AI v Microsoft SQL Serveru

• Seznámíte se s kompletní nabídkou AI funkcí Microsoft SQL Serveru 2025 a zjistíte, co z nich je připraveno pro produkční nasazení
• Naučíte se integrovat modely strojového učení vytvořené v Pythonu do uložených procedur a vytrénujete si vlastní prediktivní model přímo nad daty v databázi
• Vyzkoušíte si sémantické vyhledávání podle významu textu s využitím datového typu vector, embeddingů a vektorových indexů DiskANN
• Naučíte se kombinovat full-textové a vektorové vyhledávání do hybridního vyhledávání
• Vyzkoušíte si postavit kompletní RAG řešení „zeptej se svých dat" čistě v T-SQL — s využitím Azure OpenAI i lokálně běžícího modelu bez odeslání dat mimo firemní síť
• Naučíte se efektivně využívat GitHub Copilot při psaní SQL dotazů i vývoji databází a sladit jeho chování s týmovými standardy
• Naučíte se spravovat databázi jako kód pomocí SQL Server Database Projects včetně automatizovaného CI/CD nasazování a testování
• Dozvíte se, jak proměnit SQL Server v MCP server a bezpečně zpřístupnit data AI agentům

• Databázovým vývojářům, kteří chtějí obohatit své aplikace o predikce, sémantické vyhledávání a odpovědi generované jazykovými modely nad firemními daty.
• Vývojářům aplikací nad Microsoft SQL Serverem či Azure SQL Database, kteří chtějí zrychlit vývoj pomocí AI asistentů a zavést moderní postupy databázového DevOps.
• Architektům a technicky orientovaným správcům databází, kteří navrhují bezpečné zapojení umělé inteligence a AI agentů do řešení postavených nad firemními daty.

• Znalost jazyka T-SQL na úrovni kurzu GOC278.
• Znalost vývoje databází v Microsoft SQL Serveru na úrovni kurzu GOC632.
• Základní znalost jazyka Python výhodou (není podmínkou, kód cvičení obdržíte připravený).
• Základní znalost práce se systémem Git výhodou.

1 Přehled AI možností v Microsoft SQL Serveru

• Seznámíte se s kompletní nabídkou AI funkcí SQL Serveru 2025 a zjistíte, které výpočty běží přímo v databázovém stroji a které na externích službách
• Pochopíte rozdíly v AI možnostech mezi SQL Serverem 2025, Azure SQL Database a SQL databází v Microsoft Fabric
• Dozvíte se, které funkce jsou již plně podporované a které jsou zatím ve stavu preview, a co to znamená pro produkční nasazení
• Naučíte se posoudit, jaká data smí opustit databázi či firemní síť, a proč je klasifikace dat prvním krokem každého AI řešení
• Zjistíte, kdy integrace AI přímo do databáze dává smysl a kdy je vhodnější zvolit jinou architekturu

2 Strojové učení v SQL Serveru – Python v uložených procedurách

• Pochopíte architekturu Machine Learning Services a princip spouštění externích skriptů v SQL Serveru
• Naučíte se nainstalovat a nakonfigurovat Python runtime na SQL Serveru 2022/2025 a vyhnout se častým problémům při instalaci
• Naučíte se spouštět kód v jazyce Python z T-SQL pomocí procedury sp_execute_external_script a předávat data mezi SQL Serverem a Pythonem
• Vyzkoušíte si vytrénovat vlastní model strojového učení přímo nad daty v databázi a uložit jej do tabulky
• Naučíte se zpřístupnit predikce modelu aplikacím jako běžnou uloženou proceduru bez zásahu do aplikačního kódu
• Dozvíte se, kdy využít nativní skórování funkcí PREDICT a jak se liší výkonem i omezeními od externích skriptů
• Zjistíte, jak řídit prostředky přidělené externím skriptům a kdy je vhodnější trénovat modely mimo databázi

3 Vektory a embeddingy – základy

• Pochopíte, co jsou tokeny a embeddingy a jak umožňují porovnávat texty podle jejich významu
• Seznámíte se s novým datovým typem vector, jeho dimenzemi a nároky na uložení
• Naučíte se bezpečně spravovat přihlašovací údaje k AI službám — od Managed Identity v Azure po API klíče v on-premises prostředí
• Naučíte se registrovat externí AI modely příkazem CREATE EXTERNAL MODEL a napojit SQL Server jak na Azure OpenAI, tak na lokálně běžící model, aniž by data opustila firemní síť
• Vyzkoušíte si generovat embeddingy funkcí AI_GENERATE_EMBEDDINGS a dělit dlouhé texty na části funkcí AI_GENERATE_CHUNKS
• Dozvíte se, jaká data má smysl převádět na embeddingy a jak volba velikosti chunků ovlivňuje kvalitu vyhledávání

