend des fonctionnalités de sécurité et d'audit de niveau entreprise et s'intègre de manière transparente aux services Azure courants, .NET EF Core, .NET Aspire, LangChain et Semantic Kernel. Sa véritable force réside dans son intégration avec les technologies que votre équipe de développement connaît déjà et auxquelles elle fait confiance. Pour tirer parti de l'IA sur vos données, Azure SQL offrira une prise en charge vectorielle dans une préversion pour les premiers utilisateurs, ce qui signifie que vous pouvez demander l'accès à la préversion privée et explorer ses capacités.

Points forts d'Azure SQL :

• Base de données relationnelle moderne
• Prise en charge multi-modèle réelle (JSON, Graph, XML, géospatial, Columnstore)
• Évolutivité jusqu'à 100 To, 80 cœurs virtuels, 30 répliques
• Prise en charge des vecteurs (version préliminaire pour les premiers utilisateurs)
• Fonctionnalités de sécurité et d'audit de niveau entreprise
• Intégration avec les services Azure courants
• Intégration avec les bibliothèques de développement populaires (.NET EF Core, .NET Aspire, LangChain, Semantic Kernel, etc.)

Cas d'utilisation de l'IA + SQL pour vos données d'entreprise

La combinaison de l'IA et d'Azure SQL ouvre la voie à de nombreuses applications qui peuvent transformer vos données d'entreprise en un atout stratégique

. Voici plusieurs scénarios clés dans lesquels cette intégration excelle :

• Recherche hybride : combine la recherche vectorielle (sémantique) avec la recherche en texte intégral et des filtres. Cet outil puissant permet d'extraire des informations précises à partir des données. Par exemple, vous pouvez « rechercher tous les documents de la société Acme rédigés par John Doe et liés aux nouvelles politiques de sécurité ».
• Mémoires du chatbot : utilisez Azure SQL pour stocker et gérer l'historique des conversations du chatbot, ce qui permet des interactions plus personnalisées et plus contextuelles. L'amélioration des mémoires du chatbot peut considérablement améliorer le support produit et client, vous donnant ainsi un avantage concurrentiel.
• Génération augmentée par la récupération (RAG) : il s'agit de la technique que nous allons vous montrer comment créer. La RAG améliore la qualité et la pertinence du contenu généré par l'IA en l'ancrant dans vos données spécifiques.

Architecture RAG de haut niveau utilisant Azure SQL

Cette approche combine de manière optimale la recherche vectorielle, la recherche sémantique et d'autres filtres en un seul endroit

. Le processus consiste à récupérer les données pertinentes, puis à utiliser un LLM IA pour formuler la réponse. Les étapes requises sont les suivantes :

1. Récupérer les données de la base de données MSSQL à l'aide d'une recherche par similarité.
2. Injecter les résultats de la session récupérés en tant que contexte et les envoyer à l'IA LLM.
3. L'IA LLM génère et fournit une réponse.

Création d'un recommandateur de session : exemple détaillé

Présentation de l'architecture

Le système de recommandation de session utilise plusieurs services Azure pour offrir une expérience RAG fluide

:

• Applications clientes : permettent aux utilisateurs de saisir des questions en langage naturel.
• Backend :
  • Générateur d'API de données : expose les entités de la base de données.
  • API GraphQL/REST : fournissent l'interface reliant les données au client.
  • Azure Functions : déclenche le pipeline de traitement IA.

Configuration des déclencheurs Azure Function

Les fonctions Azure peuvent surveiller les modifications apportées aux données SQL et être déclenchées par celles-ci

. Cette automatisation garantit que les données nouvelles ou mises à jour sont traitées pour être immédiatement disponibles. La configuration implique :

1. Création de la fonction Azure.
2. Générer des vecteurs qui représentent les sujets à partir de nos données.
3. Enregistrer ces vecteurs dans votre base de données pour permettre des recherches de similitude efficaces.

   En automatisant la conversion des données en vecteurs, nous exploitons pleinement le potentiel et l'utilité d'Azure SQL.

Mise en œuvre du générateur d'API de données pour RAG

Utilisation du générateur d'API de données

Pour intégrer tous les composants, une configuration appropriée est nécessaire

. Cela implique la configuration de la base de données et la définition d'entités telles que des tables et des vues avec lesquelles SQL peut fonctionner de manière fiable. Le générateur d'API de données simplifie ce processus, facilitant ainsi l'accès aux données. Nous devons également configurer des applications Web statiques, qui hébergeront nos fonctions. Les commandes clés pour ce projet sont les suivantes :

• ligne de commande azdt
• data-api builder init
• data-api builder add
• azdt start

Tarification Azure SQL

Choisir le niveau Azure SQL adapté

Azure SQL propose un niveau gratuit pour les nouveaux utilisateurs Azure. Ce niveau gratuit est permanent, ce qui permet à tout le monde d'essayer Azure SQL et de développer de nouvelles solutions dans l'écosystème Azure sans engagement financier à long terme

. Avec Azure SQL, vous pouvez mettre en œuvre des solutions de niveau entreprise sans coût prohibitif.

Prise en charge de la recherche vectorielle dans Azure SQL : évaluation des avantages et des inconvénients

Avantages

Une plateforme de base de données relationnelle moderne pour des solutions polyvalentes.

Fonctionnalités de sécurité de niveau entreprise.

Haute évolutivité pour répondre à des besoins de performances exigeants.

Inconvénients

La prise en charge vectorielle en est encore à ses débuts.

La structure tarifaire peut être complexe, en fonction de la consommation des ressources.

L'intégration avec d'autres modèles de données peut introduire une certaine complexité.

Fonctionnalités principales d'Azure SQL

Solutions d'entreprise avec Azure SQL

En tant que service géré, Azure SQL fournit des solutions pour les besoins complexes en matière de données d'un large éventail d'entreprises. Cela inclut une sécurité robuste, car Azure gère les aspects fondamentaux de la sécurité

. Avec plusieurs options de chiffrement des données et une connectivité facile aux bibliothèques de développement courantes, Azure SQL reste une solution complète pour les initiatives axées sur les données. Ses capacités de base de données IA d'entreprise offrent une intégration approfondie avec .NET EF Core, .NET Aspire, LangChain, Semantic Kernel, etc.

Azure AI et SQL : transformer les secteurs

Assurance

L'un des principaux cas d'utilisation concerne la recherche vectorielle combinée au filtrage. Par exemple, une compagnie d'assurance peut avoir besoin de localiser des contrats répondant à des critères spécifiques. Une recherche vectorielle améliorée par des filtres est parfaitement adaptée à cette tâche.

Foire aux questions

Ces ressources peuvent-elles fonctionner localement ?

Oui, .NET, Azure SQL et bon nombre des autres outils que nous utilisons sont entièrement fonctionnels dans un environnement de développement local. Cela rend le projet accessible quelle que soit votre connectivité, vous permettant ainsi d'exploiter l'IA sur vos données où que vous soyez.

Questions courantes

Pourquoi déplacer l'IA vers les données ?

Le principe consiste à amener l'IA vers les données, plutôt que de transférer de grandes quantités de données vers l'IA. Cela est rendu possible grâce à la recherche vectorielle, qui nous permet d'intégrer la compréhension sémantique directement dans les requêtes, ce qui simplifie le filtrage. Cette approche est encore rationalisée par l'intégration avec des services Azure tels que Azure Functions.