WEBVTT

00:00:00.000 --> 00:00:04.820
Ciao a tutti e benvenuti a un altro episodio delle pillole di conoscenza Microsoft qui su M365FM.

00:00:05.200 --> 00:00:06.240
Sono il vostro ospite, mi copite?

00:00:06.680 --> 00:00:10.460
L'argomento di oggi è uno di quelli di cui quasi tutti hanno sentito parlare, ma che pochissimi comprendono davvero.

00:00:10.880 --> 00:00:11.720
Database vettoriali.

00:00:12.180 --> 00:00:16.340
Probabilmente avrete visto questo termine in articoli sull'IA o sentito in conversazioni su Copilot e ChatGPT.

00:00:16.960 --> 00:00:18.460
Ma cos'è esattamente un database vettoriale?

00:00:18.620 --> 00:00:20.540
È solo un normale database con un nome più elegante?

00:00:21.000 --> 00:00:22.300
O è qualcosa di completamente diverso?

00:00:22.640 --> 00:00:27.860
Immaginate di cercare su un sito di e-commerce giacca rossa e ottenere risultati che mostrano capotto cremisi, capospalla bordeaux.

00:00:27.860 --> 00:00:30.200
Come fa il computer a sapere che sono la stessa cosa?

00:00:30.640 --> 00:00:31.900
Lo sta facendo corrispondere a parole chiave.

00:00:32.260 --> 00:00:34.360
Cremisi non è rosso e cappotto non è giacca.

00:00:35.220 --> 00:00:39.060
Eppure in qualche modo il motore di ricerca capisce che sono correlati e questa è la ricerca vettoriale in azione.

00:00:39.340 --> 00:00:45.800
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.

00:00:46.860 --> 00:00:48.240
Useremo un linguaggio semplice e chiaro.

00:00:48.240 --> 00:00:51.060
Niente matematica, niente gergo, solo concetti base comprensivi.

00:00:51.700 --> 00:00:52.640
Cos'è effettivamente un vettore?

00:00:53.340 --> 00:00:54.680
Iniziamo dalla domanda fondamentale.

00:00:55.140 --> 00:00:56.160
Cos'è esattamente un vettore?

00:00:56.160 --> 00:01:01.600
Quando la maggior parte delle persone sente la parola vettore, immagina una freccia delle lezioni di fisica, direzione e intensità.

00:01:02.120 --> 00:01:03.240
L'informatica è molto più semplice.

00:01:03.580 --> 00:01:05.180
Un vettore è in realtà solo una lista di numeri.

00:01:05.720 --> 00:01:09.080
Un array unidimensionale che rappresenta qualcosa in un formato che il computer può elaborare.

00:01:09.600 --> 00:01:10.820
Ecco un modo pratico per immaginarlo.

00:01:11.200 --> 00:01:16.160
Se vi dicessi di incontrarmi al terzo piano, alla B stanza 12, questi sono tre numeri che descrivono una posizione specifica.

00:01:16.320 --> 00:01:19.920
Qual è un vettore tridimensionale che vi dice esattamente dove si trova qualcosa in un edificio.

00:01:20.380 --> 00:01:21.620
E immaginate di aggiungere più dettagli.

00:01:21.920 --> 00:01:24.420
Colore della porta, dimensioni della stanza, prezzo al metro quadro.

00:01:24.420 --> 00:01:26.940
Ogni nuovo dettaglio diventa un'altra dimensione.

00:01:27.300 --> 00:01:30.420
Quindi più dimensioni accumulate e più informazioni potete catturare su quella cosa.

00:01:31.160 --> 00:01:34.660
Un'auto potrebbe essere descritta da velocità, chilometraggio, prezzo, peso, valutazione e sicurezza.

00:01:35.020 --> 00:01:36.200
Quello è un vettore a 5 dimensioni.

00:01:36.620 --> 00:01:40.520
Un prodotto potrebbe essere descritto da centinaia di caratteristiche, il che vi dà un vettore ad alta dimensionalità.

00:01:40.880 --> 00:01:41.340
Ecco il punto.

00:01:41.700 --> 00:01:44.300
I vettori ci permettono di trasformare le cose in numeri che il computer possono avere.

00:01:44.680 --> 00:01:47.720
Parole, immagini, suoni, documenti, qualsiasi cosa può diventare una lista di numeri.

00:01:47.720 --> 00:01:51.300
Una volta che tutto è in numeri potete iniziare a misurare quanto due cose siano effettivamente simili.

00:01:51.640 --> 00:01:55.680
Due stanze sullo stesso piano con colori delle porte simili finiscono vicine allo spazio vettoriale.

00:01:55.740 --> 00:01:58.200
Anche due prodotti con caratteristiche simili si raggruppano insieme.

00:01:58.800 --> 00:02:01.320
Quella semplice idea è ciò che rende possibile la moderna ricerca tramite

00:02:01.320 --> 00:02:03.000
due vettori agli embedding.

00:02:03.100 --> 00:02:04.300
Non tutti i vettori sono uguali.

00:02:05.120 --> 00:02:08.120
Esiste un tipo speciale chiamato embedding ed è qui che risiede alla vera potenza.

00:02:08.540 --> 00:02:09.680
Quindi cos'è esattamente un embedding?

00:02:09.940 --> 00:02:11.760
Un embedding è un vettore che rappresenta un significato.

00:02:11.760 --> 00:02:17.760
Un modello di machine learning come Text Embedding 3Small di Azure OpenAI legge il testo e lo colloca in uno spazio ad alta dimensione.

