WEBVTT

00:00:00.000 --> 00:00:04.200
Olá a todos e bem-vindos a mais um episódio do Microsoft Knowledge Nuggets aqui na M305FM.

00:00:04.600 --> 00:00:06.100
FM, eu sou o seu apresentador Mico.

00:00:06.660 --> 00:00:10.320
O tópico de hoje é algo que quase todo mundo já ouviu falar, mas poucas pessoas realmente entendem.

00:00:10.840 --> 00:00:11.640
Banco de dados vetoriais.

00:00:12.100 --> 00:00:16.100
Você provavelmente ouviu esse termo em artigos sobre a ou ouviu em conversas sobre Copilot, Chat e PT.

00:00:16.940 --> 00:00:18.280
Mas o que exatamente é um banco de dados vetorial?

00:00:18.620 --> 00:00:20.640
Será apenas um banco de dados comum com um nome mais sofisticado?

00:00:20.900 --> 00:00:22.060
Ou é algo completamente diferente?

00:00:22.560 --> 00:00:27.820
Imagine pesquisar em um site de e-commerce por jaqueta vermelha e obter resultados mostrando casaco carmezinho e vestuário borbol.

00:00:27.820 --> 00:00:30.100
Como o computador sabe que são a mesma coisa?

00:00:30.660 --> 00:00:31.880
Não é pouca respondência para a chave, já.

00:00:32.380 --> 00:00:34.460
Carmezinho é vermelho, casaco não é jaqueta.

00:00:35.220 --> 00:00:38.800
No entanto, de alguma forma, o mecanismo de busca entende que estão relacionados e isso é a busca vetorial, hein?

00:00:39.160 --> 00:00:42.300
Ao final deste episódio, você entenderá o que são os bancos de dados vetoriais,

00:00:42.380 --> 00:00:46.100
porque eles impulsionam a busca por IA e o Copilot como se encaixam na nuvem da Microsoft.

00:00:46.900 --> 00:00:47.960
Vou manter tudo de forma simples.

00:00:48.460 --> 00:00:51.080
Sem matemática, sem jargões, apenas blocos de construção, claro.

00:00:51.700 --> 00:00:52.660
O que é de fato um vetor?

00:00:53.340 --> 00:00:54.560
Vamos começar com a pergunta fundamental.

00:00:55.160 --> 00:00:56.080
O que exatamente é um vetor?

00:00:56.080 --> 00:01:01.380
Quando a maioria das pessoas ouve a palavra vetor, elas imaginam uma seta da aula de Física, Direção e Magnitude.

00:01:02.040 --> 00:01:03.120
A computação é muito mais simples.

00:01:03.600 --> 00:01:05.100
O vetor é, na verdade, apenas uma lista de números.

00:01:05.700 --> 00:01:09.240
Uma matriz unidimensional que representa algo, um formato com o qual o computador pode trabalhar.

00:01:09.500 --> 00:01:10.860
Aqui está a maneira prática de visorizar.

00:01:11.180 --> 00:01:13.920
Se eu lhe dissesse para me encontrar no terceiro andar, alabeia sala 12,

00:01:14.020 --> 00:01:16.080
esses são três números descrevendo uma localização específica.

00:01:16.720 --> 00:01:19.740
Isso é um vetor tridimensional dizendo exatamente onde algo está em um edifício.

00:01:20.420 --> 00:01:21.520
Agora imagine que eu adicione mais detalhes.

00:01:21.520 --> 00:01:24.340
Cor da porta, tamanho da sala, preço por metro quadrado.

00:01:24.960 --> 00:01:26.720
Cada novo detalhe se torna outra dimensão.

00:01:27.260 --> 00:01:30.780
Portanto, quanto mais dimensões você acumula, mais informações você pode capturar sobre aquela coisa.

00:01:31.200 --> 00:01:34.640
Um carro pode ser descrito por velocidade, quilometragem, preço, peso e classificação de segurança.

00:01:35.060 --> 00:01:36.160
Isso é um vetor de cinco dimensões.

00:01:36.560 --> 00:01:40.420
Um produto pode ser descrito por centenas de características, o que resulta em um vetor de alta dimensão.

00:01:40.700 --> 00:01:41.480
Aqui está o ponto principal.

00:01:41.740 --> 00:01:44.480
Os vetores nos permitem transformar coisas em números que os computadores podem comprar.

00:01:44.640 --> 00:01:47.780
Palavras, imagens, sons, documentos, qualquer coisa pode se tornar uma lista de números.

00:01:47.780 --> 00:01:51.240
Uma vez que tudo é número, você pode começar a medir com os semelhantes duas coisas realmente são.

