Mit SQL Server 2025 integriert Microsoft Machine-Learning-Funktionen in die Datenbank-Engine. Dies stellt eine bedeutende Veränderung gegenüber SQL Server 2022 dar, bei dem alle fortgeschrittenen KI- oder ML-Anwendungen außerhalb der Datenbank ausgeführt werden mussten (mithilfe von Diensten wie Azure ML oder externen Python-/R-Skripten). Die neue Version bietet Funktionen, mit denen Sie KI-Modelle sicher und in großem Maßstab zusammen mit Ihren Daten integrieren und verwalten können.
Maschinelles Lernen und KI-Modellmanagement: Intelligentere Daten – direkt in der Datenbank
- Unterstützung externer KI-Modelle (EXTERNAL MODEL) – Sie können externe KI-Modelle in SQL Server 2025 registrieren und dabei auf einen beliebigen REST-Endpunkt für KI-Dienste verweisen (Azure OpenAI Service, OpenAI-API, Ollama für lokale Modelle usw.). Nach der Registrierung werden diese Modelle zu vollwertigen Objekten in der Datenbank. Sie können sie über T-SQL-Funktionen aufrufen, um Aufgaben wie die Generierung von Text, die Analyse der Stimmung oder die Berechnung eines Einbettungsvektors für einen Datensatz auszuführen. Wichtig ist, dass SQL Server mehrere Modellversionen speichern kann und über eine integrierte Wiederholungslogik für Modellaufrufe verfügt, sodass vorübergehende Fehler nahtlos abgefangen werden können.
- In-Engine-KI-Orchestrierung – Mit SQL Server 2025 können KI-Workflows direkt in der Datenbank ausgeführt werden, ohne dass eine externe Anwendung zur Orchestrierung der Aufrufe erforderlich ist. So kann die Datenbank beispielsweise einen Textabschnitt aus einer Tabelle entnehmen, ihn zur Analyse an ein externes NLP-Modell senden, das Ergebnis abrufen und es in einer Abfrage verwenden – und das alles innerhalb eines einzigen T-SQL-Skripts. Dies ist besonders leistungsstark für Szenarien wie gespeicherte Prozeduren, die KI-Modelle aufrufen. Zudem ist es effizient: Die Daten müssen zur Verarbeitung nicht die Datenbank verlassen. Microsoft hat sogar Funktionen wie die Generierung von Vektoreinbettungen und Text-Chunking in T-SQL integriert, um gängige KI-Aufgaben für die Suche und den Abruf zu unterstützen.
- Vektor-Einbettungen und nativer Vektortyp – Eine grundlegende Funktion für KI in Datenbanken ist die Verarbeitung von Vektoren (numerische Darstellungen von Daten, die häufig von KI-Modellen zum Vergleich erstellt werden). SQL Server 2025 führt einen neuen VECTOR-Datentyp ein, um hochdimensionale Einbettungen (beispielsweise einen 768-dimensionalen Vektor aus einem Sprachmodell) effizient zu speichern. Sie können einen Vektorindex mithilfe des DiskANN-Algorithmus erstellen, einem leistungsstarken Index für die ungefähre Suche nach dem nächsten Nachbarn, um schnelle Ähnlichkeitssuchen in diesen Einbettungen zu ermöglichen. Im Wesentlichen kann die Datenbank nun die „semantische Ähnlichkeit“ messen und Datensätze finden, die sich in ihrer Bedeutung ähneln, nicht nur exakte Übereinstimmungen.
- Modellverwaltung und -steuerung – Da Modelle als Datenbankobjekte behandelt werden, bietet SQL Server 2025 eine rollenbasierte Zugriffskontrolle und Protokollierung der Modellnutzung. Datenbankadministratoren können steuern, wer ein bestimmtes externes Modell aufrufen darf (beispielsweise ein ressourcenintensives GPT-4-basiertes Modell ausschließlich dem BI-Team vorbehalten), und nachverfolgen, wie oft es aufgerufen wird. Diese Kontrollmechanismen gewährleisten, dass die KI-Integration verantwortungsbewusst erfolgt. Nur autorisierte Benutzer können externe Modelle konfigurieren oder ausführen, was den Anforderungen der Unternehmens-Governance entspricht. (Wir werden später noch ausführlicher auf das Thema Sicherheit eingehen, doch im Zusammenhang mit der Modell-Governance ist dies an dieser Stelle bereits erwähnenswert.)