00:02:18.980 --> 00:02:22.480
Il modello è imparato da migliaia di esempi quindi capisce come le parole si relazionano.

00:02:23.420 --> 00:02:26.220
Re e regina finiscono vicini perché condividono un contesto simile.

00:02:27.040 --> 00:02:29.200
Re e caffè finiscono molto distanti perché non lo fanno.

00:02:30.040 --> 00:02:31.300
E cosa significa in parole semplici?

00:02:31.780 --> 00:02:34.660
Quando cerchi giacca rossa il sistema trova cappotto e cremisi.

00:02:35.860 --> 00:02:40.800
Modello di embedding riconosce che rosso e cremisi hanno significati vicini e anche giacca e cappotto sono simili.

00:02:40.800 --> 00:02:44.580
Gli embedding per quelle due frasi diventano vicini nello spazio vettoriale.

00:02:44.960 --> 00:02:46.680
Il computer non sta più cercando corrispondenze di lei.

00:02:47.100 --> 00:02:48.140
Sta cercando corrispondenze di significato.

00:02:48.760 --> 00:02:50.300
Ora lascia che ti faccio un esempio classico.

00:02:50.880 --> 00:02:54.380
Prendi il vettore per re, sottrai il vettore per uomo e aggiungi il vettore per donna.

00:02:55.360 --> 00:02:57.600
Il risultato è molto vicino al vettore per regina.

00:02:58.340 --> 00:02:59.780
Re meno uomo più donna uguale regina.

00:03:00.440 --> 00:03:04.040
Potrebbe sembrare magia ma è davvero così che il modello integra le relazioni nei numeri.

00:03:04.040 --> 00:03:11.560
Hai imparato che re e regina condividono una relazione simile a uomo e donna e quella relazione è codificata nelle coordinate.

00:03:12.520 --> 00:03:16.600
Quindi i modelli di embedding prendono i tuoi dati grezzi, siano essi testo, immagini o audio,

00:03:17.140 --> 00:03:19.460
e li convertono in una lista di numeri che ne rappresentano il significato.

00:03:20.060 --> 00:03:22.820
Quei numeri diventano coordinate in uno spazio ad alta dimensione.

00:03:23.480 --> 00:03:26.700
Poi quando effettui una ricerca la tua query viene convertita nello stesso tipo di coordinate.

00:03:27.200 --> 00:03:28.940
Tutto ciò che devi fare è misurare la distanza tra loro.

00:03:28.940 --> 00:03:30.120
Questa è l'idea fondamentale.

00:03:30.440 --> 00:03:32.100
Perché i database tradizionali non sono ad alta dimensione.

00:03:32.540 --> 00:03:35.160
Se gli embedding sono così potenti perché non possiamo usare un database normale?

00:03:35.620 --> 00:03:36.420
Rispondiamo a questa domanda.

00:03:37.540 --> 00:03:40.080
I database e squali tradizionali sono costruiti per corrispondenza esatta.

00:03:40.700 --> 00:03:45.260
Scrivi dove il colore è rosso e trova ogni riga dove la colonna del colore è letteralmente rosso.

00:03:45.680 --> 00:03:49.200
Funziona benissimo per dati strutturati come i nomi di clienti, dati di ordine o prezzi di prodotti,

00:03:49.280 --> 00:03:51.760
ma fallisce completamente quando serve un significato approssimativo.

00:03:52.820 --> 00:03:57.380
Prova a scrivere una query SQL che trovi cappotto cremisi quando i tuoi dati dicono solo giacca a bordeaux.

00:03:57.380 --> 00:04:00.040
Non puoi perché SQL non comprende i concetti.

00:04:00.840 --> 00:04:03.560
I database tradizionali memorizzano i dati in righe e colonna.

00:04:04.140 --> 00:04:07.040
Sono ottimizzati per join, aggregazioni e ricerche esatte.

00:04:08.020 --> 00:04:10.280
Non sanno che auto e automobile sono la stessa cosa.

00:04:10.760 --> 00:04:12.100
Non sanno che entusiasta è elettrezzato.

00:04:12.380 --> 00:04:13.140
Sono emozioni simili.

00:04:13.720 --> 00:04:14.800
Fanno solo corrispondenze di string.

00:04:15.060 --> 00:04:18.480
E se i tuoi dati non sono strutturati come pdf, immagini, registrazioni audio, documenti lunghi,

00:04:18.480 --> 00:04:22.120
i database tradizionali possono archiviarli come blob, ma non possono davvero cercarmi il contenuto.

00:04:22.360 --> 00:04:23.840
Ma non possono davvero cercarmi il contenuto.

00:04:24.020 --> 00:04:27.060
Avresti bisogno di ricerca full text che si basa ancora sulla corrispondenza delle parole chiave.

00:04:27.380 --> 00:04:30.500
Se l'utente digita il report budget, ma il documento dice riepilogo finanziario,

00:04:30.560 --> 00:04:33.040
la ricerca per parole chiave lo perde completamente.

00:04:33.500 --> 00:04:34.140
Pensare in questo modo.

00:04:34.360 --> 00:04:35.860
Un database normale è come un archivio.

00:04:36.360 --> 00:04:38.740
Devi conoscere il nome esatto del file per trovare quello che cerchi.

00:04:39.340 --> 00:04:42.100
Un database vettoriale è come un bibliotecario che capisce cosa intendi.