00:01:51.660 --> 00:01:55.320
Duas salas no mesmo andar com cores de portas semelhantes acabam ficando próximas no espaço vetorial.

00:01:55.840 --> 00:01:57.780
Dois produtos com características semelhantes também se agrupam.

00:01:58.820 --> 00:02:01.200
Essa ideia simples é o que torna possível a busca moderna por IA.

00:02:01.960 --> 00:02:02.980
De vetores a embeddings.

00:02:03.420 --> 00:02:04.500
Nem todos os vetores são iguais.

00:02:05.140 --> 00:02:06.620
Existe um tipo especial chamado embedding.

00:02:06.900 --> 00:02:08.080
É aí que reside o verdadeiro poder.

00:02:08.540 --> 00:02:09.580
Então o que exatamente é um embedding?

00:02:09.880 --> 00:02:11.700
Um embedding é um vetor que representa significado.

00:02:11.700 --> 00:02:15.660
Um modelo de aprendizado de máquina como o Text Embedding 3 Small Dazer OpenAI

00:02:15.660 --> 00:02:18.340
lê o texto e o coloca em um espaço de alta dimensão.

00:02:18.900 --> 00:02:22.700
O modelo aprendeu com bilhões de exemplos, por isso ele entende como as palavras se relacionam.

00:02:23.320 --> 00:02:26.340
Rei e rainha acabam ficando próximos porque compartilham contextos semelhantes.

00:02:27.020 --> 00:02:29.360
Rei e café acabam ficando distantes porque não compartilham.

00:02:30.100 --> 00:02:31.280
Aqui isso significa em termos simples.

00:02:31.780 --> 00:02:34.700
Quando você pesquisa por jaqueta vermelha, o sistema encontra casaco carmesim.

00:02:35.700 --> 00:02:40.800
O modelo de embedding reconhece que vermelho e carmesim têm significados próximos de jaqueta e casaco também.

00:02:40.800 --> 00:02:44.540
Os embeddings para essas duas frases tornam-se vizinhos no espaço vetorial.

00:02:45.060 --> 00:02:47.780
O computador não está mais combinando letras, ele está com unificados.

00:02:48.740 --> 00:02:50.160
Agora, deixa eu me dar um exemplo clássico.

00:02:50.840 --> 00:02:54.420
Pegue o vetor para rei, subtraia o vetor para homem e adicione o vetor para mulher.

00:02:55.400 --> 00:02:57.680
O resultado é muito próximo do vetor para rainha.

00:02:58.380 --> 00:02:59.800
Rei menos homem mais mulher é igual a rainha.

00:03:00.420 --> 00:03:03.920
Isso pode parecer mágica, mas é assim que o modelo incorpora relacionamentos em números.

00:03:05.220 --> 00:03:09.100
Ele aprendeu que rei e rainha compartilham um relacionamento semelhante ao de homem e mulher

00:03:09.100 --> 00:03:11.580
e esse relacionamento é codificado nas coordenadas.

00:03:12.620 --> 00:03:16.360
Portanto, modelos de embedding pegam seus dados brutos, sejam texto, imagens ou áudio,

00:03:16.440 --> 00:03:19.460
e os convertem em uma lista de números que representam seu significado.

00:03:20.080 --> 00:03:22.740
Esses números tornam-se coordenadas em um espaço de alta dimensão.

00:03:23.480 --> 00:03:26.600
Então, quando você pesquisa, sua consulta é convertida no mesmo tipo de coordenadas.

00:03:27.260 --> 00:03:28.860
Tudo o que você faz é medir a distância entre elas.

00:03:29.260 --> 00:03:29.580
É central?

00:03:30.340 --> 00:03:32.020
Por que os bancos de dados tradicionais não são suficientes?

00:03:32.020 --> 00:03:35.280
Sim, Beren são tão poderosos porque não podemos apenas usar um banco de dados comum.

00:03:35.600 --> 00:03:36.320
Vamos responder a isso.

00:03:37.580 --> 00:03:40.100
Banco de dados SQL tradicionais são criados para correspondência ação.

00:03:40.540 --> 00:03:42.220
Você escreve onde cor é igual ao vermelho,

00:03:42.340 --> 00:03:45.120
e ele encontra cada linha onde a coluna de cor é literalmente igual ao vermelho.

00:03:45.540 --> 00:03:48.000
Isso funciona muito bem para dados estruturados como nomes de clientes,

00:03:48.120 --> 00:03:49.580
datas de pedidos ou preços de produtos,

00:03:49.820 --> 00:03:52.100
mas falha completamente quando você precisa de significados vários.

00:03:52.660 --> 00:03:55.500
Tente escrever uma consulta SQL que encontre casaco carmesim

00:03:55.500 --> 00:03:57.360
quando seus dados dizem apenas jaqueta bordô.

