Ciao a tutti e benvenuti a un altro episodio delle pillole di conoscenza Microsoft qui su M365FM. Sono il vostro ospite, mi copite? L'argomento di oggi è uno di quelli di cui quasi tutti hanno sentito parlare, ma che pochissimi comprendono davvero. Database vettoriali. Probabilmente avrete visto questo termine in articoli sull'IA o sentito in conversazioni su Copilot e ChatGPT. Ma cos'è esattamente un database vettoriale? È solo un normale database con un nome più elegante? O è qualcosa di completamente diverso? Immaginate di cercare su un sito di e-commerce giacca rossa e ottenere risultati che mostrano capotto cremisi, capospalla bordeaux. Come fa il computer a sapere che sono la stessa cosa? Lo sta facendo corrispondere a parole chiave. Cremisi non è rosso e cappotto non è giacca. Eppure in qualche modo il motore di ricerca capisce che sono correlati e questa è la ricerca vettoriale in azione. Alla fine di questo episodio capirete cosa sono realmente i database vettoriali perché alimentano la ricerca IA e Copilot e come si inseriscono nel cloud Microsoft. Useremo un linguaggio semplice e chiaro. Niente matematica, niente gergo, solo concetti base comprensivi. Cos'è effettivamente un vettore? Iniziamo dalla domanda fondamentale. Cos'è esattamente un vettore? Quando la maggior parte delle persone sente la parola vettore, immagina una freccia delle lezioni di fisica, direzione e intensità. L'informatica è molto più semplice. Un vettore è in realtà solo una lista di numeri. Un array unidimensionale che rappresenta qualcosa in un formato che il computer può elaborare. Ecco un modo pratico per immaginarlo. Se vi dicessi di incontrarmi al terzo piano, alla B stanza 12, questi sono tre numeri che descrivono una posizione specifica. Qual è un vettore tridimensionale che vi dice esattamente dove si trova qualcosa in un edificio. E immaginate di aggiungere più dettagli. Colore della porta, dimensioni della stanza, prezzo al metro quadro. Ogni nuovo dettaglio diventa un'altra dimensione. Quindi più dimensioni accumulate e più informazioni potete catturare su quella cosa. Un'auto potrebbe essere descritta da velocità, chilometraggio, prezzo, peso, valutazione e sicurezza. Quello è un vettore a 5 dimensioni. Un prodotto potrebbe essere descritto da centinaia di caratteristiche, il che vi dà un vettore ad alta dimensionalità. Ecco il punto. I vettori ci permettono di trasformare le cose in numeri che il computer possono avere. Parole, immagini, suoni, documenti, qualsiasi cosa può diventare una lista di numeri. Una volta che tutto è in numeri potete iniziare a misurare quanto due cose siano effettivamente simili. Due stanze sullo stesso piano con colori delle porte simili finiscono vicine allo spazio vettoriale. Anche due prodotti con caratteristiche simili si raggruppano insieme. Quella semplice idea è ciò che rende possibile la moderna ricerca tramite due vettori agli embedding. Non tutti i vettori sono uguali. Esiste un tipo speciale chiamato embedding ed è qui che risiede alla vera potenza. Quindi cos'è esattamente un embedding? Un embedding è un vettore che rappresenta un significato. Un modello di machine learning come Text Embedding 3Small di Azure OpenAI legge il testo e lo colloca in uno spazio ad alta dimensione. Il modello è imparato da migliaia di esempi quindi capisce come le parole si relazionano. Re e regina finiscono vicini perché condividono un contesto simile. Re e caffè finiscono molto distanti perché non lo fanno. E cosa significa in parole semplici? Quando cerchi giacca rossa il sistema trova cappotto e cremisi. Modello di embedding riconosce che rosso e cremisi hanno significati vicini e anche giacca e cappotto sono simili. Gli embedding per quelle due frasi diventano vicini nello spazio vettoriale. Il computer non sta più cercando corrispondenze di lei. Sta cercando corrispondenze di significato. Ora lascia che ti faccio un esempio classico. Prendi il vettore per re, sottrai il vettore per uomo e aggiungi il vettore