00:04:42.620 --> 00:04:45.040
Puoi dire, ha bisogno di quel documento sulle spese dell'ultimo trimestre?

00:04:45.380 --> 00:04:50.460
E il bibliotecario sa esattamente quale cartella prendere, anche se è etichettata come riepilogo finanziario Q3.

00:04:51.260 --> 00:04:53.540
Il bibliotecario comprende l'intento, non solo le etichette.

00:04:54.120 --> 00:04:55.540
Ecco perché esistono i database vettoriali.

00:04:55.540 --> 00:04:58.400
Memorizzano gli embedding, quei vettori che catturano il significato,

00:04:58.440 --> 00:05:01.000
e li indicizzano in modo da rendere veloce la ricerca di similarità.

00:05:01.580 --> 00:05:03.020
Non sostituiscono i database anali.

00:05:03.420 --> 00:05:06.460
Aggiungono uno strato di comprensione sopra di essi, e quello strato cambia tutto.

00:05:07.260 --> 00:05:10.220
Aggiungono uno strato di comprensione sopra di essi, e quello strato cambia tutto.

00:05:10.620 --> 00:05:11.980
Come funzionano i database vettoriali?

00:05:12.280 --> 00:05:13.860
Quindi, come funziona tutto questo dietro le qui?

00:05:14.320 --> 00:05:16.880
Analizziamo le due fasi principali in gestione e interrogazione.

00:05:17.300 --> 00:05:18.560
In gestione è la fase di configurazione.

00:05:18.560 --> 00:05:23.260
Prendi i tuoi dati grezzi, descrizione di prodotti, ticket di supporto, documenti interni,

00:05:23.340 --> 00:05:26.580
qualsiasi cosa tu abbia, e passi ogni elemento attraverso un modello di embedding.

00:05:27.580 --> 00:05:30.860
Quel modello trasforma il testo in un vettore, che è fondamentalmente una lista di numeri

00:05:30.860 --> 00:05:31.960
che ne cattura il significato.

00:05:32.420 --> 00:05:35.540
Poi memorizzi quel vettore nel database, insieme a dei metadati, il testo originale,

00:05:35.640 --> 00:05:39.140
un timestamp, magari una categoria, o una URL sorgente.

00:05:39.580 --> 00:05:40.480
Ora, ecco la parte intelligente.

00:05:40.480 --> 00:05:43.880
Se avessi un milione di documenti, controllare ogni singolo vettore uno per uno richiederebbe

00:05:43.880 --> 00:05:44.520
un determinato.

00:05:44.540 --> 00:05:47.100
Ecco perché i database vettoriali usano qualcosa chiamato indicizzazione.

00:05:47.440 --> 00:05:50.420
Pensa all'indicizzazione come alla creazione di una mappa dello spazio vettoriale, invece

00:05:50.420 --> 00:05:51.600
di bussare a ogni singola porta.

00:05:52.340 --> 00:05:54.220
Due metodi comuni sono i VF e HNSV.

00:05:54.640 --> 00:05:56.360
VF sta per Inverted File Index, Indice di File Index.

00:05:56.580 --> 00:05:58.520
Funziona raggruppando vettori simili in cluster.

00:05:59.160 --> 00:06:02.700
Quando cerchi, invece di scansionare tutti i milioni di vettori, controlli solo i cluster più

00:06:02.700 --> 00:06:03.180
promettenti.

00:06:03.460 --> 00:06:04.840
È come cercare un libro in una biblioteca.

00:06:05.460 --> 00:06:07.740
Vai dritto nella sezione giusta, invece di scansionare ogni scaffale.

00:06:07.740 --> 00:06:10.720
HNSV sta per Hierarchical Navigable Small World.

00:06:11.240 --> 00:06:12.260
L'idea è piuttosto elegante.

00:06:12.720 --> 00:06:14.560
Costruisce una mappa a multilivello dei tuoi vettori.

00:06:15.260 --> 00:06:18.080
Contiene alcuni vettori rappresentativi che ti danno un'idea approssimativa di dove si

00:06:18.080 --> 00:06:18.700
trovino le cose.

00:06:19.520 --> 00:06:21.080
Ogni livello sottostante diventa più dettaglio.

00:06:21.660 --> 00:06:24.580
Quando cerchi, inizi dall'alto, trovi il vicinato generale e poi scendi livello dopo

00:06:24.580 --> 00:06:26.480
livello finché non trovi la corrispondenza esatta.

00:06:27.480 --> 00:06:30.760
È come usare prima una mappa della città, poi una mappa del quartiere e infine una mappa

00:06:30.760 --> 00:06:31.040
strada.

00:06:31.500 --> 00:06:32.420
Ognuno ti avvicina sempre di lui.

00:06:32.740 --> 00:06:35.640
Il risultato è che puoi cercare tra milioni di vettori in pochi millisecondi.

00:06:35.640 --> 00:06:37.840
È ciò che alimenta le funzionalità di intelligenza artificiale.

00:06:38.260 --> 00:06:42.040
Quando digiti una domanda in un copilot e otti una risposta in pochi secondi, da qualche

00:06:42.040 --> 00:06:45.200
parte un database vettoriale ha appena eseguito una ricerca di similarità tra migliaia o

00:06:45.200 --> 00:06:46.020
milioni di documenti.

00:06:46.140 --> 00:06:48.100
La fase di interrogazione funziona allo stesso modo al contrario.

