WEBVTT

00:00:00.000 --> 00:00:04.640
Cześć wszystkim, witajcie w kolejnym odcinku Pigułek Wiedzy Microsoft na kanale M365FM.

00:00:04.820 --> 00:00:06.780
Nazywam się Mirko Peters i będę Waszym gospodarzem.

00:00:06.940 --> 00:00:10.720
Tematem dzisiejszego odcinka jest coś, o czym słyszał prawie każdy, ale niewielu tak naprawdę rozumie.

00:00:10.940 --> 00:00:11.960
Bazy danych wektorowych.

00:00:12.140 --> 00:00:16.540
Prawdopodobnie widzieliście ten termin w artykułach o sztucznej inteligencji lub słyszeliście go w rozmowach o kopilocie i szapt.

00:00:16.660 --> 00:00:18.620
Ale czym dokładniej jest baza danych wektorowych?

00:00:18.760 --> 00:00:21.100
Czy to tylko zwykła baza danych z bardziej wymyślną nazwą?

00:00:21.220 --> 00:00:22.480
Czy może coś zupełnie innego?

00:00:22.480 --> 00:00:28.480
Co? Wyobraźcie sobie, że szukacie w sklepie internetowym czerwonej kurtki i otrzymujecie wyniki z karmazynowym płaszczem oraz bordową odzieżą wierzchnią.

00:00:28.720 --> 00:00:30.340
Skąd komputer wie, że to to samo?

00:00:30.540 --> 00:00:32.080
Nie dopasowuje słów kluczowych.

00:00:32.420 --> 00:00:34.840
Karmazynowy to nie czerwony, a płaszcz to nie kurtka.

00:00:35.060 --> 00:00:39.280
Mimo to wyszukiwarka rozumie, że są ze sobą powiązane i właśnie tak działa wyszukiwanie wektorowe.

00:00:39.460 --> 00:00:46.540
Pod koniec tego odcinka zrozumiecie, czym właściwie są bazy danych wektorowych, dlaczego napędzają wyszukiwanie, a i kopilota oraz jak wpisują się w chmurę Microsoft.

00:00:46.940 --> 00:00:48.340
Wyjaśnimy to w prosty sposób.

00:00:48.340 --> 00:00:51.500
Bez matematyki, bez żargonu, tylko jasne podstawy.

00:00:51.640 --> 00:00:52.960
Czym właściwie jest wektor?

00:00:53.340 --> 00:00:54.920
Zacznijmy od kluczowego pytania.

00:00:55.120 --> 00:00:56.340
Czym dokładnie jest wektor?

00:00:56.540 --> 00:01:01.540
Gdy większość ludzi słyszy słowo wektor, wyobraża sobie strzałkę z lekcji fizyki, wskazującą kierunek i zwrot.

00:01:01.680 --> 00:01:03.540
W informatyce jest to znacznie prostsze.

00:01:03.740 --> 00:01:05.760
Wektor to tak naprawdę po prostu lista liczb.

00:01:05.860 --> 00:01:09.240
Jednowymiarowa tablica, która reprezentuje coś w formacie, z którym komputer może pracować.

00:01:09.440 --> 00:01:11.320
Oto praktyczny sposób, by to sobie wyobrazić.

00:01:11.320 --> 00:01:16.600
Jeśli powiedziałbym Wam, żebyście spotkali się ze mną na trzecim piętrze, w skrzydle B, w pokoju 12, to trzy liczby opisujące konkretną lokalizację.

00:01:16.720 --> 00:01:19.840
To trójwymiarowy wektor informujący dokładnie, gdzie coś znajduje się w budynku.

00:01:20.020 --> 00:01:22.180
Teraz wyobraźcie sobie, że dodaję więcej szczegółów.

00:01:22.300 --> 00:01:24.320
Kolor drzwi, wielkość pokoju, cena za metr kwadratowy.

00:01:25.100 --> 00:01:27.100
Każdy nowy szczegół staje się kolejnym wymiarem.

00:01:27.340 --> 00:01:31.000
Więc im więcej wymiarów dodasz, tym więcej informacji możesz uchwycić na temat danej rzeczy.

00:01:31.280 --> 00:01:35.140
Samochód można opisać za pomocą prędkości przebiegu, ceny, masy i oceny bezpieczeństwa.

00:01:35.260 --> 00:01:36.580
To wektor pięciowymiarowy.

00:01:36.580 --> 00:01:40.420
Produkt może być opisany przez setki cech, co daje wektor wysokowymiarowy.

00:01:40.620 --> 00:01:41.520
W tym właśnie rzecz.

00:01:41.700 --> 00:01:44.560
Wektory pozwalają nam zamienić rzeczy na liczby, które komputery mogą porównywać.

00:01:44.780 --> 00:01:47.900
Słowa, obrazy, dźwięki, dokumenty, wszystko może stać się listą liczb.

00:01:47.940 --> 00:01:51.520
Gdy wszystko jest już liczbami, można zacząć mierzyć, jak bardzo podobne są do siebie dwie rzeczy.

00:01:51.760 --> 00:01:55.760
Dwa pokoje na tym samym piętrze z podobnymi kolorami drzwi znajdą się blisko siebie w przestrzeni wektorowej.

00:01:55.920 --> 00:01:58.360
Produkty o podobnych cechach również będą się grupować.

00:01:58.520 --> 00:02:01.880
Ta prosta koncepcja sprawia, że nowoczesne wyszukiwanie AI jest możliwe.

00:02:01.880 --> 00:02:04.720
Od wektorów do osadzeń nie wszystkie wektory są takie same.

00:02:04.720 --> 00:02:08.280
Istnieje specjalny rodzaj zwany embeddingiem i to właśnie w nim tkwi prawdziwa moc.