per donna. Il risultato è molto vicino al vettore per regina. Re meno uomo più donna uguale regina. Potrebbe sembrare magia ma è davvero così che il modello integra le relazioni nei numeri. Hai imparato che re e regina condividono una relazione simile a uomo e donna e quella relazione è codificata nelle coordinate. Quindi i modelli di embedding prendono i tuoi dati grezzi, siano essi testo, immagini o audio, e li convertono in una lista di numeri che ne rappresentano il significato. Quei numeri diventano coordinate in uno spazio ad alta dimensione. Poi quando effettui una ricerca la tua query viene convertita nello stesso tipo di coordinate. Tutto ciò che devi fare è misurare la distanza tra loro. Questa è l'idea fondamentale. Perché i database tradizionali non sono ad alta dimensione. Se gli embedding sono così potenti perché non possiamo usare un database normale? Rispondiamo a questa domanda. I database e squali tradizionali sono costruiti per corrispondenza esatta. Scrivi dove il colore è rosso e trova ogni riga dove la colonna del colore è letteralmente rosso. Funziona benissimo per dati strutturati come i nomi di clienti, dati di ordine o prezzi di prodotti, ma fallisce completamente quando serve un significato approssimativo. Prova a scrivere una query SQL che trovi cappotto cremisi quando i tuoi dati dicono solo giacca a bordeaux. Non puoi perché SQL non comprende i concetti. I database tradizionali memorizzano i dati in righe e colonna. Sono ottimizzati per join, aggregazioni e ricerche esatte. Non sanno che auto e automobile sono la stessa cosa. Non sanno che entusiasta è elettrezzato. Sono emozioni simili. Fanno solo corrispondenze di string. E se i tuoi dati non sono strutturati come pdf, immagini, registrazioni audio, documenti lunghi, i database tradizionali possono archiviarli come blob, ma non possono davvero cercarmi il contenuto. Ma non possono davvero cercarmi il contenuto. Avresti bisogno di ricerca full text che si basa ancora sulla corrispondenza delle parole chiave. Se l'utente digita il report budget, ma il documento dice riepilogo finanziario, la ricerca per parole chiave lo perde completamente. Pensare in questo modo. Un database normale è come un archivio. Devi conoscere il nome esatto del file per trovare quello che cerchi. Un database vettoriale è come un bibliotecario che capisce cosa intendi. Puoi dire, ha bisogno di quel documento sulle spese dell'ultimo trimestre? E il bibliotecario sa esattamente quale cartella prendere, anche se è etichettata come riepilogo finanziario Q3. Il bibliotecario comprende l'intento, non solo le etichette. Ecco perché esistono i database vettoriali. Memorizzano gli embedding, quei vettori che catturano il significato, e li indicizzano in modo da rendere veloce la ricerca di similarità. Non sostituiscono i database anali. Aggiungono uno strato di comprensione sopra di essi, e quello strato cambia tutto. Come funzionano i database vettoriali? Quindi, come funziona tutto questo dietro le qui? Analizziamo le due fasi principali in gestione e interrogazione. In gestione è la fase di configurazione. Prendi i tuoi dati grezzi, descrizione di prodotti, ticket di supporto, documenti interni, qualsiasi cosa tu abbia, e passi ogni elemento attraverso un modello di embedding. Quel modello trasforma il testo in un vettore, che è fondamentalmente una lista di numeri che ne cattura il significato. Poi memorizzi quel vettore nel database, insieme a dei metadati, il testo originale, un timestamp, magari una categoria, o una URL sorgente. Ora, ecco la parte intelligente. Se avessi un milione di documenti, controllare ogni singolo vettore uno per uno richiederebbe un determinato. Ecco perché i database vettoriali usano qualcosa chiamato indicizzazione. Pensa all'indicizzazione come alla creazione di una mappa dello spazio vettoriale, invece di bussare a ogni singola porta. Due metodi comuni sono i VF e HNSV. VF sta per Inverted File Index, Indice di File Index. Funziona raggruppando