00:06:48.400 --> 00:06:49.240
Tu diciti la tua domanda.

00:06:49.560 --> 00:06:52.860
Quella domanda viene convertita in un vettore usando esattamente lo stesso modello di embedding.

00:06:53.100 --> 00:06:56.420
Quindi il database trova i vicini più prossimi al tuo vettore di ricerca usando l'indice.

00:06:57.080 --> 00:06:59.300
Restituisci i risultati più simili classificati per distanza.

00:07:00.060 --> 00:07:02.280
Più i vettori sono vicini, più il risultato è pertinente.

00:07:02.900 --> 00:07:05.380
L'ecosistema Microsoft dove risiedono i vettori.

00:07:05.840 --> 00:07:07.600
Quindi dove si trova tutto questo nel mondo Microsoft?

00:07:08.060 --> 00:07:09.040
La risposta è breve ovunque.

00:07:09.420 --> 00:07:13.000
Microsoft sta aggiungendo funzionalità vettoriali alle piattaforme dati che già utilizzi invece

00:07:13.000 --> 00:07:15.180
di spingerti verso un database specialistico separato.

00:07:15.780 --> 00:07:16.760
Vediamo insieme le principali.

00:07:17.260 --> 00:07:20.800
Azure AI Search è l'archivio vettoriale più comune per il RUG aziendale.

00:07:21.700 --> 00:07:23.320
Si tratta di Retrieval Augmented Generation.

00:07:24.120 --> 00:07:27.640
Supporta la ricerca ibrida che combina la corrispondenza tradizionale per parole chiave

00:07:27.640 --> 00:07:28.900
con la similarità vettoriale.

00:07:29.320 --> 00:07:30.040
Perché è importante?

00:07:30.380 --> 00:07:32.460
Perché alcune ricerche funzionano meglio con parole chiave.

00:07:32.540 --> 00:07:35.620
Codici prodotto esatti, nomi dati, mentre altri richiedono una comprensione semantica.

00:07:36.220 --> 00:07:37.540
La ricerca ibrida ti offre entrambe le cose.

00:07:37.920 --> 00:07:40.500
Azure AI Search include anche la vettorizzazione integrata.

00:07:40.900 --> 00:07:44.800
Quindi puoi configurare una pipeline che suddivida automaticamente i documenti, generi embedding

00:07:44.800 --> 00:07:47.000
e gli indicizi senza scrivere codice personalizzato.

00:07:47.560 --> 00:07:50.460
Cosmos DB ora dispone di ricerca vettoria nativa con indicizzazione DiskNet.

00:07:50.900 --> 00:07:53.540
DiskNN sta per Disk Based Approximate Nearest Neighbor

00:07:53.540 --> 00:07:57.120
ed è progettato per una latenza inferiore ai 20ms anche su scala massiva.

00:07:57.380 --> 00:08:00.000
È ottimo per i dati operativi che risiedono già in Cosmos DB.

00:08:00.000 --> 00:08:03.760
Quindi immagina di creare un'app di e-commerce con Cosmos DB come back-end.

00:08:04.380 --> 00:08:07.160
Ora puoi aggiungere la ricerca vettoriale direttamente al catalogo prodotti

00:08:07.160 --> 00:08:08.920
senza spostare i dati su un servizio separato.

00:08:09.500 --> 00:08:11.080
Un cliente cerca Scarpe Steve Leggere

00:08:11.080 --> 00:08:13.500
e la tua app trova prodotti con descrizioni simili,

00:08:13.640 --> 00:08:15.380
tutto all'interno del tuo database esistente.

00:08:16.860 --> 00:08:19.680
Anche Azure SQL Server 2025 e Azure sono uniti al gruppo.

00:08:20.580 --> 00:08:23.880
Ora includono un tipo di dati vettoriali nativo e funzioni come una ricerca vettoriale.

00:08:24.200 --> 00:08:27.000
Ciò significa che puoi archivare gli embedding direttamente insieme ai tuoi dati relazionali.

00:08:27.000 --> 00:08:30.260
Schede cliente con rappresentazioni vettoriali delle loro preferenze,

00:08:30.360 --> 00:08:32.300
articoli di inventario con descrizioni vettoriali,

00:08:32.380 --> 00:08:35.080
ticket di supporto con embedding vettoriali del loro contenuto.

00:08:35.820 --> 00:08:37.420
Non hai bisogno di un database vettoriale separato.

00:08:37.720 --> 00:08:39.340
Le tue attuali competenze SQL sono ancora valide.

00:08:39.740 --> 00:08:41.080
Basta aggiungere una colonna vettoriale,

00:08:41.160 --> 00:08:43.100
creare un indice e iniziare a interrogare per similarità.

00:08:43.680 --> 00:08:45.360
Ecco come Copilot utilizza tutto questo interno.

00:08:45.920 --> 00:08:46.560
Quando chiedi

00:08:46.560 --> 00:08:49.560
Mostrami il report sulle vendite del terzo trimestre dell'anno scorso,

00:08:49.620 --> 00:08:52.460
Copilot non cerca l'esatta espressione report sulle vendite del terzo trimestre.

00:08:52.460 --> 00:08:54.380
Converte la tua domanda in un vettore.

00:08:54.680 --> 00:08:56.460
Effettua ricerche tra documenti indicizzati,

00:08:56.760 --> 00:08:59.240
email, file sharepoint, documenti OneDrive, chat di Teams

00:08:59.240 --> 00:09:02.040
e trova il documento in cui embedding è più vicino alla tua richiesta.