00:02:08.460 --> 00:02:09.960
Czym więc dokładnie jest embedding?

00:02:10.120 --> 00:02:12.260
Embedding to wektor, który reprezentuje znaczenie.

00:02:12.540 --> 00:02:18.920
Model uczenia maszynowego, taki jak Azure OpenAI, tekst EMBEDD i NG3Small odczytuje tekst i umieszcza go w przestrzeni wielowymiarowej.

00:02:19.160 --> 00:02:22.900
Model uczył się na miliardach przykładów, więc rozumie relacje między słowami.

00:02:23.080 --> 00:02:26.700
Król i królowa znajdują się blisko siebie, ponieważ dzielą podobny kontekst.

00:02:26.860 --> 00:02:29.760
Król i kawa znajdują się daleko od siebie, ponieważ go nie dzielą.

00:02:29.760 --> 00:02:31.800
Oto co to oznacza w prostym języku.

00:02:32.020 --> 00:02:35.340
Gdy szukasz czerwonej kurtki, system znajduje szkarłatny płaszcz.

00:02:35.740 --> 00:02:41.300
Model embeddingowy rozpoznaje, że czerwony i szkarłatny mają zbliżone znaczenie, podobnie jak kurtka i płaszcz.

00:02:41.440 --> 00:02:44.880
Embeddingi dla tych dwóch fraz stają się sąsiadami w przestrzeni wektorowej.

00:02:45.060 --> 00:02:47.000
Komputer nie dopasowuje już tylko liter.

00:02:47.300 --> 00:02:48.400
Dopasowuje znaczenie.

00:02:48.660 --> 00:02:50.640
Pozwólcie, że podam klasyczny przykład.

00:02:50.920 --> 00:02:55.020
Weź wektor dla króla, odejmij wektor dla mężczyzny i dodaj wektor dla kobiety.

00:02:55.320 --> 00:02:57.820
Wynik jest bardzo zbliżony do wektora dla królowej.

00:02:57.820 --> 00:03:00.460
Król minus mężczyzna plus kobieta równa się królowa.

00:03:00.680 --> 00:03:05.040
Może to brzmieć jak magia, ale w rzeczywistości model w ten sposób przekłada relacje na liczby.

00:03:05.280 --> 00:03:12.180
Nauczył się, że król i królowa dzielą relację podobną do mężczyzny i kobiety, a ta relacja jest zakodowana w współrzędnych.

00:03:12.620 --> 00:03:19.580
Modele embeddingowe przyjmują surowy dany tekst, obrazy lub dźwięk i zamieniają je na listę liczb reprezentujących ich znaczenie.

00:03:19.860 --> 00:03:22.820
Liczby te stają się współrzędnymi w przestrzeni wielowymiarowej.

00:03:23.040 --> 00:03:26.920
Następnie, gdy wyszukujesz, twoje zapytanie jest przekształcane w ten sam rodzaj współrzędnych.

00:03:26.920 --> 00:03:29.080
Wystarczy tylko zmierzyć odległość między nimi.

00:03:29.240 --> 00:03:30.220
To jest główna idea.

00:03:30.540 --> 00:03:32.340
Dlaczego tradycyjne bazy danych zawodzą?

00:03:32.540 --> 00:03:35.840
Jeśli embeddingi są tak potężne, dlaczego nie możemy użyć zwykłej bazy danych?

00:03:36.080 --> 00:03:36.940
Odpowiedzmy na to.

00:03:37.120 --> 00:03:39.920
Tradycyjne bazy danych SQL są stworzone do dokładnych dopasowań.

00:03:40.600 --> 00:03:45.520
Piszesz, gdzie kolor równa się czerwony i znajduje każdy wiersz, w którym kolumna koloru dosłownie zawiera słowo czerwony.

00:03:45.740 --> 00:03:50.080
Działa to świetnie dla danych strukturalnych, takich jak nazwiska klientów, daty zamówień czy ceny produktów,

00:03:50.160 --> 00:03:52.500
ale zupełnie zawodzi, gdy potrzebujesz nieostrego znaczenia.

00:03:52.500 --> 00:03:57.860
Spróbuj napisać zapytanie SQL, które znajdziesz karłatny płaszcz, gdy w danych masz tylko bordową kurtkę.

00:03:58.080 --> 00:04:00.540
Nie możesz, ponieważ SQL nie rozumie pojęć.

00:04:00.700 --> 00:04:03.860
Tradycyjne bazy danych przechowują dane w wierszach i kolumnach.

00:04:04.100 --> 00:04:07.860
Są zoptymalizowane pod kątem łączeń, agregacji i dokładnych wyszukiwań.

00:04:08.020 --> 00:04:10.280
Nie wiedzą, że samochód i auto to to samo.

00:04:10.500 --> 00:04:13.460
Nie wiedzą, że podekscytowany i zachwycony to podobne emocje.

00:04:13.800 --> 00:04:15.440
Dopasowują po prostu ciągi znaków.

00:04:15.540 --> 00:04:19.540
A jeśli dane są niestrukturalne, jak pliki PDF, obrazy, nagrania audio czy długie dokumenty,

00:04:19.620 --> 00:04:23.460
tradycyjne bazy mogą je przechowywać jako obiekt typu blob, ale nie potrafią przeszukać ich zawartości.

00:04:23.640 --> 00:04:27.340
Potrzebne byłoby wyszukiwanie pełnotekstowe, które wciąż opiera się na dopasowywaniu słów kluczowych.

00:04:27.540 --> 00:04:30.980
Jeśli użytkownik wpisze raport budżetowy, a w dokumencie widnieje podsumowanie finansowe,

00:04:31.080 --> 00:04:32.960
wyszukiwanie słów kluczowych całkowicie to pominie.