4 Vektorové vyhledávání a jeho škálování

• Naučíte se vyhledávat podle podobnosti funkcí VECTOR_DISTANCE a zvolit vhodnou metriku porovnávání vektorů
• Pochopíte princip vektorového indexu DiskANN a aproximativního vyhledávání funkcí VECTOR_SEARCH
• Vyzkoušíte si vytvořit vektorový index a změřit rozdíl mezi exaktním a aproximativním vyhledáváním
• Dozvíte se, jaká omezení vektorové indexy mají, jak se vyvíjejí a co z nich lze dnes nasadit do produkce
• Zjistíte, jak udržovat embeddingy aktuální při změnách zdrojových dat — od triggerů přes Change Tracking a Change Data Capture po streamování událostí

5 Inteligentní vyhledávání – full-text, vektory a hybrid

• Naučíte se základy full-textového vyhledávání: full-text index a predikáty CONTAINS, FREETEXT a CONTAINSTABLE
• Pochopíte silné a slabé stránky full-textového a vektorového vyhledávání a naučíte se vybrat vhodný přístup pro konkrétní scénář
• Naučíte se kombinovat oba přístupy do hybridního vyhledávání pomocí algoritmu Reciprocal Rank Fusion
• Vyzkoušíte si porovnat všechny tři způsoby vyhledávání na stejných datech a vyhodnotit kvalitu jejich výsledků

6 RAG přímo v T-SQL

• Pochopíte princip vzoru Retrieval Augmented Generation (RAG) a dozvíte se, kdy jej použít místo fine-tuningu modelu
• Naučíte se připravit kontext pro jazykový model pomocí FOR JSON a rozhodnout, která data modelu posílat a která nikoliv
• Naučíte se sestavit prompt přímo v T-SQL pomocí funkcí JSON_OBJECT a JSON_ARRAY včetně pravidel pro ukotvení odpovědí ve vašich datech
• Naučíte se volat jazykové modely procedurou sp_invoke_external_rest_endpoint včetně ošetření chyb a opakování neúspěšných volání
• Vyzkoušíte si postavit kompletní RAG řešení „zeptej se svých dat" v jediné uložené proceduře — proti Azure OpenAI i lokálnímu modelu
• Dozvíte se, jak RAG proceduru zabezpečit, řídit pomocí oprávnění přístup i náklady a monitorovat volání AI služeb (latence, spotřeba tokenů, chybovost)

7 GitHub Copilot pro databázové vývojáře

• Naučíte se používat GitHub Copilot v SQL Server Management Studiu a ve Visual Studio Code včetně konverzace nad připojenou databází
• Vyzkoušíte si reálná pracovní workflow: generování procedur a pohledů, vysvětlování cizího kódu, návrhy optimalizací a generování testovacích dat či dokumentace
• Naučíte se sjednotit chování Copilota s týmovými standardy pomocí instruction files a prompt files
• Dozvíte se, jaká data Copilot odesílá do cloudu, a naučíte se nastavit jeho bezpečné používání včetně review generovaného kódu
• Zjistíte, kde jsou limity AI asistentů a kdy je třeba sáhnout po klasických metodách ladění výkonu

8 Databáze jako kód – SQL Database Projects a DevOps pro AI-assisted vývoj

• Pochopíte, proč vývoj s pomocí AI vyžaduje databázi ve verzovacím systému a automatizovanou kontrolu změn
• Naučíte se vytvořit moderní SDK-style SQL Database Project, sestavit jej do balíčku .dacpac a nasadit nástrojem SqlPackage
• Dozvíte se, jak organizovat databázový projekt v Gitu včetně pre/post-deployment skriptů a idempotentní správy referenčních dat
• Naučíte se týmový workflow s feature branches a pull requesty jako místem review AI generovaného kódu s automatickou validací buildu
• Zjistíte, jak detekovat a řešit schema drift — rozdíly mezi projektem a živou databází
• Vyzkoušíte si postavit CI/CD pipeline, která automaticky sestaví a nasadí změny schématu do databáze
• Dozvíte se, jak testovat databázi od validace buildu přes unit testy po integrační testy a jak vám s tvorbou testů pomůže Copilot

9 SQL Server jako MCP server – bezpečný přístup AI agentů k datům

• Pochopíte principy protokolu Model Context Protocol (MCP) a dozvíte se, proč AI agenti potřebují řízené nástroje místo volného generování SQL dotazů
• Naučíte se postavit SQL MCP Server nad nástrojem Data API builder a vystavit vybrané entity databáze AI agentům
• Vyzkoušíte si vizuální konfiguraci v rozšíření MSSQL pro Visual Studio Code a zjistíte, jak z jedné konfigurace vystavit REST, GraphQL i MCP endpoint současně
• Naučíte se zabezpečit agentický přístup k datům: oprávnění na úrovni entit, režim jen pro čtení, vyloučené tabulky, obrana proti prompt injection a auditování
• Vyzkoušíte si připojit AI agenta k databázi a ověřit, že nastavené bezpečnostní mantinely skutečně fungují
• Dozvíte se, kam pokračovat dál — Fabric data agents, Microsoft Foundry a vývoj vlastních AI agentů

Předchozí kurzy

Tvorba pokročilých T-SQL dotazů v prostředí Microsoft SQL Serveru [GOC278]

Programování databází v Microsoft SQL Serveru a Azure SQL Database [GOC632]