00:09:03.420 --> 00:09:04.580
Potrebbe trovare un file chiamato

00:09:04.580 --> 00:09:06.500
riepilogo finanziario Q32024

00:09:06.500 --> 00:09:09.060
perché il significato corrisponde anche se le parole esatte sono diverse.

00:09:09.500 --> 00:09:10.580
Questa è la ricerca vettoriale, innanzi.

00:09:10.980 --> 00:09:12.580
L'intuizione chiave qui è la strategia di Microsoft.

00:09:13.140 --> 00:09:15.480
Invece di dire acquistate un database vettoriale specializzato,

00:09:15.480 --> 00:09:18.120
stanno aggiungendo funzionalità vettoriali agli strumenti che già usate.

00:09:18.780 --> 00:09:20.580
Azure Research, Cosmos DB, SQL Server,

00:09:20.580 --> 00:09:22.140
ora parlano tutti il linguaggio dei vettori,

00:09:22.720 --> 00:09:24.080
non c'è bisogno di imparare un nuovo sistema.

00:09:24.460 --> 00:09:25.600
Devi solo comprendere nel concetto

00:09:25.600 --> 00:09:27.600
Microsoft si occupa del lavoro pesante.

00:09:28.580 --> 00:09:30.040
Casi d'uso reali nell'IA.

00:09:30.700 --> 00:09:31.840
Quindi dove vediamo effettivamente

00:09:31.840 --> 00:09:33.380
i database vettoriali all'opera oggi?

00:09:33.980 --> 00:09:35.620
Ecco come si manifesta nel mondo reale.

00:09:35.680 --> 00:09:36.500
Il raga è il più importante.

00:09:37.000 --> 00:09:38.780
Sta per il retrieval augmented generation

00:09:38.780 --> 00:09:41.120
ed è il modo in cui funziona la maggior parte dell'IA aziendale oggi.

00:09:41.780 --> 00:09:42.960
Quando fai una domanda a un chatbot

00:09:42.960 --> 00:09:44.600
lui non tira a indovinare dei suoi dati da destra.

00:09:44.920 --> 00:09:47.660
Invece cerca in un database vettoriale documenti pertinenti,

00:09:47.920 --> 00:09:49.320
prende le corrispondenze più vicine

00:09:49.320 --> 00:09:51.460
e le fornisce al modello linguistico come contesto.

00:09:51.960 --> 00:09:54.680
Modello costruisce quindi una risposta basata su quei documenti reali.

00:09:55.080 --> 00:09:56.780
Ciò significa risposte accurate sulle politiche

00:09:56.780 --> 00:09:57.960
e i prodotti e i dati della tua azienda.

00:09:58.580 --> 00:09:59.700
Senza database vettoriali

00:09:59.700 --> 00:10:00.660
li attirerebbe a indovinare

00:10:00.660 --> 00:10:02.320
basandosi sulla conoscenza generale di...

00:10:02.320 --> 00:10:04.560
Con loro attinge direttamente dai tuoi file reali.

00:10:04.940 --> 00:10:06.820
I motori di raccomandazione sono un altro enorme caso d'uso.

00:10:07.200 --> 00:10:09.480
Netflix, Amazon, YouTube funzionano tutti allo stesso modo.

00:10:09.480 --> 00:10:11.180
Trasformano gli utenti in vettori

00:10:11.180 --> 00:10:12.400
basandosi sul comportamento,

00:10:12.500 --> 00:10:14.220
ciò che guardi, compri o su cui clicchi

00:10:14.220 --> 00:10:16.340
e trasformano gli elementi in vettori

00:10:16.340 --> 00:10:17.860
basandosi su descrizioni caratteristiche.

00:10:18.560 --> 00:10:19.940
Poi trovano semplici media vicini più prossimi.

00:10:20.340 --> 00:10:21.700
Se il tuo vettore è vicino a quello di un film

00:10:21.700 --> 00:10:22.620
ti consigliano quel film.

00:10:23.220 --> 00:10:24.300
È una ricerca di similarità

00:10:24.300 --> 00:10:25.180
su scala massiccia

00:10:25.180 --> 00:10:26.980
eseguita centinaia di volte al secondo

00:10:26.980 --> 00:10:28.160
per ogni singolo utente.

00:10:28.160 --> 00:10:31.020
La ricerca semantica è il terzo grande caso d'uso.

00:10:31.080 --> 00:10:32.380
Si tratta di cercare per significato

00:10:32.380 --> 00:10:33.180
non per parole chiamate.

00:10:33.700 --> 00:10:34.780
Un addetto al supporto scrive

00:10:34.780 --> 00:10:37.100
il cliente non riesce ad accedere dopo il reset da password

00:10:37.100 --> 00:10:38.560
e trova un articolo chiamato

00:10:38.560 --> 00:10:40.140
risoluzione dei problemi di autenticazione

00:10:40.140 --> 00:10:41.460
dopo l'aggiornamento delle credenziali.

00:10:41.920 --> 00:10:42.980
Le parole non coincidono

00:10:42.980 --> 00:10:43.800
ma il significato sì.

00:10:44.020 --> 00:10:45.240
È ciò che abilita la ricerca vettoriale.

00:10:45.600 --> 00:10:47.440
Per un team che gestisce centinaia di ticket al giorno

00:10:47.440 --> 00:10:49.320
questo riduce drasticamente i tempi di risoluzione.