00:04:33.100 --> 00:04:34.200
Pomyśl o tym w ten sposób.

00:04:34.480 --> 00:04:36.400
Zwykła baza danych jest jak szafka na dokumenty.

00:04:36.400 --> 00:04:39.320
Musisz znać dokładną nazwę pliku, aby znaleźć to, czego szukasz.

00:04:39.520 --> 00:04:42.400
Baza wektorowa jest jak bibliotekarz, który rozumie, o co Ci chodzi.

00:04:42.640 --> 00:04:45.680
Możesz powiedzieć, potrzebuje dokumentu o wydatkach z ostatniego kwartału,

00:04:45.800 --> 00:04:47.960
a bibliotekarz wie dokładnie, który folder wyciągnąć,

00:04:48.060 --> 00:04:51.040
nawet jeśli jest opisany jako podsumowanie finansowe za trzeci kwartał.

00:04:51.340 --> 00:04:53.680
Bibliotekarz rozumie intencje, a nie tylko etykiety.

00:04:53.940 --> 00:04:55.960
Dlatego właśnie istnieją bazy danych wektorowych.

00:04:56.160 --> 00:04:58.400
Przechowują one osadzenia, czyli wektory oddające znaczenie

00:04:58.400 --> 00:05:01.400
i indeksują je w sposób umożliwiający szybkie wyszukiwanie podobieństw.

00:05:01.540 --> 00:05:03.500
Nie zastępują one tradycyjnych baz danych.

00:05:03.500 --> 00:05:06.920
Dodają one warstwę zrozumienia, a ta warstwa zmienia wszystko.

00:05:07.140 --> 00:05:10.280
Dodają one warstwę zrozumienia, a ta warstwa zmienia wszystko.

00:05:10.540 --> 00:05:12.300
Jak działają bazy danych wektorowych?

00:05:12.520 --> 00:05:14.060
Jak to wszystko działa za kulisami?

00:05:14.240 --> 00:05:17.120
Przejdźmy przez dwie główne fazy – wczytywanie i zapytanie.

00:05:17.340 --> 00:05:19.160
Wczytywanie to faza konfiguracji.

00:05:19.400 --> 00:05:22.780
Bierzesz surowe dane, opisy produktów, zgłoszenia do pomocy technicznej,

00:05:22.900 --> 00:05:24.860
dokumenty wewnętrzne, cokolwiek masz

00:05:24.860 --> 00:05:27.440
i przepuszczasz każdy element przez model osadzania.

00:05:27.700 --> 00:05:30.580
Ten model zamienia tekst w wektor, czyli listę liczb,

00:05:30.580 --> 00:05:32.060
która oddaje jego znaczenie.

00:05:32.060 --> 00:05:35.160
Następnie zapisujesz ten wektor w bazie wraz z metadanymi,

00:05:35.240 --> 00:05:38.980
oryginalnym tekstem, znacznikiem czasu, kategorią czy adresem źródłowym.

00:05:39.180 --> 00:05:40.640
A teraz najsprytniejsza część.

00:05:40.900 --> 00:05:44.420
Gdybyś miał milion dokumentów, sprawdzanie każdego wektora z osobna trwałoby wieczność.

00:05:44.660 --> 00:05:47.360
Dlatego bazy danych używają czegoś, co nazywamy indeksowaniem.

00:05:47.540 --> 00:05:50.100
Pomyśl o indeksowaniu jak o tworzeniu mapy przestrzeni wektorowej

00:05:50.100 --> 00:05:51.900
zamiast pukania do każdych drzwi z osobna.

00:05:52.120 --> 00:05:54.320
Dwie powszechne metody to IVF i HNSW.

00:05:54.480 --> 00:05:56.560
IVF oznacza odwrócony indeks plikowy.

00:05:56.560 --> 00:05:58.980
Działa poprzez grupowanie podobnych wektorów w klastry.

00:05:58.980 --> 00:06:01.600
Podczas wyszukiwania, zamiast przeszukiwać wszystkie miliony wektorów,

00:06:01.720 --> 00:06:03.340
sprawdzasz tylko najbardziej obiecujące klastry.

00:06:03.480 --> 00:06:05.160
To jak szukanie książki w bibliotece.

00:06:05.360 --> 00:06:08.200
Idziesz prosto do odpowiedniego działu, zamiast przeglądać każdą półkę.

00:06:08.420 --> 00:06:10.860
HNSW oznacza hierarchiczny graf małych światów.

00:06:11.000 --> 00:06:12.740
Ten pomysł jest całkiem elegancki.

00:06:12.980 --> 00:06:15.120
Buduje on wielowarstwową mapę twoich wektorów.

00:06:15.300 --> 00:06:17.440
Górna warstwa zawiera kilka reprezentatywnych wektorów,

00:06:17.540 --> 00:06:19.120
które dają ogólne rozeznanie, gdzie co jest.

00:06:19.300 --> 00:06:21.440
Każda kolejna warstwa w dół jest bardziej szczegółowa.

00:06:21.640 --> 00:06:22.980
Podczas wyszukiwania zaczynasz od góry,

00:06:22.980 --> 00:06:25.860
znajdujesz ogólne sąsiedztwo, a następnie drążysz warstwa po warstwie,

00:06:25.980 --> 00:06:27.220
aż trafisz na dokładne dopasowanie.

00:06:27.420 --> 00:06:29.820
To jak użycie najpierw mapy miasta, potem mapy dzielnicy,

00:06:29.940 --> 00:06:30.920
a na końcu planu ulic.

00:06:31.080 --> 00:06:32.780
Każdy kolejny krok przybliża cię do celu.