Warum das wichtig ist
Durch die Integration von ML- und KI-Modellunterstützung in SQL Server können Ihre Daten und Ihre KI an einem Ort zusammengeführt werden. Dies reduziert die Latenz (es ist nicht mehr erforderlich, Daten in einen KI-Dienst zu exportieren und die Ergebnisse wieder zurückzuimportieren) und sorgt dafür, dass sensible Daten sicher auf dem Datenbankserver verbleiben, während gleichzeitig KI-Erkenntnisse genutzt werden können. Zudem vereinfacht dies die Anwendungsarchitekturen: Eine einzige T-SQL-Abfrage kann nun das leisten, wofür zuvor eine separate Anwendung oder ein Cloud-Dienst erforderlich war. Dies macht KI für Unternehmen zugänglich; Datenbankentwickler oder sogar fortgeschrittene Anwender können KI auf Daten anwenden, indem sie T-SQL-Befehle verwenden, mit denen sie vertraut sind. Durch die Unterstützung externer Modelle aus beliebigen Quellen (Cloud oder lokal) ist SQL Server 2025 flexibel: Sie können den Modellanbieter wechseln, ohne Ihre Abfragen neu schreiben zu müssen, was sich hervorragend zum Testen und zur Weiterentwicklung von KI-Lösungen im Laufe der Zeit eignet.
Anwendungsfälle
- Stellen Sie sich eine Kundensupport-Datenbank vor, in der der Text jedes Tickets gespeichert ist. Mit SQL Server 2025 könnten Sie ein KI-Sprachmodell für die Stimmungsanalyse registrieren und eine Aktualisierungsabfrage ausführen, die jedes Ticket als „positiv“, „negativ“ oder „neutral“ kennzeichnet, indem Sie dieses Modell für jede Zeile aufrufen. Der API-Endpunkt des Stimmungsmodells wird über EXTERNAL MODEL aufgerufen, und das Ergebnis wird in einer neuen Spalte gespeichert – alles direkt an Ort und Stelle.
- Stellen Sie sich vor, ein Marketinganalyst könnte folgende Abfrage stellen: „Was sind die fünf am häufigsten in Kundenbewertungen genannten Produkte, und welche gemeinsamen Themen lassen sich erkennen?“ Auch ohne komplexe SQL-Abfragen zu schreiben, könnte der Analyst eine Kombination aus Vektorsuche und einem externen Modell nutzen. Im Hintergrund könnte SQL Server für jede Bewertung Einbettungen generieren und diese mithilfe einer Vektorähnlichkeitssuche nach Themen clustern, um anschließend ein LLM aufzurufen, das jeden Cluster zusammenfasst. Dieses RAG-Muster (Retrieval-Augmented Generation, d. h. die Kombination von Datenbankabfrage und KI-Generierung) ist nun direkt innerhalb der Datenbank realisierbar.
Stellen Sie sich zur Veranschaulichung einmal eine T-SQL-Prozedur vor:
- Ein vorgefertigtes Embedding-Modell (das als externes Modell registriert ist) wird verwendet, um alle Produktbewertungstexte zu vektorisieren und diese Vektoren in einer VECTOR-Spalte zu speichern.
- Führt eine Ähnlichkeitssuche anhand dieser Vektoren durch, um Bewertungen zu finden, die mit der Suchanfrage eines Nutzers in Zusammenhang stehen, oder um ähnliche Rückmeldungen zu gruppieren.
- Ruft ein externes großes Sprachmodell auf, um jede Gruppe ähnlicher Bewertungen zu einer Themenbeschreibung zusammenzufassen.
- Gibt die Themen und Beispielrezensionen zurück.
Alle Schritte können innerhalb von SQL Server durchgeführt werden. Ein Prozess, für den früher der Export von Daten in eine separate ML-Pipeline erforderlich war, ist nun optimiert, sodass KI-Erkenntnisse in Echtzeit oder auf Abruf direkt dort gewonnen werden können, wo sich die Daten befinden.
Maschinelles Lernen in der Datenbank
Externe Modelle in T-SQL: Registrieren und aufrufen von KI-Modellen (OpenAI, Azure, lokal), als wären sie integrierte Funktionen.
Vektoren und semantische Suche: Speichern Sie Einbettungen und nutzen Sie die DiskANN-Indizierung für eine schnelle Ähnlichkeitssuche nach der Bedeutung von Daten.
Fazit
SQL Server 2025 bringt KI direkt in Ihre Daten. Anstatt Daten an externe Dienste weiterzuleiten, können Sie nun Modelle ausführen und Vektorsuchen mithilfe von Standard-T-SQL durchführen. Das ist schneller, sicherer und wesentlich einfacher zu verwalten als die bisherige Vorgehensweise. Wenn Sie sich mit SQL auskennen, sind Sie nun bereit, KI in großem Maßstab einzusetzen.
Entdecken Sie unsere SQL Server 2025-Produkte
 |
Details
|