00:10:49.900 --> 00:10:50.840
Poi c'è il rilevamento delle anomalie.

00:10:51.340 --> 00:10:52.360
Meno ovvio ma potente.

00:10:53.020 --> 00:10:53.900
Si trasformano in vettori

00:10:53.900 --> 00:10:54.800
comportamento normale

00:10:54.800 --> 00:10:56.060
i pattern di transazione tipici

00:10:56.060 --> 00:10:57.260
le metriche di sistema abituali

00:10:57.260 --> 00:10:58.280
e le azioni standard di utente.

00:10:58.760 --> 00:10:59.900
Si memorizzano quei vettori

00:10:59.900 --> 00:11:02.040
poi si segnala tutto ciò che cade lontano dal cluster.

00:11:02.400 --> 00:11:04.020
Una transazione che non somiglia affatto a quella normale

00:11:04.020 --> 00:11:04.500
quella è una flaw.

00:11:04.780 --> 00:11:05.660
Una metrica del server

00:11:05.660 --> 00:11:06.720
ben oltre il range abituale

00:11:06.720 --> 00:11:07.600
è un incidente in arrivo.

00:11:07.920 --> 00:11:08.760
I database vettoriali

00:11:08.760 --> 00:11:11.120
rendono tutto abbastanza veloce da girare in tempo reale.

00:11:11.200 --> 00:11:12.840
Nel mondo Microsoft questo si trova ovunque.

00:11:13.560 --> 00:11:14.980
Power Apps usa la ricerca vettoriale

00:11:14.980 --> 00:11:15.840
per suggerimenti AI

00:11:15.840 --> 00:11:16.640
quando crei moduli.

00:11:17.280 --> 00:11:18.260
Dynamics 365

00:11:18.260 --> 00:11:19.720
la usa per la ricerca intelligente

00:11:19.720 --> 00:11:20.740
tra i record dei clienti.

00:11:21.240 --> 00:11:22.540
Le trascrizioni delle riunioni Teams

00:11:22.540 --> 00:11:23.460
diventano vettori

00:11:23.460 --> 00:11:25.540
così puoi cercare cosa abbiamo deciso sul budget

00:11:25.540 --> 00:11:27.500
e trovare l'esatto momento in una registrazione.

00:11:28.620 --> 00:11:30.320
Copilot per Microsoft 365

00:11:30.320 --> 00:11:32.540
è essenzialmente un enorme sistema RUG

00:11:32.540 --> 00:11:34.260
sui dati personali e aziendali

00:11:34.260 --> 00:11:36.360
basato sulla ricerca vettoriale.

00:11:37.400 --> 00:11:38.600
Mantenere tutto sincronizzato.

00:11:38.680 --> 00:11:39.400
L'ETL è vettoriale.

00:11:39.920 --> 00:11:40.880
Ora ecco la sfida pratica.

00:11:41.500 --> 00:11:42.200
I dati cambiano

00:11:42.200 --> 00:11:43.420
i documenti vengono aggiornati

00:11:43.420 --> 00:11:44.420
nuovi prodotti aggiunti

00:11:44.420 --> 00:11:45.780
vecchie policy archiviate

00:11:45.780 --> 00:11:47.560
ogni volta che i dati sorgenti cambiano

00:11:47.560 --> 00:11:48.880
anche i vettori devono cambiare.

00:11:49.400 --> 00:11:50.360
E' qui che entra in gioco l'ETL.

00:11:50.740 --> 00:11:51.780
ETL sta per estazione

00:11:51.780 --> 00:11:52.740
trasformazione e caricamento.

00:11:52.740 --> 00:11:53.980
Per i database vettoriali

00:11:53.980 --> 00:11:54.980
il processo funziona così.

00:11:55.760 --> 00:11:56.960
Prima estrai documenti nuovi

00:11:56.960 --> 00:11:58.020
o modificati dalla fonte

00:11:58.020 --> 00:11:59.340
magari un blob storage

00:11:59.340 --> 00:12:00.380
o una libreria SharePoint

00:12:00.380 --> 00:12:01.360
o un database SQL.

00:12:02.320 --> 00:12:03.040
Poi li trasformi

00:12:03.040 --> 00:12:03.800
suddividendo il testo

00:12:03.800 --> 00:12:04.560
in pezzi gestibili

00:12:04.560 --> 00:12:05.420
e passando ogni pezzo

00:12:05.420 --> 00:12:07.000
attraverso il tuo modello di embedding.

00:12:08.280 --> 00:12:09.860
Infine carichi i vettori risultanti

00:12:09.860 --> 00:12:10.720
nel tuo vector store

00:12:10.720 --> 00:12:11.700
con metadati come

00:12:11.700 --> 00:12:12.680
URL sorgente

00:12:12.680 --> 00:12:14.000
timestamp versione

00:12:14.000 --> 00:12:15.240
del modello usata.

00:12:16.000 --> 00:12:16.720
La best practice qui

00:12:16.720 --> 00:12:17.900
è elaborare in modo incrementale.

00:12:18.340 --> 00:12:19.200
Non rieseguire l'embedding

00:12:19.200 --> 00:12:19.980
dell'intero corpus

00:12:19.980 --> 00:12:21.120
ogni volta che qualcosa cambia.

00:12:21.120 --> 00:12:22.240
Elabora solo i documenti

00:12:22.240 --> 00:12:23.220
effettivamente modificati.