00:06:32.980 --> 00:06:36.020
Rezultatem jest możliwość przeszukiwania milionów wektorów w milisekundach.

00:06:36.140 --> 00:06:38.640
To właśnie napędza funkcje, a i działające w czasie rzeczywistym.

00:06:38.840 --> 00:06:41.560
Gdy wpisujesz pytanie w kopilota i w kilka sekund otrzymujesz odpowiedź,

00:06:41.640 --> 00:06:43.320
gdzieś w tle baza wektorowa właśnie przeprowadziła

00:06:43.320 --> 00:06:45.740
wyszukiwanie podobieństwa w tysiącach lub milionach dokumentów.

00:06:45.740 --> 00:06:48.240
Faza zapytania działa w odwrotną stronę w ten sam sposób.

00:06:48.440 --> 00:06:49.520
Wpisujesz swoje pytanie.

00:06:49.700 --> 00:06:52.880
Pytanie to zostaje przekształcone w wektor przy użyciu tego samego modelu osadzeń.

00:06:53.080 --> 00:06:54.940
Następnie baza danych odnajduje najbliższych sąsiadów

00:06:54.940 --> 00:06:56.820
twojego wektora zapytania, korzystając z indeksu.

00:06:57.040 --> 00:06:59.760
Zwraca najbardziej zbliżone wyniki uszeregowane według odległości.

00:07:00.020 --> 00:07:03.080
Im bliżej siebie znajdują się wektory, tym bardziej trafny jest wynik.

00:07:03.220 --> 00:07:05.460
Ekosystem Microsoft, w którym żyją wektory.

00:07:05.720 --> 00:07:07.760
Gdzie więc to wszystko znajduje się w świecie Microsoft?

00:07:08.020 --> 00:07:09.500
Krótka odpowiedź brzmi – wszędzie.

00:07:09.720 --> 00:07:11.840
Microsoft dodaje obsługę wektorów do platform danych,

00:07:11.840 --> 00:07:13.880
z których już korzystasz, zamiast zmuszać cię do używania

00:07:13.880 --> 00:07:15.480
oddzielnej, wyspecjalizowanej bazy danych.

00:07:15.640 --> 00:07:17.180
Przejdźmy przez najważniejsze z nich.

00:07:17.360 --> 00:07:19.860
Azure AI Search to najpopularniejszy magazyn wektorowy

00:07:19.860 --> 00:07:21.620
dla rozwiązań RAC klasy korporacyjnej.

00:07:21.760 --> 00:07:23.640
To znaczy Retrival Augmented Generation.

00:07:23.920 --> 00:07:26.720
Obsługuje wyszukiwanie hybrydowe, co oznacza połączenie tradycyjnego

00:07:26.720 --> 00:07:29.060
dopasowywania słów kluczowych z podobieństwem wektorowym.

00:07:29.300 --> 00:07:30.240
Dlaczego to jest ważne?

00:07:30.440 --> 00:07:32.780
Ponieważ niektóre wyszukiwania działają najlepiej dzięki słowom kluczowym,

00:07:32.880 --> 00:07:35.060
kodom produktów, nazwom czy datom, podczas gdy inne wymagają

00:07:35.060 --> 00:07:36.000
zrozumienia semantycznego.

00:07:36.000 --> 00:07:38.300
Wyszukiwanie hybrydowe oferuje obie te możliwości.

00:07:38.480 --> 00:07:41.180
Azure AI Search zawiera także zintegrowaną wektoryzację,

00:07:41.280 --> 00:07:44.240
więc możesz skonfigurować potok, który automatycznie dzieli dokumenty,

00:07:44.340 --> 00:07:47.040
generuje osadzenia i indeksuje je bez pisania własnego kodu.

00:07:47.240 --> 00:07:49.620
Cosmos DB posiada teraz natywne wyszukiwanie wektorowe

00:07:49.620 --> 00:07:50.880
z indeksowaniem Disk-Anne.

00:07:50.920 --> 00:07:53.640
Disk-Anne oznacza wyszukiwanie przybliżonych najbliższych sąsiadów na dysku

00:07:53.640 --> 00:07:56.140
i jest zaprojektowane dla opóźnień poniżej 20 milisekund

00:07:56.140 --> 00:07:57.140
nawet przy ogromnej skali.

00:07:57.300 --> 00:07:59.180
To świetne rozwiązanie dla danych operacyjnych,

00:07:59.300 --> 00:08:00.740
które już znajdują się w Cosmos DB.

00:08:01.040 --> 00:08:02.840
Załóżmy, że budujesz aplikację e-commerce

00:08:06.000 --> 00:08:09.420
bezpośrednio do katalogu produktów bez przenoszenia danych do oddzielnej usługi.

00:08:09.600 --> 00:08:11.360
Klient szuka lekkich butów letnich,

00:08:11.480 --> 00:08:14.140
a Twoja aplikacja znajduje produkty o podobnych opisach

00:08:14.140 --> 00:08:15.960
bezpośrednio w istniejącej bazie danych.

00:08:16.180 --> 00:08:20.440
Azure SQL Server 2025 i Azure SQL Database również dołączyły do tego grona.

00:08:20.680 --> 00:08:22.340
Zawierają teraz natywny typ danych wektorowych

00:08:22.340 --> 00:08:24.100
oraz funkcje takie jak wyszukiwanie wektorowe.

00:08:24.280 --> 00:08:26.600
Oznacza to, że możesz przechowywać osadzenia bezpośrednio

00:08:26.600 --> 00:08:27.840
obok swoich danych relacyjnych.

00:08:28.020 --> 00:08:30.620
Rekordy klientów z wektorowymi reprezentacjami preferencji,

00:08:30.620 --> 00:08:32.620
pozycje w magazynie z wektorowymi opisami,

00:08:32.620 --> 00:08:35.180
zgłoszenia pomocy z wektorowymi osadzeniami ich treści.

