Design and develop database solutions35–40%Le schéma et le code, avant que quiconque se soucie de qui a le droit de lire quoi ou de la façon dont tout cela part en production. Les objets d'abord : tables ordinaires et leurs cousines spécialisées qui existent chacune pour un usage précis, colonnes qui stockent des documents JSON plutôt que des scalaires, contraintes et séquences qui gardent les valeurs honnêtes, et partitionnement qui décide du découpage physique d'une grande table. Ensuite le code qui vit dans la base plutôt qu'au-dessus d'elle : vues, fonctions de deux formes, procédures et déclencheurs. Puis le T-SQL lui-même, à un niveau au-delà des requêtes du quotidien : expressions récursives et imbriquées, calculs qui regardent de côté vers les lignes voisines, fonctions qui lisent et découpent du JSON, correspondance de motifs sur du texte, score de similarité entre deux chaînes presque mais pas tout à fait identiques, parcours d'une structure de graphe, requêtes dont la moitié interne dépend de l'externe, et gestion d'erreurs qui transforme un échec en quelque chose sur quoi l'appelant peut agir. La part la plus récente se trouve ici aussi, petite mais reconnaissable : écrire ce code avec un assistant IA dans la boucle, décider ce que l'assistant a le droit de voir, le brancher à des endpoints d'outils, l'orienter avec des fichiers d'instructions, et comprendre ce que ce confort coûte en exposition.
≈ 19 h Secure, optimize, and deploy database solutions35–40%Tout ce qui sépare du code qui fonctionne d'une solution que quelqu'un accepte d'exploiter. Il y a quatre mouvements. Contrôle d'accès et confidentialité : quelles valeurs sont chiffrées et où vivent les clés, quelles valeurs s'affichent floutées et pour qui, quelles lignes un appelant donné a le droit de voir, quels objets il peut toucher, comment une connexion s'authentifie sans mot de passe en dur, ce qui atterrit dans une piste d'audit, et comment verrouiller les surfaces d'endpoints plus récentes quand la base se met à parler à des endpoints de modèles et à des serveurs REST, GraphQL et protocolaires. Ensuite la performance, lue sur des preuves plutôt qu'à l'instinct : paramètres serveur et base, choix d'isolation et de concurrence qui arbitrent entre cohérence et débit, et l'outillage qui montre ce qu'une requête a réellement fait, y compris le diagnostic d'une session qui en attend une autre. Puis le chemin de livraison, bâti sur des projets de base de données conservés en gestion de sources : tests, données de référence, modèles de projet, branches et pull requests, secrets, et détection d'une cible qui a dérivé par rapport au schéma déclaré, jusqu'aux pipelines de déploiement contrôlé. Enfin, les jonctions avec le reste d'Azure : publier des objets de base de données sous forme d'API, en surveiller le résultat, et réagir aux changements de données comme à des événements plutôt qu'en interrogeant la base en boucle.
≈ 19 h Implement AI capabilities in database solutions25–30%La plus petite part, et la raison d'être de l'examen. Trois questions, dans l'ordre. Quel modèle, et comment les embeddings restent-ils à jour : choisir entre plusieurs modèles selon les capacités, la couverture linguistique, la taille et la forme de sortie ; en enregistrer un pour que le moteur puisse l'appeler ; décider quelles colonnes méritent vraiment d'être transformées en embeddings ; découper les textes longs en morceaux qui tiennent et gardent du sens ; et choisir le mécanisme qui régénère un embedding quand sa ligne source change, la partie que la plupart des conceptions ratent. Ensuite la récupération : recherche par mots-clés, recherche de similarité sur des vecteurs, ou les deux fusionnées en un seul classement ; comment les données vectorielles sont typées, indexées et dimensionnées ; l'arbitrage entre exact et approximatif, et ce qu'un index approximatif coûte en rappel ; et comment savoir si l'ensemble de résultats est réellement bon. Enfin, la génération ancrée sur ce qui a été récupéré : reconnaître les cas où la génération augmentée par récupération est la bonne réponse, appeler un endpoint externe depuis l'intérieur de la base, mettre en forme des lignes structurées en quelque chose qu'un modèle de langage sait lire, et extraire une réponse exploitable de ce qu'il renvoie.
≈ 13 h