00:12:23.860 --> 00:12:24.660
Traccia quale versione

00:12:24.660 --> 00:12:25.480
del modello ha generato

00:12:25.480 --> 00:12:26.040
ogni embedding.

00:12:26.140 --> 00:12:26.960
Se aggiorni il modello

00:12:26.960 --> 00:12:27.680
i vecchi vettori

00:12:27.680 --> 00:12:28.780
diventeranno incompatibili.

00:12:29.680 --> 00:12:30.500
E tini d'occhio costa.

00:12:30.840 --> 00:12:31.540
Le IP di embedding

00:12:31.540 --> 00:12:32.240
si pagano a token

00:12:32.240 --> 00:12:33.300
quindi elaborare milioni

00:12:33.300 --> 00:12:33.760
di documenti

00:12:33.760 --> 00:12:34.560
può diventare costoso.

00:12:35.140 --> 00:12:35.480
In Azure

00:12:35.480 --> 00:12:36.460
un flusso di lavoro tipico

00:12:36.460 --> 00:12:36.860
è lineare.

00:12:37.360 --> 00:12:38.160
Carica i tuoi documenti

00:12:38.160 --> 00:12:38.760
nel blob story.

00:12:38.760 --> 00:12:40.100
Poi configura

00:12:40.100 --> 00:12:40.700
un indicizzatore

00:12:40.700 --> 00:12:41.400
di Azure Eye Search

00:12:41.400 --> 00:12:42.580
con un set di skill integrato

00:12:42.580 --> 00:12:43.540
che gestisce chunking

00:12:43.540 --> 00:12:44.060
ed embedding

00:12:44.060 --> 00:12:44.880
automaticamente.

00:12:45.880 --> 00:12:46.780
Microsoft fornisce

00:12:46.780 --> 00:12:47.700
la skill di suddivisione

00:12:47.700 --> 00:12:48.640
testo per il chunking

00:12:48.640 --> 00:12:49.520
e la skill di embedding

00:12:49.520 --> 00:12:50.200
di Azure OpenAI

00:12:50.200 --> 00:12:51.440
per la generazione vettoriale.

00:12:51.980 --> 00:12:53.440
L'indicizzatore gira intervalli

00:12:53.440 --> 00:12:54.340
rileva i nuovi file

00:12:54.340 --> 00:12:54.760
li elabora

00:12:54.760 --> 00:12:55.560
e inserisce o aggiorna

00:12:55.560 --> 00:12:56.520
i vettori nell'indice.

00:12:57.060 --> 00:12:58.580
Nessun codice personalizzato necessario.

00:12:58.980 --> 00:12:59.800
Ecco un errore comune

00:12:59.800 --> 00:13:00.780
ignorare i metadati.

00:13:01.420 --> 00:13:02.200
Ogni vettore necessita

00:13:02.200 --> 00:13:03.140
di riferimento alla fonte

00:13:03.140 --> 00:13:03.820
nome e versione

00:13:03.820 --> 00:13:04.720
del modello di embedding

00:13:04.720 --> 00:13:05.700
e timestamp di creazione.

00:13:06.260 --> 00:13:06.580
Senza

00:13:06.580 --> 00:13:07.140
non puoi tracciare

00:13:07.140 --> 00:13:08.260
la provenienza di un risultato

00:13:08.260 --> 00:13:08.860
non puoi rieseguire

00:13:08.860 --> 00:13:10.080
l'embedding con modelli diversi

00:13:10.080 --> 00:13:11.420
e avrai problemi negli audit.

00:13:12.180 --> 00:13:12.860
Tratta i tuoi vettori

00:13:12.860 --> 00:13:13.560
come qualsiasi altro

00:13:13.560 --> 00:13:14.180
dato aziendale

00:13:14.180 --> 00:13:15.160
tracciando le linee derivazioni.

00:13:16.180 --> 00:13:16.840
Passi mi passi.

00:13:17.340 --> 00:13:17.500
Allora

00:13:17.500 --> 00:13:18.680
sei pronto a provare di persona?

00:13:19.660 --> 00:13:20.100
Il semplice.

00:13:20.540 --> 00:13:21.340
Apri il portale Azure

00:13:21.340 --> 00:13:22.120
e crea una risorsa

00:13:22.120 --> 00:13:22.960
di Azure Eye Search.

00:13:23.460 --> 00:13:24.280
Quindi abilita la ricerca

00:13:24.280 --> 00:13:25.380
vettoriale sull'indice sistema.

00:13:25.880 --> 00:13:26.800
Carica alcuni documenti

00:13:26.800 --> 00:13:27.820
scegli un modello di embedding

00:13:27.820 --> 00:13:29.020
ed esegui una query di similarità.

00:13:29.560 --> 00:13:30.240
Vedrai che funzionerà

00:13:30.240 --> 00:13:30.760
in meno di un'ora.

00:13:31.080 --> 00:13:31.880
Per gli sviluppatori

00:13:31.880 --> 00:13:33.200
prendete l'SDK a Python

00:13:33.200 --> 00:13:34.420
e incorporate alcuni documenti

00:13:34.420 --> 00:13:35.320
usando Azure OpenAI

00:13:35.320 --> 00:13:36.380
archiviateli nella ricerca

00:13:36.380 --> 00:13:37.440
vettoriale di Cosmos DB

00:13:37.440 --> 00:13:38.320
e scrivete una query

00:13:38.320 --> 00:13:39.400
che trovi la corrispondenza

00:13:39.400 --> 00:13:39.940
più vicina.