00:08:35.400 --> 00:08:37.240
Nie potrzebujesz oddzielnej bazy wektorowej.

00:08:37.420 --> 00:08:39.820
Twoje dotychczasowe umiejętności SQL pozostają w użyciu.

00:08:40.020 --> 00:08:41.240
Wystarczy dodać kolumnę wektorową,

00:08:41.360 --> 00:08:43.580
stworzyć indeks i rozpocząć wyszukiwanie według podobieństwa.

00:08:43.760 --> 00:08:46.060
Oto jak Copilot wykorzystuje to od strony technicznej.

00:08:46.240 --> 00:08:47.940
Kiedy pytasz, pokaż mi raport sprzedaży

00:08:47.940 --> 00:08:49.440
za trzeci kwartał z zeszłego roku,

00:08:49.560 --> 00:08:51.080
Copilot nie szuka dokładnej frazy

00:08:51.080 --> 00:08:52.880
raport sprzedaży za trzeci kwartał.

00:08:53.020 --> 00:08:54.520
Konwertuje Twoje pytanie na wektor,

00:08:54.660 --> 00:08:56.200
przeszukuje zindeksowane dokumenty,

00:08:56.200 --> 00:08:58.480
e-maile, pliki SharePoint, dokumenty OnDrive,

00:08:58.640 --> 00:09:00.140
czaty, Teams i znajduje dokument,

00:09:00.140 --> 00:09:02.660
którego osadzenie jest najbliższe Twojemu zapytaniu.

00:09:02.920 --> 00:09:03.940
Może znaleźć plik o nazwie

00:09:03.940 --> 00:09:06.300
Podsumowanie finansowe za trzeci kwartał 2024,

00:09:06.800 --> 00:09:07.880
ponieważ znaczenie się zgadza,

00:09:07.980 --> 00:09:08.900
mimo że dokładne słowa nie.

00:09:09.080 --> 00:09:10.760
Tak właśnie działa wyszukiwanie wektorowe.

00:09:10.960 --> 00:09:12.300
Kluczowym spostrzeżeniem jest tutaj

00:09:12.300 --> 00:09:13.340
strategia firmy Microsoft.

00:09:13.680 --> 00:09:14.220
Zamiast mówić,

00:09:14.340 --> 00:09:15.800
kup specjalistyczną bazę wektorową,

00:09:15.940 --> 00:09:17.600
dodają możliwości wektorowe do narzędzi,

00:09:17.720 --> 00:09:18.600
których już używasz.

00:09:18.620 --> 00:09:20.860
Azure AI Search, Cosmos DB, SQL Server,

00:09:21.000 --> 00:09:22.560
wszystkie one obsługują teraz wektory.

00:09:22.560 --> 00:09:24.420
Nie musisz uczyć się nowego systemu.

00:09:24.560 --> 00:09:26.200
Wystarczy, że zrozumiesz koncepcję,

00:09:26.320 --> 00:09:28.520
a Microsoft zajmie się całą ciężką pracą.

00:09:28.520 --> 00:09:30.320
Rzeczywiste zastosowania w AI.

00:09:30.640 --> 00:09:32.240
Gdzie więc dzisiaj w praktyce widzimy

00:09:32.240 --> 00:09:33.460
działanie baz wektorowych?

00:09:33.640 --> 00:09:35.380
Oto jak to wygląda w rzeczywistości.

00:09:35.600 --> 00:09:36.900
RAC to najważniejszy przykład.

00:09:37.160 --> 00:09:37.820
Skrót ten oznacza

00:09:37.820 --> 00:09:39.000
Retrival Augmented Generation

00:09:39.000 --> 00:09:39.800
i tak obecnie działa

00:09:39.800 --> 00:09:41.520
większość systemów AI w przedsiębiorstwach.

00:09:41.700 --> 00:09:42.860
Kiedy zadajesz hotbotowi pytanie,

00:09:42.980 --> 00:09:44.000
nie zgaduje on na podstawie

00:09:44.000 --> 00:09:45.060
swoich danych treningowych.

00:09:45.320 --> 00:09:46.840
Zamiast tego przeszukuje bazę wektorową

00:09:46.840 --> 00:09:48.300
w poszukiwaniu odpowiednich dokumentów,

00:09:48.420 --> 00:09:49.560
pobiera najbliższe dopasowania

00:09:49.560 --> 00:09:51.060
i przekazuje je modelowi językowemu

00:09:51.060 --> 00:09:51.700
jako kontekst.

00:09:51.880 --> 00:09:53.300
Następnie model buduje odpowiedź

00:09:53.300 --> 00:09:54.860
w oparciu o te konkretne dokumenty.

00:09:54.860 --> 00:09:56.180
Oznacza to dokładne odpowiedzi

00:09:56.180 --> 00:09:57.460
dotyczące zasad produktów

00:09:57.460 --> 00:09:58.500
lub danych twojej firmy.

00:09:58.700 --> 00:09:59.520
Bez baz wektorowych,

00:09:59.600 --> 00:10:00.780
a i zgadywałoby na podstawie

00:10:00.780 --> 00:10:01.980
ogólnej wiedzy z internetu.

00:10:02.180 --> 00:10:03.560
Dzięki nim korzysta bezpośrednio

00:10:03.560 --> 00:10:04.720
z twoich rzeczywistych plików.

00:10:04.900 --> 00:10:05.760
Silniki rekomendacji

00:10:05.760 --> 00:10:07.240
to kolejne ogromne pole zastosowań.

00:10:07.380 --> 00:10:08.520
Netflix, Amazon, YouTube

00:10:08.520 --> 00:10:10.080
wszystkie działają w ten sam sposób.

