Develop AI-enabled database solutions

Mit diesem praxisorientierten Microsoft‑Training entwickeln Sie die Fähigkeiten, moderne AI-enabled Datenbanklösungen zu gestalten und umzusetzen – über alle Microsoft SQL Plattformen hinweg: SQL Server, Azure SQL und SQL-Datenbanken in Microsoft Fabric.

Sie lernen, wie Sie klassische Datenmanagement‑Ansätze mit KI-Funktionalitäten wie Vectorsuche, Embeddings und weiteren AI‑gestützten Features kombinieren, um leistungsstarke, skalierbare und intelligente Unternehmensanwendungen zu entwickeln.

Der Kurs richtet sich an Datenprofis, die strukturierten und semi-strukturierten Daten neue Funktionalitäten verleihen und KI nahtlos in SQL-basierte Lösungen integrieren möchten.

Nach Abschluss dieses Trainings:

• Entwerfen Sie moderne Datenbankarchitekturen, die KI-Features in SQL-basierten Plattformen nahtlos integrieren.
• Implementieren Sie Anwendungen, die Vector Search, Embeddings und weitere AI-Funktionen performant einsetzen.
• Optimieren Sie Datenpipelines für strukturierte und semistrukturierte Daten in SQL Server, Azure SQL und Microsoft Fabric.
• Konfigurieren Sie KI-gestützte Datenbankkomponenten für skalierbare Enterprise-Workloads.
• Analysieren Sie Use Cases und wählen passende SQL-AI-Funktionalitäten für Unternehmensszenarien aus.
• Automatisieren Sie datengetriebene Prozesse mithilfe integrierter AI-Funktionen.
• Validieren Sie Daten- und Modellqualität innerhalb KI-erweiterter SQL-Lösungen.

Modul 1 – Design und Entwicklung von Datenbanklösungen

Entwurf und Implementierung von Datenbankobjekten mit SQL

• Verständnis der plattformbezogenen Optionen für SQL‑Server‑basierte Umgebungen
• Entwurf effizienter Tabellenstrukturen
• Performance‑Optimierung durch Indexes
• Einsatz spezialisierter Tabellentypen
• Durchsetzung von Datenintegrität mittels Constraints
• Verwaltung von JSON‑Spalten und JSON‑Indexes
• Skalierung durch Tabellenpartitionierung
• Übung – Erstellen und Verwalten von Datenbankobjekten

Implementierung von Programmierbarkeitsobjekten mit SQL

• Erstellen von Views
• Erstellen von Stored Procedures
• Erstellen von skalaren Functions
• Erstellen von Table‑Valued Functions
• Implementierung von Triggers
• Abwägung, wann welches Objekt verwendet wird
• Übung – Implementierung von Programmierbarkeitsobjekten in SQL Server

Schreiben von fortgeschrittenem T‑SQL

• Strukturierung komplexer Abfragen mit Common Table Expressions (CTEs)
• Einsatz von Window Functions für analytische Auswertungen
• Verarbeitung von JSON‑Daten mit integrierten SQL‑Funktionen
• Pattern‑Matching mit regulären Ausdrücken
• Approximate Matches mit Fuzzy‑String‑Funktionen
• Traversieren von Beziehungen mit Graph Queries
• Vergleich von Datensätzen mit korrelierten Subqueries
• Fehlerbehandlung mit TRY…CATCH
• Übung – Arbeiten mit JSON‑Funktionen

Implementierung von SQL‑Lösungen mit KI‑unterstützten Tools

• Überblick über AI‑assisted Development Tools für Microsoft‑SQL‑Plattformen
• Bewertung der Sicherheitsauswirkungen beim Einsatz KI‑gestützter Tools
• Aktivieren von GitHub Copilot und Fabric Copilot
• Konfiguration von Modellen und Model Context Protocol (MCP)‑Optionen in Copilot‑Chat‑Sessions
• Erstellen und Konfigurieren von GitHub‑Copilot‑Instruction‑Files
• Anbindung von MCP‑Server‑Endpunkten, inkl. Microsoft SQL Server und Fabric Lakehouse
• Übung – Konfiguration KI‑unterstützter Tools für die Datenbankentwicklung

