Azure OpenAI Service voor Analytics
AI-gedreven inzichten ontsluiten: RAG-pipelines, NL-naar-SQL, embeddings en GPT-gedreven BI
Overview
Azure OpenAI Service brengt GPT-4o, o-serie redeneermodellen en state-of-the-art embedding-modellen direct in uw Azure-datastack — onder dezelfde beveiliging en data-residency-controles als de rest van uw Azure-omgeving. Deze tweedaagse training is gebouwd voor analyseprofessionals die AI willen inzetten op hun data. U bouwt Retrieval-Augmented Generation (RAG)-pipelines die vragen beantwoorden over enterprise-datasets, ontwerpt natural language-naar-SQL-interfaces voor niet-technische gebruikers en creëert semantische zoeklagen bovenop datacatalogi en documentopslag. Elk patroon wordt geïmplementeerd binnen Azure, met Azure AI Search als vectorstore en uw bestaande data lake of SQL-databases als kennisbron — geen externe API's, geen data die uw tenant verlaat.
What you'll learn
- Azure OpenAI-modellen (GPT-4o, text-embedding-3-large) implementeren en configureren binnen een beheerde Azure-omgeving
- End-to-end RAG-pipelines bouwen die relevante context ophalen uit ADLS Gen2, Azure SQL of Cosmos DB en gefundeerde antwoorden genereren
- Een natural language-naar-SQL-interface ontwerpen die zakelijke vragen vertaalt naar T-SQL- of Spark SQL-queries op uw datawarehouse
- Semantisch zoeken implementeren op enterprise-datacatalogi met Azure AI Search en text-embedding-3-large-vectoren
- GPT-4o mini fijn-tunen op domeinspecifieke datasets voor gespecialiseerde analysetaken zoals financiële classificatie of klinische codering
- Inhoudsfilters toepassen, modeluitvoer evalueren met ingebouwde metrieken en LLM-aanroepen traceren voor productiebetrouwbaarheid
Programme
Dag 1 — Grondslagen, embeddings & semantisch zoeken
- Azure OpenAI Service-architectuur: implementaties, quota, globale vs. regionale routering en verantwoorde AI-controles
- Werken met GPT-4o via de Chat Completions en Responses API's: prompt-strategieën voor analysetaken
- Embedding-modellen in de diepte: text-embedding-3-large, vectordimensies, cosinusgelijkenis en wanneer embeddings keyword-zoeken overtreffen
- Azure AI Search als vectorstore: ADLS Gen2-documenten indexeren, chunk-strategieën en hybride zoeken met BM25 + vectoren
- Een semantische zoekinterface bouwen over een enterprise-datacatalogus: metadata verrijken met AI-gegenereerde samenvattingen
- Practicum: een corpus van financiële rapporten indexeren in Azure AI Search en een Q&A-endpoint bouwen met GPT-4o
Dag 2 — RAG-pipelines, NL-naar-SQL & productiepatronen
- RAG-architectuurpatronen: naïeve RAG vs. geavanceerde RAG met her-ranking, queryuitbreiding en meerstapsophaling
- Natural language-naar-SQL: systeemprompts ontwerpen die zakelijke vragen vertalen naar T-SQL- of Synapse SQL-queries met schema-bewuste contextinjectie
- LLM-antwoorden verankeren in gestructureerde data: Azure SQL-queryresultaten combineren met GPT-gegenereerde narratief voor geautomatiseerd BI-commentaar
- GPT-4o mini fijn-tunen: JSONL-trainingsdata voorbereiden, fijn-tuningjobs uitvoeren en domeinspecifieke modelverbeteringen evalueren
- Productiegereedheid: inhoudsveiligheidsevaluatie, metriekgebaseerde uitvoerscore, LLM-aanroepen traceren met Azure Monitor en kostenbeheer
- Practicum: een complete NL-naar-SQL-assistent bouwen die Engels-talige vragen accepteert en antwoorden geeft gefundeerd op uw Azure Synapse-datawarehouse
Who is this for?
- Data engineers die AI-gedreven data-ophaling en -transformatie willen toevoegen aan bestaande pipelines
- Analytics engineers en BI-ontwikkelaars die natural language-interfaces bouwen bovenop hun datawarehouse
- Data scientists die overstappen van ML-modelontwikkeling naar LLM-gebaseerde applicatiepatronen
- Oplossingsarchitecten die AI-lagen ontwerpen bovenop Fabric, Synapse of Azure SQL
Prerequisites
- Python-programmeerervaring (pandas, requests of vergelijkbaar)
- Basiskennis van Azure (portal, opslagaccounts, Entra ID)
- SQL-kennis — begrip van SELECT, JOIN en aggregatiequery's