00:03:58.140 --> 00:03:59.940
Você não consegue porque o SQL não entende conceitos.

00:03:59.940 --> 00:04:03.520
Bancos de dados tradicionais armazenam dados em linhas e colônia.

00:04:04.080 --> 00:04:06.940
Eles são otimizados para junções, agregações e buscas exatas.

00:04:08.000 --> 00:04:10.200
Eles não sabem que carro e automóvel são a mesma coisa.

00:04:10.740 --> 00:04:13.220
Eles não sabem que animado e empolgado são emoções semelhantes.

00:04:13.780 --> 00:04:14.720
Eles apenas combinam em string.

00:04:15.260 --> 00:04:19.160
E se os dados não forem estruturados, como PDFs, imagens, gravações de áudio ou documentos longos,

00:04:19.500 --> 00:04:21.700
bancos de dados tradicionais podem armazená-los como um blob,

00:04:22.000 --> 00:04:23.380
mas não conseguem pesquisar seu conteúdo.

00:04:23.840 --> 00:04:25.320
Você precisaria de uma busca de texto completo,

00:04:25.320 --> 00:04:26.740
que ainda depende de correspondência de palavra-chave.

00:04:27.520 --> 00:04:29.500
Se o usuário digita relatório de orçamento,

00:04:29.500 --> 00:04:31.220
mas o documento diz resumo financeiro,

00:04:31.480 --> 00:04:33.120
a busca para a palavra-chave perde tudo.

00:04:33.520 --> 00:04:34.100
Pense desta forma.

00:04:34.360 --> 00:04:36.000
Um banco de dados comum é como um arquivo de aço.

00:04:36.380 --> 00:04:38.860
Você precisa saber o nome exato do arquivo para encontrar o que procura.

00:04:39.360 --> 00:04:42.000
Um banco de dados vetorial é como um bibliotecário que entende o que você quer dizer.

00:04:42.540 --> 00:04:45.200
Você pode dizer, preciso daquele documento sobre os gastos do último trimestre.

00:04:45.700 --> 00:04:47.700
E o bibliotecário sabe exatamente qual pasta pegar,

00:04:47.860 --> 00:04:50.420
mesmo que ela esteja rotulada como resumo financeiro do terceiro tri.

00:04:51.140 --> 00:04:53.680
O bibliotecário entende a intenção, não apenas rótulo.

00:04:53.680 --> 00:04:55.500
É por isso que bancos de dados vetoriais existem.

00:04:55.860 --> 00:04:59.000
Eles armazenam em bearings aqueles vetores que capturam o significado

00:04:59.000 --> 00:05:01.220
e os indexam de forma que a busca por similaridade seja rápida.

00:05:01.500 --> 00:05:03.060
Eles não substituem bancos de dados tradicionais.

00:05:03.420 --> 00:05:05.060
Eles adicionam uma camada de compreensão.

00:05:05.500 --> 00:05:06.560
E essa camada muda tudo.

00:05:07.340 --> 00:05:09.020
Eles adicionam uma camada de compreensão.

00:05:09.180 --> 00:05:10.120
E essa camada muda tudo.

00:05:10.620 --> 00:05:12.000
Como os bancos de dados vetoriais funcionam.

00:05:12.000 --> 00:05:13.760
Então, como tudo isso funciona nos bastidores?

00:05:14.340 --> 00:05:16.860
Vamos percorrer as duas fases principais, ingestão e consulta.

00:05:17.280 --> 00:05:18.520
A ingestão é a fase de configuração.

00:05:19.100 --> 00:05:23.940
Você pega seus dados brutos, descrições de produtos, tickets de suporte, documentos internos, o que tiver,

00:05:24.340 --> 00:05:26.540
e passa cada item por um modelo de embedding.

00:05:27.580 --> 00:05:29.240
Esse modelo transforma o texto em um vetor,

00:05:29.400 --> 00:05:31.920
que é basicamente uma lista de números que captura o significado.

00:05:32.460 --> 00:05:35.540
Então, se armazena esse vetor no banco de dados junto com o metadados do texto original,

00:05:35.680 --> 00:05:38.940
um carimbo de data barra hora, talvez uma categoria ou uma URL.

00:05:39.520 --> 00:05:40.480
Agora, aqui está a parte da agenda.

00:05:40.480 --> 00:05:44.080
Se você tivesse um milhão de documentos, verificar cada vetor um por um levaria uma eternidade.

00:05:44.560 --> 00:05:47.080
É por isso que bancos de dados vetoriais usam algo chamado indexação.