Modul 2 – Absicherung, Optimierung und Deployment von Datenbanklösungen

Implementierung von Datensicherheit und Compliance mit SQL

• Schutz von Daten durch Verschlüsselung
• Konfiguration von Dynamic Data Masking
• Implementierung von Row‑Level Security
• Verwaltung von Berechtigungen und sicherem Zugriff
• Implementierung von Auditing‑Funktionen
• Konfiguration eines sicheren Zugriffs auf AI‑Services
• Absicherung von Data‑API‑Endpunkten
• Übung – Implementierung von Sicherheitsfunktionen

Optimierung der Datenbankperformance

• Ableitung geeigneter Datenbankkonfigurationen
• Sicherstellung der Datenintegrität durch Transaction Isolation Levels und Concurrency Controls
• Analyse der Abfrageperformance mit Execution Plans und DMVs
• Monitoring und Tuning mit Query Store und Query Performance Insight
• Erkennen und Beheben von Blocking‑Situationen und Deadlocks
• Übung – Optimierung der Abfrageperformance

Implementierung von CI/CD mit SQL Database Projects

• Erstellen, Bauen und Validieren von SQL Database Projects
• Konfiguration der Source Control und Verwaltung von Referenzdaten
• Umgang mit Branches, Pull Requests und Konfliktauflösung
• Erkennung und Behebung von Schema Drift
• Implementierung von CI/CD‑Pipelines
• Entwurf und Umsetzung einer Teststrategie
• Übung – Implementierung von CI/CD mit SQL Database Projects

Integration von SQL‑Lösungen mit Azure‑Services

• Erstellen von Konfigurationsdateien für den Data API Builder
• Definition von Entitäten für REST‑ und GraphQL‑APIs
• Exponieren von Datenbankobjekten, Stored Procedures und Views
• Bewertung von Deployment‑Optionen für den Data API Builder
• Empfehlungen zur Konfiguration von Azure Monitor
• Umsetzung von Änderungslogik mit ereignisgetriebenen Architekturen
• Übung – Konfiguration des Data API Builders für einen Produktkatalog

Modul 3 – Implementierung von KI‑Funktionen in Datenbanklösungen

Entwurf und Implementierung von Modellen und Embeddings mit SQL

• Verständnis und Bewertung von Modellen für SQL‑Datenbank‑Workloads
• Erstellen und Verwalten externer Modelle in SQL
• Entwurf von Embeddings für SQL‑Datenbank‑Workloads
• Generierung und Pflege von Embeddings in SQL‑Umgebungen
• Übung – Generieren und Aktualisieren von Embeddings in Azure SQL Database

Entwurf und Implementierung intelligenter Suche mit SQL

• Auswahl eines geeigneten Ansatzes für Intelligent Search
• Implementierung von Full‑Text Search
• Vorbereitung von SQL‑Daten für Vector Search
• Umsetzung typischer Vector‑Search‑Abfragemuster
• Implementierung von Hybrid‑Search‑ und Ranking‑Strategien
• Übung – Implementierung intelligenter Suche mit Full‑Text‑, Vector‑ und Hybrid‑Abfragen

Entwurf und Implementierung von RAG mit SQL

• Identifikation geeigneter RAG‑Use‑Cases und Architekturmodelle
• Vorbereitung des Retrieval‑Kontexts für Augmentation
• Anreicherung von Prompts mit Datenbankkontext
• Generierung und Verarbeitung von RAG‑Antworten
• Übung – Implementierung einer RAG‑Lösung

Das Training richtet sich an Datenprofis, die moderne daten- und KI-basierte Anwendungen entwickeln:

• Data Engineers, die moderne, intelligente Datenarchitekturen realisieren.
• Data Analysts, die ihre analytischen Workflows mit KI erweitern.
• Database Administrators, die neue AI-Features in ihre Plattformen integrieren möchten.
• Data Scientists, die auf SQL-basierte KI-Funktionalitäten zugreifen.
• EntwicklerInnen, die Anwendungen mit AI-gestützen Datenbankfunktionen bauen.

Wenn Sie SQL-basierte Systeme in Richtung KI weiterentwicklen möchte, ist dieser Kurs die perfekte Grundlage.

Teilnehmende sollten mit folgenden Grundlagen vertraut sein:

• Solide Kenntnisse in SQL, relationalen Datenbanken und Datenmodellierung
• Erfahrung im Arbeiten mit strukturierten und semistrukturierten Daten
• Erste Erfahrung mit Azure-Diensten oder SQL Server
• Grundlegendes Verständnis von KI-, Machine-Learning- oder Generative-AI-Konzepten von Vorteil