00:10:10.320 --> 00:10:11.700
Zamieniają użytkowników w wektory

00:10:11.700 --> 00:10:12.580
na podstawie zachowania

00:10:12.580 --> 00:10:13.860
tego, co oglądasz, kupujesz

00:10:13.860 --> 00:10:14.640
lub w co klikasz.

00:10:14.840 --> 00:10:16.260
Zamieniają też elementy w wektory

00:10:16.260 --> 00:10:18.080
na podstawie opisów, recenzji i cech.

00:10:18.220 --> 00:10:18.980
Następnie po prostu

00:10:18.980 --> 00:10:20.380
znajdują najbliższych sąsiadów.

00:10:20.380 --> 00:10:21.860
Jeśli twój wektor jest blisko

00:10:21.860 --> 00:10:23.400
wektora filmu, polecają ten film.

00:10:23.520 --> 00:10:24.720
To wyszukiwanie podobieństwa

00:10:24.720 --> 00:10:26.080
na masową skalę działające

00:10:26.080 --> 00:10:27.140
setki razy na sekundę

00:10:27.140 --> 00:10:28.280
dla każdego użytkownika.

00:10:28.520 --> 00:10:29.580
Wyszukiwanie semantyczne

00:10:29.580 --> 00:10:30.820
to trzecie duże zastosowanie.

00:10:31.020 --> 00:10:32.400
To wyszukiwanie według znaczenia,

00:10:32.600 --> 00:10:33.480
a nie słów kluczowych.

00:10:33.660 --> 00:10:34.840
Pracownik wsparcia wpisuje

00:10:34.840 --> 00:10:36.180
klient nie może się zalogować

00:10:36.180 --> 00:10:37.240
po zresetowaniu hasła

00:10:37.240 --> 00:10:38.640
i znajduje artykuł pod tytułem

00:10:38.640 --> 00:10:39.600
Rozwiązywanie problemów

00:10:39.600 --> 00:10:40.280
z uwierzytelnianiem

00:10:40.280 --> 00:10:41.620
po aktualizacji danych logowania.

00:10:41.920 --> 00:10:42.840
Słowa się nie zgadzają,

00:10:43.000 --> 00:10:43.720
ale znaczenie tak.

00:10:43.720 --> 00:10:44.680
To właśnie umożliwia

00:10:44.680 --> 00:10:45.700
wyszukiwanie wektorowe.

00:10:45.920 --> 00:10:47.000
Dla zespołu obsługującego

00:10:47.000 --> 00:10:47.820
setki zgłoszeń dziennie

00:10:47.820 --> 00:10:48.660
drastycznie skraca to

00:10:48.660 --> 00:10:49.500
czas ich rozwiązywania.

00:10:49.740 --> 00:10:51.220
Jest jeszcze wykrywanie anomalii.

00:10:51.420 --> 00:10:52.140
Mniej oczywiste,

00:10:52.280 --> 00:10:53.180
ale bardzo skuteczne.

00:10:53.380 --> 00:10:54.460
Osadzasz typowe zachowania,

00:10:54.640 --> 00:10:55.460
wzorce transakcji,

00:10:55.620 --> 00:10:56.700
zwykłe metryki systemu,

00:10:56.820 --> 00:10:58.240
standardowe działania użytkownika.

00:10:58.460 --> 00:10:59.300
Przechowujesz te wektory,

00:10:59.380 --> 00:11:00.580
a następnie flagujesz wszystko,

00:11:00.720 --> 00:11:02.020
co znajduje się daleko od skupiska.

00:11:02.220 --> 00:11:03.220
Transakcja, która w niczym

00:11:03.220 --> 00:11:04.120
nie przypomina normalnej,

00:11:04.180 --> 00:11:04.700
to oszustwo.

00:11:04.880 --> 00:11:05.460
Metryka serwera,

00:11:05.500 --> 00:11:06.140
znacznie wykraczająca

00:11:06.140 --> 00:11:06.780
poza zwykły zakres,

00:11:06.780 --> 00:11:07.980
to zwiastun nadchodzącej awarii.

00:11:08.060 --> 00:11:08.740
Bazy danych wektorowych

00:11:08.740 --> 00:11:09.620
sprawiają, że dzieje się to

00:11:09.620 --> 00:11:10.280
wystarczająco szybko,

00:11:10.340 --> 00:11:11.260
by działać w czasie rzeczywistym.

00:11:11.420 --> 00:11:12.400
W świecie Microsoftu

00:11:12.400 --> 00:11:13.200
widać to wszędzie.

00:11:13.400 --> 00:11:14.320
Power Apps wykorzystuje

00:11:14.320 --> 00:11:15.220
wyszukiwanie wektorowe

00:11:15.220 --> 00:11:15.780
do sugestii,

00:11:15.840 --> 00:11:17.140
a i podczas tworzenia formularzy.

00:11:17.360 --> 00:11:18.340
Dynamics 365

00:11:18.340 --> 00:11:19.820
używa go do inteligentnego

00:11:19.820 --> 00:11:21.140
przeszukiwania rekordów klientów.

00:11:21.300 --> 00:11:22.360
Transkrypcje spotkań w Teams

00:11:22.360 --> 00:11:23.420
są zamieniane na wektory,

00:11:23.560 --> 00:11:24.580
dzięki czemu możesz zapytać,

00:11:24.660 --> 00:11:26.060
co postanowiliśmy w sprawie budżetu

00:11:26.060 --> 00:11:28.040
i znaleźć dokładny moment w nagraniu.