00:05:47.480 --> 00:05:51.420
Pense na indexação como criar um mapa do espaço vetorial em vez de bater em cada porta.

00:05:52.280 --> 00:05:54.160
Dois métodos comuns são IVF e HNSD.

00:05:54.720 --> 00:05:56.040
IVF significa invertido.

00:05:56.500 --> 00:05:58.460
Ele funciona agrupando vetores similares em clusters.

00:05:59.120 --> 00:06:03.160
Ao pesquisar, em vez de escanear todos os milhões de vetores, você verifica apenas os clusters mais promissores.

00:06:03.460 --> 00:06:04.900
É como procurar um livro em uma biblioteca.

00:06:05.420 --> 00:06:07.800
Você vai direto para a seção certa em vez de escanear cada prateleiro.

00:06:07.800 --> 00:06:10.840
HNSW significa Hierarchical Navigable Small World.

00:06:11.240 --> 00:06:12.160
A ideia é bem elegante.

00:06:12.740 --> 00:06:14.420
Ele constrói um mapa multicamada de seus vetores.

00:06:15.200 --> 00:06:18.840
Camada superior contém alguns vetores representativos que dão uma noção geral de onde as coisas estão.

00:06:19.540 --> 00:06:20.920
Cada camada abaixo te torna mais detalhada.

00:06:21.280 --> 00:06:23.680
Ao pesquisar, você começa no topo, encontra a vizinhança geral.

00:06:23.900 --> 00:06:27.240
E depois desce camada por camada até encontrar a correspondência exata até em correspondência.

00:06:27.240 --> 00:06:31.060
É como usar um mapa da cidade primeiro, depois um mapa do bairro e, finalmente, um mapa da rua.

00:06:31.460 --> 00:06:32.400
Cada um te deixa mais perto.

00:06:32.780 --> 00:06:35.500
O resultado é que você pode pesquisar milhões de vetores em milissegundos.

00:06:36.060 --> 00:06:37.800
É isso que impulsiona os recursos de E em tempo real.

00:06:38.460 --> 00:06:41.300
Quando você digita uma pergunta em um copiloto e obteve uma resposta em segundos,

00:06:41.920 --> 00:06:45.940
em algum lugar um banco de dados vetorial acabou de executar uma busca de similaridade em milhares ou milhões de documentos.

00:06:46.160 --> 00:06:48.100
A fase de consulta funciona da mesma maneira, mas ao contrário.

00:06:48.380 --> 00:06:49.120
Você digita a sua pergunta.

00:06:49.120 --> 00:06:52.720
Essa pergunta é convertida em um vetor usando exatamente o mesmo modelo de embedding.

00:06:53.120 --> 00:06:56.300
Então, o banco de dados encontra os vizinhos mais próximos do seu vetor de consulta usando ele.

00:06:56.980 --> 00:06:59.280
Ele retorna os resultados mais similares classificados por distância.

00:07:00.060 --> 00:07:02.380
Quanto mais próximos os vetores, mais relevante é o resultado.

00:07:03.300 --> 00:07:05.380
O ecossistema Microsoft, onde os vetores residem.

00:07:05.920 --> 00:07:07.560
Onde tudo isso reside no mundo Microsoft?

00:07:08.080 --> 00:07:08.960
A resposta curta parte.

00:07:09.400 --> 00:07:12.760
A Microsoft está adicionando recursos vetoriais às plataformas de dados que você já usa,

00:07:12.820 --> 00:07:15.220
em vez de te direcionar para um banco de dados especializado separado.

00:07:15.800 --> 00:07:16.680
Vamos recorrer aos principais.

00:07:16.680 --> 00:07:20.840
O Azure AI Search é o armazenamento vetorial mais comum para a área empresarial.

00:07:21.620 --> 00:07:23.460
Isso significa geração aumentada por recuperação retrieval.

00:07:23.900 --> 00:07:28.920
Ele suporta a busca híbrida, o que significa que combina a correspondência tradicional de palavras-chave com a similaridade vetorial.

00:07:29.280 --> 00:07:30.040
Por que isso é importante?

00:07:30.340 --> 00:07:34.200
Porque algumas buscas funcionam melhor com palavras-chave, códigos de produto exatos, nomes, datas,

00:07:34.320 --> 00:07:36.260
enquanto outras precisam de compreensão semântica.

00:07:36.320 --> 00:07:37.460
A busca híbrida oferece ambos.

00:07:38.060 --> 00:07:40.440
O Azure AI Search também inclui vetorização integrada,

00:07:40.440 --> 00:07:43.760
para que você possa configurar um pipeline que divide automaticamente documentos,

00:07:43.760 --> 00:07:46.720
gera embeddings e os indexa sem escrever código personalizado.