vettori simili in cluster. Quando cerchi, invece di scansionare tutti i milioni di vettori, controlli solo i cluster più promettenti. È come cercare un libro in una biblioteca. Vai dritto nella sezione giusta, invece di scansionare ogni scaffale. HNSV sta per Hierarchical Navigable Small World. L'idea è piuttosto elegante. Costruisce una mappa a multilivello dei tuoi vettori. Contiene alcuni vettori rappresentativi che ti danno un'idea approssimativa di dove si trovino le cose. Ogni livello sottostante diventa più dettaglio. Quando cerchi, inizi dall'alto, trovi il vicinato generale e poi scendi livello dopo livello finché non trovi la corrispondenza esatta. È come usare prima una mappa della città, poi una mappa del quartiere e infine una mappa strada. Ognuno ti avvicina sempre di lui. Il risultato è che puoi cercare tra milioni di vettori in pochi millisecondi. È ciò che alimenta le funzionalità di intelligenza artificiale. Quando digiti una domanda in un copilot e otti una risposta in pochi secondi, da qualche parte un database vettoriale ha appena eseguito una ricerca di similarità tra migliaia o milioni di documenti. La fase di interrogazione funziona allo stesso modo al contrario. Tu diciti la tua domanda. Quella domanda viene convertita in un vettore usando esattamente lo stesso modello di embedding. Quindi il database trova i vicini più prossimi al tuo vettore di ricerca usando l'indice. Restituisci i risultati più simili classificati per distanza. Più i vettori sono vicini, più il risultato è pertinente. L'ecosistema Microsoft dove risiedono i vettori. Quindi dove si trova tutto questo nel mondo Microsoft? La risposta è breve ovunque. Microsoft sta aggiungendo funzionalità vettoriali alle piattaforme dati che già utilizzi invece di spingerti verso un database specialistico separato. Vediamo insieme le principali. Azure AI Search è l'archivio vettoriale più comune per il RUG aziendale. Si tratta di Retrieval Augmented Generation. Supporta la ricerca ibrida che combina la corrispondenza tradizionale per parole chiave con la similarità vettoriale. Perché è importante? Perché alcune ricerche funzionano meglio con parole chiave. Codici prodotto esatti, nomi dati, mentre altri richiedono una comprensione semantica. La ricerca ibrida ti offre entrambe le cose. Azure AI Search include anche la vettorizzazione integrata. Quindi puoi configurare una pipeline che suddivida automaticamente i documenti, generi embedding e gli indicizi senza scrivere codice personalizzato. Cosmos DB ora dispone di ricerca vettoria nativa con indicizzazione DiskNet. DiskNN sta per Disk Based Approximate Nearest Neighbor ed è progettato per una latenza inferiore ai 20ms anche su scala massiva. È ottimo per i dati operativi che risiedono già in Cosmos DB. Quindi immagina di creare un'app di e-commerce con Cosmos DB come back-end. Ora puoi aggiungere la ricerca vettoriale direttamente al catalogo prodotti senza spostare i dati su un servizio separato. Un cliente cerca Scarpe Steve Leggere e la tua app trova prodotti con descrizioni simili, tutto all'interno del tuo database esistente. Anche Azure SQL Server 2025 e Azure sono uniti al gruppo. Ora includono un tipo di dati vettoriali nativo e funzioni come una ricerca vettoriale. Ciò significa che puoi archivare gli embedding direttamente insieme ai tuoi dati relazionali. Schede cliente con rappresentazioni vettoriali delle loro preferenze, articoli di inventario con descrizioni vettoriali, ticket di supporto con embedding vettoriali del loro contenuto. Non hai bisogno di un database vettoriale separato. Le tue attuali competenze SQL sono ancora valide. Basta aggiungere una colonna vettoriale, creare un indice e iniziare a interrogare per similarità. Ecco come Copilot utilizza tutto questo interno. Quando chiedi Mostrami il report sulle vendite del terzo trimestre dell'anno scorso, Copilot non cerca l'esatta espressione report sulle vendite del terzo trimestre. Converte la tua domanda in un vettore. Effettua