00:11:28.220 --> 00:11:30.040
Kopilot dla Microsoft 365

00:11:30.040 --> 00:11:32.000
to w istocie ogromny system RAC

00:11:32.000 --> 00:11:32.980
działający w oparciu

00:11:32.980 --> 00:11:34.680
o Twoje dane osobiste i firmowe,

00:11:34.840 --> 00:11:36.440
wspierany wyszukiwaniem wektorowym.

00:11:36.620 --> 00:11:37.620
Utrzymanie tego wszystkiego

00:11:37.620 --> 00:11:38.360
w synchronizacji

00:11:38.360 --> 00:11:39.940
to proces ETL dla wektorów.

00:11:40.120 --> 00:11:41.240
Oto praktyczne wyzwanie.

00:11:41.460 --> 00:11:42.100
Dane się zmieniają,

00:11:42.200 --> 00:11:43.360
dokumenty są aktualizowane,

00:11:43.500 --> 00:11:44.520
dodawane są nowe produkty,

00:11:44.600 --> 00:11:45.740
a stare zasady archiwizowane.

00:11:45.960 --> 00:11:46.480
Za każdym razem,

00:11:46.600 --> 00:11:47.540
gdy zmieniają się dane źródłowe,

00:11:47.640 --> 00:11:48.920
muszą zmienić się również Twoje wektory.

00:11:49.160 --> 00:11:50.620
Właśnie tu wkracza wektorowe ETL.

00:11:50.740 --> 00:11:51.580
ETL oznacza ekstrakcję,

00:11:51.680 --> 00:11:52.340
transformację i ładowanie

00:11:52.340 --> 00:11:53.240
Extract Transform Blob.

00:11:53.360 --> 00:11:54.560
W przypadku baz danych wektorowych

00:11:54.560 --> 00:11:55.760
proces wygląda następująco.

00:11:55.760 --> 00:11:57.020
Najpierw wyodrębniasz nowe

00:11:57.020 --> 00:11:58.380
lub zmienione dokumenty ze źródła,

00:11:58.460 --> 00:12:00.140
na przykład kontenera magazynu Blob,

00:12:00.240 --> 00:12:01.120
biblioteki SharePoint

00:12:01.120 --> 00:12:02.300
lub bazy danych SQL.

00:12:02.620 --> 00:12:03.800
Następnie transformujesz je,

00:12:03.920 --> 00:12:05.900
dzieląc tekst na łatwe do zarządzania fragmenty

00:12:05.900 --> 00:12:07.120
i przepuszczając każdy z nich

00:12:07.120 --> 00:12:08.080
przez model osadzania.

00:12:08.320 --> 00:12:09.940
Na koniec ładujesz wynikowe wektory

00:12:09.940 --> 00:12:11.420
do magazynu wraz z metadanymi,

00:12:11.560 --> 00:12:13.220
takimi jak oryginalny adres URL,

00:12:13.480 --> 00:12:15.440
znacznik czasu i użyta wersja modelu.

00:12:15.620 --> 00:12:16.980
Najlepszą praktyką jest tutaj

00:12:16.980 --> 00:12:18.080
przetwarzanie przyrostowe.

00:12:18.260 --> 00:12:19.780
Nie przetwarzaj ponownie całego korpusu

00:12:19.780 --> 00:12:20.380
za każdym razem,

00:12:20.380 --> 00:12:21.180
gdy coś się zmieni.

00:12:21.340 --> 00:12:22.560
Przetwarzaj tylko te dokumenty,

00:12:22.680 --> 00:12:23.900
które faktycznie uległy zmianie.

00:12:24.060 --> 00:12:25.260
Śledź, która wersja modelu

00:12:25.260 --> 00:12:26.400
wygenerowała dane osadzenie,

00:12:26.560 --> 00:12:28.120
przy aktualizacji modelu stare wektory

00:12:28.120 --> 00:12:29.400
staną się niespójne z nowymi.

00:12:29.560 --> 00:12:30.540
I pilnuj kosztów.

00:12:30.700 --> 00:12:31.780
Interfejsy API do osadzania

00:12:31.780 --> 00:12:32.820
naliczają opłaty za token,

00:12:32.940 --> 00:12:34.360
więc przetwarzanie milionów dokumentów

00:12:34.360 --> 00:12:35.040
szybko się sumuje.

00:12:35.260 --> 00:12:37.340
W Azure typowy przepływ pracy jest prosty.

00:12:37.500 --> 00:12:39.160
Umieść dokumenty w magazynie Blob.

00:12:39.340 --> 00:12:41.080
Następnie skonfiguruj indeksator Azure

00:12:41.080 --> 00:12:43.400
i SERP ze zintegrowanym zestawem umiejętności,

00:12:43.600 --> 00:12:45.700
który automatycznie obsługuje dzielenie i osadzanie.

00:12:45.700 --> 00:12:48.080
Microsoft udostępnia funkcję dzielenia tekstu

00:12:48.080 --> 00:12:50.380
oraz umiejętność modelu osadzania Azure OpenAI

00:12:50.380 --> 00:12:51.520
do generowania wektorów.

00:12:51.640 --> 00:12:53.500
Indeksator uruchamia się zgodnie z harmonogramem,

00:12:53.580 --> 00:12:54.860
pobiera nowe pliki, przetwarza je

00:12:54.860 --> 00:12:56.760
i dodaje lub aktualizuje wektory w indeksie.

00:12:56.920 --> 00:12:59.020
Nie potrzeba żadnego niestandardowego kodu potoku.

00:12:59.240 --> 00:13:01.200
Oto częsty błąd, ignorowanie metadanych.

00:13:01.420 --> 00:13:03.180
Każdy wektor potrzebuje odniesienia do źródła,

00:13:03.300 --> 00:13:04.680
nazwy i wersji modelu osadzania

00:13:04.680 --> 00:13:06.060
oraz znacznika czasu utworzenia.