00:07:47.620 --> 00:07:50.240
Cosmos DB agora possui busca vetorial nativa com indexação de scan.

00:07:50.760 --> 00:07:53.780
Diz que NN significa vizinho aproximado mais próximo baseado em disco,

00:07:53.900 --> 00:07:56.920
e foi criado para latência abaixo de 20 milissegundos, mesmo em escala massiva.

00:07:57.340 --> 00:08:00.200
Isso é ótimo para dados operacionais que já residem no Cosmos DB.

00:08:01.020 --> 00:08:03.940
Digamos que você esteja criando um aplicativo de e-commerce com o Cosmos DB com o back-end.

00:08:03.940 --> 00:08:07.380
Agora você pode adicionar busca vetorial diretamente ao seu catálogo de produtos,

00:08:07.480 --> 00:08:08.820
sem mover dados para um serviço separado.

00:08:09.460 --> 00:08:11.280
Um cliente procura por sapatos de verão leve.

00:08:11.360 --> 00:08:15.640
Se seu aplicativo encontra produtos com descrições similares dentro do seu banco de dados existente,

00:08:16.760 --> 00:08:20.040
o Azure SQL Server 2025 e o Azure SQL Database também entraram na festa.

00:08:20.620 --> 00:08:23.720
Eles agora incluem um tipo de dado vetorial nativo e funções como busca vetorial.

00:08:24.220 --> 00:08:27.080
Isso significa que você pode armazenar embeddings junto com seus dados relacionais,

00:08:27.600 --> 00:08:30.620
registros de clientes com representações vetoriais de suas preferências,

00:08:30.620 --> 00:08:35.300
itens de inventário com descrições vetoriais, tickets de suporte com embeddings vetoriais de seu conteúdo.

00:08:35.860 --> 00:08:37.400
Você não precisa um banco de dados vetorial separado.

00:08:37.660 --> 00:08:39.340
Suas habilidades SQL existentes ainda se aplica.

00:08:39.700 --> 00:08:42.940
Basta adicionar uma coluna vetorial, criar um índice e começar a consultar por similaridade.

00:08:43.680 --> 00:08:45.400
Veja como o Copilot usa isso por baixo do capô.

00:08:45.960 --> 00:08:49.060
Quando você pergunta, mostre-me o relatório de vendas do Q3 do ano passado,

00:08:49.400 --> 00:08:52.200
Copilot não busca pela frase exata relatório de vendas do Q3.

00:08:52.940 --> 00:08:56.060
Ele converte sua pergunta em um vetor, pesquisa em documentos indexados,

00:08:56.380 --> 00:08:59.320
e-mails, arquivos do SharePoint, documentos do OneDrive, chats do Teams,

00:08:59.320 --> 00:09:02.320
e encontre o documento cujo embedding está mais próximo da sua consulta.

00:09:03.420 --> 00:09:06.860
Ele pode encontrar um arquivo chamado Resumo Financeiro do Terceiro Trimestre de 2024,

00:09:07.000 --> 00:09:09.440
porque o significado corresponde, embora as palavras exatas não...

00:09:09.440 --> 00:09:10.520
Isso é a busca vetorial em ação.

00:09:10.960 --> 00:09:12.420
Ponto-chave aqui é a estratégia da Microsoft.

00:09:13.120 --> 00:09:15.360
Em vez de dizer, compre um banco de dados vetorial especializado,

00:09:15.420 --> 00:09:18.140
eles estão adicionando recursos vetoriais às ferramentas que você já usa.

00:09:18.800 --> 00:09:22.180
Azure AI Search, Cosmos DB, SQL Server, todos eles falam vetores agora.

00:09:22.840 --> 00:09:23.980
Você não precisa aprender um sistema novo.

00:09:24.360 --> 00:09:27.580
Você só precisa entender o conceito, e a Microsoft cuida do trabalho pesado.

00:09:27.580 --> 00:09:29.980
Casos de uso reais em IA.

00:09:30.660 --> 00:09:33.420
Então, onde você realmente vê bancos de dados vetoriais funcionando hoje?

00:09:34.020 --> 00:09:35.280
Veja como isso acontece no mundo real.

00:09:35.680 --> 00:09:36.480
RAG é o mais importante.

00:09:36.900 --> 00:09:38.660
Isso significa geração aumentada por recuperação,

00:09:38.760 --> 00:09:41.120
Retrieve Augmented Generation, e é como a maioria das IA escopra agora.

00:09:41.700 --> 00:09:43.180
Quando você faz uma pergunta a um chatbot,

00:09:43.260 --> 00:09:44.620
não tenta adivinhar com base nos dados de IA.