ricerche tra documenti indicizzati, email, file sharepoint, documenti OneDrive, chat di Teams e trova il documento in cui embedding è più vicino alla tua richiesta. Potrebbe trovare un file chiamato riepilogo finanziario Q32024 perché il significato corrisponde anche se le parole esatte sono diverse. Questa è la ricerca vettoriale, innanzi. L'intuizione chiave qui è la strategia di Microsoft. Invece di dire acquistate un database vettoriale specializzato, stanno aggiungendo funzionalità vettoriali agli strumenti che già usate. Azure Research, Cosmos DB, SQL Server, ora parlano tutti il linguaggio dei vettori, non c'è bisogno di imparare un nuovo sistema. Devi solo comprendere nel concetto Microsoft si occupa del lavoro pesante. Casi d'uso reali nell'IA. Quindi dove vediamo effettivamente i database vettoriali all'opera oggi? Ecco come si manifesta nel mondo reale. Il raga è il più importante. Sta per il retrieval augmented generation ed è il modo in cui funziona la maggior parte dell'IA aziendale oggi. Quando fai una domanda a un chatbot lui non tira a indovinare dei suoi dati da destra. Invece cerca in un database vettoriale documenti pertinenti, prende le corrispondenze più vicine e le fornisce al modello linguistico come contesto. Modello costruisce quindi una risposta basata su quei documenti reali. Ciò significa risposte accurate sulle politiche e i prodotti e i dati della tua azienda. Senza database vettoriali li attirerebbe a indovinare basandosi sulla conoscenza generale di... Con loro attinge direttamente dai tuoi file reali. I motori di raccomandazione sono un altro enorme caso d'uso. Netflix, Amazon, YouTube funzionano tutti allo stesso modo. Trasformano gli utenti in vettori basandosi sul comportamento, ciò che guardi, compri o su cui clicchi e trasformano gli elementi in vettori basandosi su descrizioni caratteristiche. Poi trovano semplici media vicini più prossimi. Se il tuo vettore è vicino a quello di un film ti consigliano quel film. È una ricerca di similarità su scala massiccia eseguita centinaia di volte al secondo per ogni singolo utente. La ricerca semantica è il terzo grande caso d'uso. Si tratta di cercare per significato non per parole chiamate. Un addetto al supporto scrive il cliente non riesce ad accedere dopo il reset da password e trova un articolo chiamato risoluzione dei problemi di autenticazione dopo l'aggiornamento delle credenziali. Le parole non coincidono ma il significato sì. È ciò che abilita la ricerca vettoriale. Per un team che gestisce centinaia di ticket al giorno questo riduce drasticamente i tempi di risoluzione. Poi c'è il rilevamento delle anomalie. Meno ovvio ma potente. Si trasformano in vettori comportamento normale i pattern di transazione tipici le metriche di sistema abituali e le azioni standard di utente. Si memorizzano quei vettori poi si segnala tutto ciò che cade lontano dal cluster. Una transazione che non somiglia affatto a quella normale quella è una flaw. Una metrica del server ben oltre il range abituale è un incidente in arrivo. I database vettoriali rendono tutto abbastanza veloce da girare in tempo reale. Nel mondo Microsoft questo si trova ovunque. Power Apps usa la ricerca vettoriale per suggerimenti AI quando crei moduli. Dynamics 365 la usa per la ricerca intelligente tra i record dei clienti. Le trascrizioni delle riunioni Teams diventano vettori così puoi cercare cosa abbiamo deciso sul budget e trovare l'esatto momento in una registrazione. Copilot per Microsoft 365 è essenzialmente un enorme sistema RUG sui dati personali e aziendali basato sulla ricerca vettoriale. Mantenere tutto sincronizzato. L'ETL è vettoriale. Ora ecco la sfida pratica. I dati cambiano i documenti vengono aggiornati nuovi prodotti aggiunti vecchie policy archiviate ogni volta che i dati sorgenti cambiano anche i vettori devono cambiare. E' qui che entra in gioco l'ETL. ETL sta per estazione trasformazione e caricamento. Per i database vettoriali il processo funziona così. Prima