L’edizione 2026 di SQL Start si è tenuta venerdì 18 settembre 2026 presso le aule dell’Università Politecnica delle Marche.
Alcune sessioni sono state registrate, i video sono disponibili sul canale UGISS di Vimeo nella raccolta SQL Start 2026 e sul canale YouTube di UGISS nella raccolta con lo stesso nome della precedente SQL Start 2026.
Il week end scorso abbiamo dato una mano all’organizzazione della prima Data & AI Builders Conference italiana, DabConf in breve, che si è tenuta a Bergamo.
Il nome nasce volutamente dal voler fare incontrare la parte che riteniamo più importante del mondo dei dati con quella dell’intelligenza artificiale, il termine “builders” vuole sottolineare il fatto che l’evento è rivolto a chi costruisce soluzioni concrete in questi ambiti, poco o niente marketing tecnico se possibile.
Il conto alla rovescia per Data & AI Builders Conference 2026, la nuova conferenza tecnica internazionale dedicata alla Data Platform e all’AI nell’ecosistema Microsoft, è iniziato: manca poco più di un mese!
Ospitata nelle aule del Dipartimento di Scienze Aziendali dell’Università degli Studi di Bergamo, la conferenza si terrà sabato 7 novembre 2026. Grazie al contributo di Sponsor e Partner, la partecipazione sarà gratuita, con registrazione obbligatoria.
SQL Start è un evento community gratuito di una giornata, il cui obiettivo è erogare contenuti tecnici a supporto di chi utilizza la Data Platform di Microsoft, sia on-premise sia nel cloud Azure.
Ospitato nelle aule della Facoltà di Ingegneria dell’Università Politecnica delle Marche, l’evento si terrà in presenza in Ancona venerdì 18 settembre 2026.
Una delle innovazioni più recenti e con più hype nel mondo SQL Server è la ricerca semantica, resa possibile grazie al nuovo tipo di dato Vector e a funzioni specifiche come VECTOR_DISTANCE e VECTOR_SEARCH.
Recentemente stavo lavorando a un progetto mettendo in pratica la ricerca semantica e mi sono trovato a cercare di capire le differenze tra le due funzioni, concentrandomi soprattutto sulle performance, scoprendo che ci sono differenze palesi ed altre meno evidenti che influenzano parecchio il modo in cui l’optimizer costruisce il piano di esecuzione.
Nel terzo articolo di questa serie abbiamo usato gli embeddings generati in precedenza per eseguire ricerche semantiche direttamente da T-SQL con la funzione VECTOR_DISTANCE.
Abbiamo trasformato una richiesta espressa in linguaggio naturale in un vettore, lo abbiamo confrontato con gli embeddings salvati nella tabella ai_demo.PostSearchDocuments e ordinato il risultato in base alla distanza semantica.
Nel secondo articolo di questa serie abbiamo creato un external model verso Azure OpenAI e abbiamo usato la funzione AI_GENERATE_EMBEDDINGS per generare gli embeddings dei testi presenti nella tabella ai_demo.PostSearchDocuments.
La tabella ai_demo.PostSearchDocuments nel database StackOverflowMini contiene ora due elementi essenziali:
Embedding, che contiene la rappresentazione vettoriale del testo costruito nella colonna DocumentTextIn questo terzo articolo useremo finalmente gli embeddings per eseguire ricerche semantiche direttamente da T-SQL. L’obiettivo è trovare testi simili per significato rispetto a una richiesta espressa in linguaggio naturale, anche quando il testo cercato non coincide esattamente con le parole presenti nei documenti.