00:13:40.720 --> 00:13:41.380
Microsoft fornisce

00:13:41.380 --> 00:13:42.240
esempi di codici chiari

00:13:42.240 --> 00:13:42.820
e documentazione

00:13:42.820 --> 00:13:43.780
per guidarvi passo dopo passo.

00:13:43.940 --> 00:13:44.800
Non è necessario diventare

00:13:44.800 --> 00:13:45.580
scienziati dei dati

00:13:45.580 --> 00:13:46.900
per usare i database vettoriali.

00:13:47.000 --> 00:13:47.880
Gli strumenti Microsoft

00:13:47.880 --> 00:13:48.980
gestiscono la generazione

00:13:48.980 --> 00:13:49.640
degli embedding,

00:13:49.780 --> 00:13:50.420
l'indicizzazione

00:13:50.420 --> 00:13:51.200
e la logica delle query.

00:13:51.540 --> 00:13:52.200
Il vostro unico compito

00:13:52.200 --> 00:13:53.040
è comprendere il concetto

00:13:53.040 --> 00:13:53.960
e puntare gli strumenti

00:13:53.960 --> 00:13:54.960
verso i vostri dati.

00:13:55.600 --> 00:13:56.120
Ecco una sfida.

00:13:56.520 --> 00:13:57.120
Pensate al problema

00:13:57.120 --> 00:13:58.200
di ricerca che affrontate oggi.

00:13:58.660 --> 00:13:59.200
Forse si tratta

00:13:59.200 --> 00:14:00.380
di trovare documenti interni,

00:14:00.440 --> 00:14:01.600
cercare in un catalogo prodotti

00:14:01.600 --> 00:14:02.400
o rispondere alle domande

00:14:02.400 --> 00:14:02.840
dei clienti

00:14:02.840 --> 00:14:03.540
da una knowledge base.

00:14:04.000 --> 00:14:04.720
La ricerca vettoriale

00:14:04.720 --> 00:14:05.040
farà meglio

00:14:05.040 --> 00:14:05.680
della corrispondenza

00:14:05.680 --> 00:14:06.260
per parole chiare.

00:14:07.540 --> 00:14:08.760
Scegliete un piccolo set di dati

00:14:08.760 --> 00:14:09.860
e anche solo 100 documenti

00:14:09.860 --> 00:14:10.540
e fate una prova.

00:14:11.240 --> 00:14:12.000
Sentirete la differenza

00:14:12.000 --> 00:14:12.380
fin da su.

00:14:13.760 --> 00:14:14.480
Quindi ora capite

00:14:14.480 --> 00:14:15.160
cosa sono realmente

00:14:15.160 --> 00:14:16.060
i database vettoriali.

00:14:16.460 --> 00:14:18.040
Non sono una misteriosa tecnologia AI,

00:14:18.220 --> 00:14:18.780
sono solo un modo

00:14:18.780 --> 00:14:19.400
per archiviare

00:14:19.400 --> 00:14:20.300
e cercare il significato

00:14:20.300 --> 00:14:20.860
dei vostri dati

00:14:20.860 --> 00:14:21.700
invece delle parole esatte.

00:14:22.280 --> 00:14:23.560
Alimentano la ricerca intelligente

00:14:23.560 --> 00:14:24.480
e le funzionalità di AI

00:14:24.480 --> 00:14:26.020
all'interno di Microsoft 305

00:14:26.020 --> 00:14:26.820
e Azure Ecopilot.

00:14:27.260 --> 00:14:28.320
Ogni volta che fate una domanda

00:14:28.320 --> 00:14:29.500
e ottenete una risposta pertinente

00:14:29.500 --> 00:14:30.000
da qualche parte

00:14:30.000 --> 00:14:30.860
un database vettoriale

00:14:30.860 --> 00:14:31.700
ha trovato la corrispondenza

00:14:31.700 --> 00:14:32.700
più vicina alla vostra query.

00:14:33.440 --> 00:14:34.580
I vostri fatti strutturati,

00:14:34.660 --> 00:14:35.240
i nomi dei clienti,

00:14:35.320 --> 00:14:35.920
i importi degli ordini,

00:14:36.000 --> 00:14:36.700
i conteggi dell'inventario,

00:14:36.800 --> 00:14:37.440
quelli risiedono ancora

00:14:37.440 --> 00:14:38.540
nei database tradizionali.

00:14:38.940 --> 00:14:39.860
I database vettoriali

00:14:39.860 --> 00:14:41.200
aggiungono il livello di comprensione.

00:14:41.560 --> 00:14:42.560
Permettono alla vostra applicazione

00:14:42.560 --> 00:14:43.580
di cercare per significato,

00:14:43.660 --> 00:14:44.560
per intento, per contesto.

00:14:44.900 --> 00:14:45.700
Questo è il quadro generale.

00:14:46.040 --> 00:14:47.380
Iscrivetevi per ulteriori spiegazioni

00:14:47.380 --> 00:14:48.800
semplici delle tecnologie Microsoft.

00:14:48.800 --> 00:14:50.100
La prossima volta vedremo

00:14:50.100 --> 00:14:50.940
come funzionano realmente

00:14:50.940 --> 00:14:51.620
le pipeline reg

00:14:51.620 --> 00:14:52.620
e come poterne costruire

00:14:52.620 --> 00:14:53.520
in un pomeriggio.

00:14:53.880 --> 00:14:54.540
Grazie per l'ascosta.