00:09:44.800 --> 00:09:48.060
Em vez disso, ele pesquisa em um banco de dados vetorial por documentos relevantes,

00:09:48.160 --> 00:09:49.500
pega as correspondências mais próximas,

00:09:49.520 --> 00:09:51.360
e as entrega ao modelo de linguagem como contexto.

00:09:51.580 --> 00:09:54.560
O modelo, então, constrói uma resposta a partir desses documentos reais.

00:09:54.560 --> 00:09:58.220
Isso significa respostas precisas sobre as políticas, produtos ou dados do seu propósito.

00:09:58.580 --> 00:09:59.800
Sem banco de dados vetoriais,

00:09:59.840 --> 00:10:01.960
a IA estaria adivinhando com base no conhecimento geral da internet.

00:10:02.400 --> 00:10:04.640
Com eles, é listar informações diretamente dos seus arquivos reais.

00:10:04.960 --> 00:10:06.820
Mecanismos de recomendação são outro grande caso de uso.

00:10:07.220 --> 00:10:09.340
Netflix, Amazon, YouTube, todos funcionam da mesma maneira.

00:10:10.000 --> 00:10:12.360
Eles transformam usuários em vetores com base no comportamento,

00:10:12.440 --> 00:10:14.120
no que você assiste, compra ou clica.

00:10:14.960 --> 00:10:18.000
E transformam itens em vetores com base em descrições, avaliações e recursos.

00:10:18.220 --> 00:10:20.020
Depois, apenas encontra nos vizinhos mais próximos.

00:10:20.300 --> 00:10:22.720
Se o seu vetor estiver próximo ao vetor de um filme, ele se recomenda esse filme.

00:10:22.720 --> 00:10:25.380
Isso é busca por similaridade em larga escala,

00:10:25.740 --> 00:10:28.080
rodando centenas de vezes por segundo para cada usuário.

00:10:28.800 --> 00:10:30.660
A busca semântica é o terceiro grande caso de uso.

00:10:31.000 --> 00:10:32.760
Esta é uma busca pelo significado, não por palavras.

00:10:33.400 --> 00:10:37.000
Um agente de suporte digita o cliente não consegue logar após redefinir a senha

00:10:37.000 --> 00:10:38.500
e encontra um artigo chamado

00:10:38.500 --> 00:10:41.400
Solução de Problemas de Falhas de Autenticação Após Atualizações de Credência.

00:10:41.880 --> 00:10:43.660
As palavras não coincidem, mas o significado diz.

00:10:44.040 --> 00:10:45.080
É isso que a busca vetorial permite.

00:10:45.620 --> 00:10:47.500
Para uma equipe que lida com centenas de tickets por dia,

00:10:47.620 --> 00:10:49.040
isso reduz drasticamente o tempo de resolução.

00:10:49.860 --> 00:10:50.920
Depois, a detecção de anômbria.

00:10:50.920 --> 00:10:52.440
Menos óbvia, mas poderosa.

00:10:52.980 --> 00:10:54.620
Você faz o embedding de comportamentos normais,

00:10:54.740 --> 00:10:57.020
padrões típicos de transações, métricas de sistemas usuais,

00:10:57.500 --> 00:10:58.260
ações padrões do usuário.

00:10:58.760 --> 00:11:00.200
Armazene esses vetores e, em seguida,

00:11:00.280 --> 00:11:02.100
sinalize qualquer coisa que caia longe do cluster principal.

00:11:02.480 --> 00:11:04.360
Uma transação que não se parece em nada com o normal, isso é fraud.

00:11:04.780 --> 00:11:06.540
Uma métrica de servidor muito fora da faixa comum,

00:11:06.600 --> 00:11:07.420
isso é um incidente a caminho.

00:11:07.900 --> 00:11:10.500
Banco de dados vetoriais torna isso rápido o suficiente para rodar em tempo real.

00:11:11.160 --> 00:11:12.860
No mundo da Microsoft, isso aparece em toda parte.

00:11:13.560 --> 00:11:16.620
Power Apps usa busca vetorial para sugestões de IA ao criar formulários.

00:11:16.620 --> 00:11:20.800
O Dynamics 365 a utiliza para buscas inteligentes em registros de clientes.

00:11:21.200 --> 00:11:23.340
Transcrições de reuniões do time são transformadas em vetores

00:11:23.340 --> 00:11:25.420
para que você possa pesquisar o que decidimos sobre orçamento

00:11:25.420 --> 00:11:27.460
e encontrar o momento exato em uma gravação.

00:11:28.460 --> 00:11:32.440
O Copilot para a Microsoft 365 é essencialmente um sistema RAG gigante,

00:11:32.520 --> 00:11:34.280
rodando sobre seus dados pessoais e da empresa,

00:11:34.700 --> 00:11:36.200
tudo impulsionado por busca vetorial.