estrai documenti nuovi o modificati dalla fonte magari un blob storage o una libreria SharePoint o un database SQL. Poi li trasformi suddividendo il testo in pezzi gestibili e passando ogni pezzo attraverso il tuo modello di embedding. Infine carichi i vettori risultanti nel tuo vector store con metadati come URL sorgente timestamp versione del modello usata. La best practice qui è elaborare in modo incrementale. Non rieseguire l'embedding dell'intero corpus ogni volta che qualcosa cambia. Elabora solo i documenti effettivamente modificati. Traccia quale versione del modello ha generato ogni embedding. Se aggiorni il modello i vecchi vettori diventeranno incompatibili. E tini d'occhio costa. Le IP di embedding si pagano a token quindi elaborare milioni di documenti può diventare costoso. In Azure un flusso di lavoro tipico è lineare. Carica i tuoi documenti nel blob story. Poi configura un indicizzatore di Azure Eye Search con un set di skill integrato che gestisce chunking ed embedding automaticamente. Microsoft fornisce la skill di suddivisione testo per il chunking e la skill di embedding di Azure OpenAI per la generazione vettoriale. L'indicizzatore gira intervalli rileva i nuovi file li elabora e inserisce o aggiorna i vettori nell'indice. Nessun codice personalizzato necessario. Ecco un errore comune ignorare i metadati. Ogni vettore necessita di riferimento alla fonte nome e versione del modello di embedding e timestamp di creazione. Senza non puoi tracciare la provenienza di un risultato non puoi rieseguire l'embedding con modelli diversi e avrai problemi negli audit. Tratta i tuoi vettori come qualsiasi altro dato aziendale tracciando le linee derivazioni. Passi mi passi. Allora sei pronto a provare di persona? Il semplice. Apri il portale Azure e crea una risorsa di Azure Eye Search. Quindi abilita la ricerca vettoriale sull'indice sistema. Carica alcuni documenti scegli un modello di embedding ed esegui una query di similarità. Vedrai che funzionerà in meno di un'ora. Per gli sviluppatori prendete l'SDK a Python e incorporate alcuni documenti usando Azure OpenAI archiviateli nella ricerca vettoriale di Cosmos DB e scrivete una query che trovi la corrispondenza più vicina. Microsoft fornisce esempi di codici chiari e documentazione per guidarvi passo dopo passo. Non è necessario diventare scienziati dei dati per usare i database vettoriali. Gli strumenti Microsoft gestiscono la generazione degli embedding, l'indicizzazione e la logica delle query. Il vostro unico compito è comprendere il concetto e puntare gli strumenti verso i vostri dati. Ecco una sfida. Pensate al problema di ricerca che affrontate oggi. Forse si tratta di trovare documenti interni, cercare in un catalogo prodotti o rispondere alle domande dei clienti da una knowledge base. La ricerca vettoriale farà meglio della corrispondenza per parole chiare. Scegliete un piccolo set di dati e anche solo 100 documenti e fate una prova. Sentirete la differenza fin da su. Quindi ora capite cosa sono realmente i database vettoriali. Non sono una misteriosa tecnologia AI, sono solo un modo per archiviare e cercare il significato dei vostri dati invece delle parole esatte. Alimentano la ricerca intelligente e le funzionalità di AI all'interno di Microsoft 305 e Azure Ecopilot. Ogni volta che fate una domanda e ottenete una risposta pertinente da qualche parte un database vettoriale ha trovato la corrispondenza più vicina alla vostra query. I vostri fatti strutturati, i nomi dei clienti, i importi degli ordini, i conteggi dell'inventario, quelli risiedono ancora nei database tradizionali. I database vettoriali aggiungono il livello di comprensione. Permettono alla vostra applicazione di cercare per significato, per intento, per contesto. Questo è il quadro generale. Iscrivetevi per ulteriori spiegazioni semplici delle tecnologie Microsoft. La prossima volta vedremo come funzionano realmente le pipeline reg e come poterne costruire in un pomeriggio. Grazie per l'ascosta.