00:13:06.340 --> 00:13:07.920
Bez tego nie prześledzisz pochodzenia wyniku,

00:13:08.020 --> 00:13:10.040
nie dokonasz ponownego osadzenia przy zmianie modelu

00:13:10.040 --> 00:13:11.900
i będziesz mieć problemy z audytami zgodności.

00:13:11.900 --> 00:13:14.560
Traktuj swoje wektory jak każde inne dane biznesowe,

00:13:18.080 --> 00:13:19.200
by spróbować samodzielnie?

00:13:19.400 --> 00:13:20.520
Zacznij od prostych rzeczy.

00:13:20.760 --> 00:13:23.220
Otwórz portal Azure i utwórz zasób Azure AI Search.

00:13:23.400 --> 00:13:25.880
Następnie włącz wyszukiwanie wektorowe w istniejącym indeksie.

00:13:26.040 --> 00:13:27.920
Prześlij kilka dokumentów, wybierz model osadzeń

00:13:27.920 --> 00:13:29.360
i uruchom zapytanie o podobieństwo.

00:13:29.600 --> 00:13:31.320
Zobaczysz, że działa w mniej niż godzinę.

00:13:31.460 --> 00:13:33.240
Programiści mogą pobrać zestaw Python SDK,

00:13:33.420 --> 00:13:35.600
osadzić garść dokumentów przy użyciu Azure OpenAI,

00:13:35.760 --> 00:13:37.760
zapisać je w wyszukiwarce wektorowej Cosmos DB

00:13:37.760 --> 00:13:40.000
i napisać zapytanie znajdujące najbliższe dopasowanie.

00:13:40.240 --> 00:13:41.980
Microsoft udostępnia przejrzyste przykłady kodu

00:13:41.980 --> 00:13:43.940
i dokumentacje, które przeprowadzą Cię przez ten proces.

00:13:43.940 --> 00:13:47.060
Nie musisz być analitykiem danych, aby korzystać z baz danych wektorowych.

00:13:47.280 --> 00:13:49.640
Narzędzia Microsoft zajmują się generowaniem osadzeń,

00:13:49.760 --> 00:13:51.260
indeksowaniem i logiką zapytań.

00:13:51.440 --> 00:13:53.560
Twoim jedynym zadaniem jest zrozumienie koncepcji

00:13:53.560 --> 00:13:55.220
i skierowanie narzędzi na własne dane.

00:13:55.440 --> 00:13:56.120
Oto wyzwanie.

00:13:56.320 --> 00:13:58.760
Pomyśl o problemie z wyszukiwaniem, z którym mierzysz się dzisiaj.

00:13:59.000 --> 00:14:00.700
Może chodzi o znajdowanie dokumentów wewnętrznych,

00:14:00.820 --> 00:14:01.940
przeszukiwanie katalogu produktów

00:14:01.940 --> 00:14:03.800
lub odpowiadanie na pytania klientów z bazy wiedzy.

00:14:03.940 --> 00:14:05.780
Czy wyszukiwanie wektorowe poradzi sobie lepiej

00:14:05.780 --> 00:14:07.280
niż dopasowywanie słów kluczowych?

00:14:07.560 --> 00:14:10.760
Wybierz mały zestaw danych, nawet 100 dokumentów i spróbuj.

00:14:10.760 --> 00:14:12.740
Poczujesz różnicę od razu.

00:14:13.120 --> 00:14:16.300
Więc teraz już rozumiesz, czym właściwie są bazy danych wektorowych.

00:14:16.440 --> 00:14:18.240
To nie jest żadna tajemnicza technologia AI.

00:14:18.340 --> 00:14:20.960
To po prostu sposób na przechowywanie i przeszukiwanie znaczenia danych

00:14:20.960 --> 00:14:22.060
zamiast dokładnych słów.

00:14:22.240 --> 00:14:24.860
Napędzają one inteligentne wyszukiwanie i funkcje AI wewnątrz

00:14:24.860 --> 00:14:27.120
Microsoft 365, Azure i Copilot.

00:14:27.320 --> 00:14:29.920
Za każdym razem, gdy zadajesz pytanie i otrzymujesz trafną odpowiedź,

00:14:30.000 --> 00:14:31.160
gdzieś w tle baza danych wektorowych

00:14:31.160 --> 00:14:33.180
znalazła najbliższe dopasowanie do Twojego zapytania.

00:14:33.180 --> 00:14:36.080
Twoje ustrukturyzowane fakty, nazwiska klientów, kwoty zamówień

00:14:36.080 --> 00:14:38.760
czy stany magazynowe, nadal znajdują się w tradycyjnych bazach danych.

00:14:38.980 --> 00:14:41.140
Bazy danych wektorowych dodają warstwę zrozumienia.

00:14:41.360 --> 00:14:43.760
Pozwalają one Twojej aplikacji przeszukiwać dane według znaczenia,

00:14:43.920 --> 00:14:44.760
intencji i kontekstu.

00:14:44.880 --> 00:14:45.980
To jest szerszy obraz.

00:14:46.140 --> 00:14:48.280
Zasubskrybuj, aby otrzymywać więcej wyjaśnień technologii

00:14:48.280 --> 00:14:49.420
Microsoft prostym językiem.

00:14:49.640 --> 00:14:51.800
Następnym razem przyjrzymy się, jak działają potoki RAC

00:14:51.800 --> 00:14:53.580
i jak możesz zbudować taki w jedno popołudnie.

00:14:53.800 --> 00:14:54.620
Dzięki za uwagę.

00:14:54.620 --> 00:15:09.300
...

00:15:09.300 --> 00:15:15.680
...

00:15:15.680 --> 00:15:22.980
...