00:11:37.380 --> 00:11:39.280
Mantendo tudo sincronizado, ETL vetorial.

00:11:39.820 --> 00:11:41.040
Agora, aqui está o desafio prático.

00:11:41.480 --> 00:11:43.080
Dados mudam, documentos são atualizados,

00:11:43.080 --> 00:11:45.760
novos produtos são adicionados, políticas antigas são arquivadas.

00:11:46.180 --> 00:11:47.660
Toda vez que seus dados de origem mudam,

00:11:47.760 --> 00:11:48.860
seus vetores também precisam mudar.

00:11:49.300 --> 00:11:50.380
É aí que o ETL vetorial entra.

00:11:50.760 --> 00:11:52.580
ETL significa extrair, transformar e carregar.

00:11:53.020 --> 00:11:55.040
Para banco de dados vetoriais, o processo funciona assim.

00:11:55.640 --> 00:11:58.240
Primeiro, você extrai documentos novos ou alterados da sua fonte,

00:11:58.440 --> 00:11:59.700
talvez um container de Blob Storage,

00:11:59.800 --> 00:12:01.640
uma biblioteca do SharePoint ou um banco de dados SQL.

00:12:02.440 --> 00:12:05.100
Depois, você os transforma dividindo o texto em partes gerenciáveis

00:12:05.100 --> 00:12:07.360
e processando cada parte pelo seu modelo de embedding.

00:12:08.180 --> 00:12:10.900
Finalmente, você carrega os vetores resultantes no seu armazenamento vetorial

00:12:10.900 --> 00:12:13.760
junto com metadados como a URL da fonte original, um timestamp,

00:12:13.840 --> 00:12:15.440
e a versão do modelo usada.

00:12:16.100 --> 00:12:17.840
A melhor prática aqui é processo de forma incremental.

00:12:18.360 --> 00:12:20.760
Não reprocesse todo o seu corpo de toda vez que algo mudar.

00:12:21.360 --> 00:12:23.220
Processe apenas os documentos que realmente foram alterados.

00:12:23.700 --> 00:12:25.760
Monitore qual versão do modelo gerou cada embedding,

00:12:25.880 --> 00:12:26.640
atualize seu modelo,

00:12:26.960 --> 00:12:29.100
e os vetores antigos se tornarão inconsistentes com os novos.

00:12:29.540 --> 00:12:30.440
Fique atento aos seus custos.

00:12:30.840 --> 00:12:32.260
APIs de embedding cobram por token,

00:12:32.400 --> 00:12:34.600
então processar milhões de documentos aumenta rápido os custos.

00:12:34.860 --> 00:12:37.020
No Azure, um fluxo de trabalho típico é direto.

00:12:37.380 --> 00:12:38.660
Coloque seus documentos no Blob Store.

00:12:38.660 --> 00:12:41.520
Então, configure um indexador do Azure AI Search

00:12:41.520 --> 00:12:43.220
com um conjunto de habilidades integrado

00:12:43.220 --> 00:12:45.240
que lida com a fragmentação e o embedding automaticamente.

00:12:45.820 --> 00:12:48.700
A Microsoft fornece habilidade de divisão de texto para fragmentação

00:12:48.700 --> 00:12:51.300
e habilidade de modelo de embedding do Azure OpenAI para geração vetorial.

00:12:51.960 --> 00:12:53.460
O indexador roda em uma programação,

00:12:53.620 --> 00:12:55.120
captura novos arquivos, processos,

00:12:55.200 --> 00:12:56.680
e insere ou atualiza os vetores no índice.

00:12:57.080 --> 00:12:58.640
Nenhum código de pipeline personalizado necessita.

00:12:58.920 --> 00:13:00.860
Aqui está um erro comum, ignorar metadados.

00:13:01.360 --> 00:13:03.000
Todo vetor precisa de sua referência de origem,

00:13:03.000 --> 00:13:04.600
do nome e versão do modelo de embedding

00:13:04.600 --> 00:13:05.800
e de um timestamp de criação.

00:13:05.800 --> 00:13:08.360
Sem isso, você não consegue rastrear de onde um resultado veio,

00:13:08.440 --> 00:13:10.080
não consegue reprocessar quando modelos mudam

00:13:10.080 --> 00:13:11.820
e terá dificuldades em auditorias de conformidade.

00:13:12.300 --> 00:13:14.140
Trate seus vetores como qualquer outro dado de negócio

00:13:14.140 --> 00:13:14.900
ou rastreie sua linhagem.

00:13:16.220 --> 00:13:16.660
Super espaço.

00:13:17.320 --> 00:13:18.780
Então, plano para experimentar isso você mesmo?

00:13:19.660 --> 00:13:20.100
É simples.

00:13:20.600 --> 00:13:22.960
Abra o portal do Azure e crie um recurso do Azure AI Search.

00:13:23.480 --> 00:13:25.340
Em seguida, abrite a pesquisa vetorial em um índice de sistema.

00:13:25.840 --> 00:13:26.800
Carregue alguns documentos,

00:13:27.000 --> 00:13:29.140
escolha um modelo de embedding e execute uma consulta de similaridade.

00:13:29.560 --> 00:13:30.760
Você verá tudo funcionando em menos de uma aula.

00:13:30.760 --> 00:13:32.840
Para desenvolvedores, peguem um SDK do Python,

00:13:33.040 --> 00:13:35.320
façam o embedding de alguns documentos usando o Azure Open AI,

00:13:35.760 --> 00:13:37.480
armazenem no vetor de busca do Cosmos DB

00:13:37.480 --> 00:13:40.060
e escrevam uma consulta que encontre a correspondência mais próxima.

00:13:40.700 --> 00:13:43.660
A Microsoft fornece exemplos de códigos claros e documentação para orientar você.

00:13:43.920 --> 00:13:45.380
Você não precisa se tornar um cientista de dados

00:13:45.380 --> 00:13:46.500
para usar banco de dados vetorial.

00:13:47.040 --> 00:13:49.500
As ferramentas da Microsoft cuidam da geração de embeddings,

00:13:49.600 --> 00:13:51.020
da indexação e da lógica de consumo.

00:13:51.520 --> 00:13:53.020
Sua única tarefa é entender o conceito

00:13:53.020 --> 00:13:54.900
e apontar as ferramentas para os seus próprios dados.

00:13:55.500 --> 00:13:56.420
E vai um desafio.

00:13:56.540 --> 00:13:58.120
Pense o problema de busca com o qual você lida hoje.

00:13:58.120 --> 00:14:00.000
Talvez seja encontrar documentos internos,

00:14:00.080 --> 00:14:01.260
pesquisar em um catálogo de produtos

00:14:01.260 --> 00:14:03.360
ou responder a perguntas de clientes a partir de uma base de conhecimento,

00:14:03.940 --> 00:14:06.080
é que a busca vetorial tem um desempenho melhor do que a correspondência com o Python.

00:14:07.440 --> 00:14:08.620
Escolha um pequeno conjunto de dados,

00:14:08.720 --> 00:14:09.800
mesmo que sejam sem documentos,

00:14:09.980 --> 00:14:10.580
e faça um teste.

00:14:11.220 --> 00:14:12.500
Você sentirá a diferença imediatamente.

00:14:13.800 --> 00:14:16.000
Então agora se entende o que são realmente os bancos de dados vetoriais.

00:14:16.460 --> 00:14:18.160
Eles não são uma tecnologia de A misteriosa,

00:14:18.320 --> 00:14:20.740
são apenas uma forma de armazenar e pesquisar o significado dos seus dados

00:14:20.740 --> 00:14:21.700
em vez das palavras exatas.

00:14:22.200 --> 00:14:24.500
Eles impulsionam a busca inteligente e os recursos de A

00:14:24.500 --> 00:14:26.820
dentro do Microsoft 365, Azure e Copilot.

00:14:26.820 --> 00:14:29.660
Toda vez que você faz uma pergunta e obtém uma resposta relevante,

00:14:29.720 --> 00:14:32.820
em algum lugar um banco de dados vetorial encontrou a correspondência mais próxima à consulta.

00:14:33.440 --> 00:14:34.420
Seus fatos estruturados,

00:14:34.500 --> 00:14:36.460
nomes de clientes, valores de pedidos e contagem de estoque,

00:14:36.780 --> 00:14:38.500
esses ainda residem em bancos de dados tradicionais.

00:14:38.940 --> 00:14:41.180
Os bancos de dados vetoriais adicionam a camada de compreensão.

00:14:41.540 --> 00:14:43.660
Eles permitem que sua aplicação pesquise por significado,

00:14:43.760 --> 00:14:44.700
por intenção e por contexto.

00:14:44.960 --> 00:14:45.660
Esse é o panorama geral.

00:14:46.080 --> 00:14:48.800
Inscreva-se para mais explicações simples sobre a tecnologia da Microsoft.

00:14:49.320 --> 00:14:51.980
Na próxima vez, veremos como os pipelines de RAG realmente funcionam

00:14:51.980 --> 00:14:53.440
e como você pode construir um em uma tarde.

00:14:53.820 --> 00:14:54.380
Obrigado por assistir.
