Uvod u Baze Podataka

📖 Šta su Baze Podataka?

Baza podataka je organizovana kolekcija podataka koja se čuva i pristupa elektronski. Zamislite je kao digitalni ormar za dokumente gdje se informacije čuvaju na strukturiran način koji olakšava pronalaženje, ažuriranje i upravljanje.

Ilustracija koncepta baze podataka kao sigurnog digitalnog trezora

Baze podataka rješavaju kritične probleme u razvoju softvera:

• Trajnost Podataka: Informacije preživljavaju restartovanje aplikacije i padove servera
• Integritet Podataka: Pravila osiguravaju da podaci ostaju tačni i konzistentni
• Istovremeni Pristup: Više korisnika može raditi sa podacima istovremeno
• Sigurnost: Kontrola ko može čitati, mijenjati ili brisati podatke
• Performanse: Optimizirani mehanizmi za skladištenje i dohvaćanje

🗂️ Tipovi Baza Podataka

Baze podataka se mogu kategorisati na nekoliko načina. Razumijevanje ovih kategorija pomaže vam da odaberete pravu bazu podataka za vaše potrebe.

1. Relacijske Baze Podataka (SQL Baze)

Relacijske baze podataka čuvaju podatke u tabelama sa redovima i kolonama. Tabele su povezane jedna sa drugom kroz strane ključeve (foreign keys), stvarajući strukturirani, normalizovani model podataka.

Vizualizacija relacijske strukture sa tabelama i ključevima

-- Primjer: Odnos između Zaposlenika, Odjeljenja i Projekata
CREATE TABLE Stats.Employees (
    EmployeeID INT PRIMARY KEY IDENTITY(1,1),
    FirstName NVARCHAR(50) NOT NULL,
    LastName NVARCHAR(50) NOT NULL,
    JMBG NVARCHAR(13) NOT NULL UNIQUE,
    DepartmentID INT NOT NULL,
    Position NVARCHAR(100) NOT NULL,
    Salary DECIMAL(10,2) NOT NULL,
    HireDate DATE NOT NULL
);

CREATE TABLE Stats.Departments (
    DepartmentID INT PRIMARY KEY IDENTITY(1,1),
    DepartmentName NVARCHAR(100) NOT NULL,
    DepartmentCode NVARCHAR(20) NOT NULL UNIQUE,
    Budget DECIMAL(15,2) NOT NULL
);

CREATE TABLE Stats.Projects (
    ProjectID INT PRIMARY KEY IDENTITY(1,1),
    ProjectName NVARCHAR(200) NOT NULL,
    DepartmentID INT NOT NULL,
    Budget DECIMAL(15,2) NOT NULL,
    StartDate DATE NOT NULL,
    Status NVARCHAR(50) NOT NULL,
    CONSTRAINT FK_Projects_Departments 
        FOREIGN KEY (DepartmentID) 
        REFERENCES Stats.Departments(DepartmentID)
);

Ključne Karakteristike:

• Strukturirani podaci sa unaprijed definisanim shemom
• ACID svojstva (Atomicity, Consistency, Isolation, Durability)
• SQL (Structured Query Language) za upite
• Jaka integritet podataka kroz ograničenja
• Najbolje za: Transakcione sisteme, finansijske podatke, strukturirane poslovne podatke

ACID Svojstva - Detaljno Objašnjenje

ACID je akronim koji predstavlja četiri ključna svojstva koja osiguravaju pouzdanost transakcija u relacijskim bazama podataka. Ova svojstva garantuju da transakcije budu pouzdane i konzistentne čak i u slučaju grešaka ili padova sistema.

-- Primjer transakcije koja demonstrira ACID svojstva
-- Transfer budžeta između projekata unutar istog odjeljenja
BEGIN TRANSACTION;

-- Atomicity: Ova transakcija mora biti cijela ili ništa
UPDATE Stats.Projects SET Budget = Budget - 100000 WHERE ProjectID = 1;
UPDATE Stats.Projects SET Budget = Budget + 100000 WHERE ProjectID = 2;

-- Consistency: Provjera da li je budžet projekta u validnom stanju
IF (SELECT Budget FROM Stats.Projects WHERE ProjectID = 1) < 0
BEGIN
    -- Ako je provjera neuspješna, rollback (Atomicity)
    ROLLBACK TRANSACTION;
    PRINT 'Transakcija poništena: Nedovoljno budžeta u projektu';
END
ELSE
BEGIN
    -- Isolation: Druge transakcije neće vidjeti ove izmjene dok se ne commit-uje
    -- Durability: Nakon commit-a, izmjene su trajne
    COMMIT TRANSACTION;
    PRINT 'Transakcija uspješna: Budžet prebačen između projekata';
END
GO

SQL (Structured Query Language) - Prošireno Objašnjenje

SQL (Structured Query Language) je standardizovani programski jezik dizajniran za upravljanje relacijskim bazama podataka. SQL omogućava kreiranje, čitanje, ažuriranje i brisanje podataka, kao i upravljanje strukturom baze podataka.

-- DDL: Kreiranje tabele
CREATE TABLE Stats.EconomicData (
    DataID INT PRIMARY KEY IDENTITY(1,1),
    RegionID INT NOT NULL,
    Year INT NOT NULL CHECK (Year >= 2000 AND Year <= 2100),
    GDP DECIMAL(18,2) CHECK (GDP >= 0),
    UnemploymentRate DECIMAL(5,2) CHECK (UnemploymentRate >= 0 AND UnemploymentRate <= 100),
    CONSTRAINT FK_EconomicData_Regions 
        FOREIGN KEY (RegionID) 
        REFERENCES Stats.Regions(RegionID)
);

-- DML: Dodavanje podataka
INSERT INTO Stats.EconomicData (RegionID, Year, GDP, UnemploymentRate)
VALUES (1, 2023, 10500000000.00, 15.5);

-- DML: Čitanje podataka
SELECT r.RegionName, ed.Year, ed.GDP, ed.UnemploymentRate
FROM Stats.EconomicData ed
INNER JOIN Stats.Regions r ON ed.RegionID = r.RegionID
WHERE ed.Year = 2023
ORDER BY ed.GDP DESC;

-- DML: Ažuriranje podataka
UPDATE Stats.EconomicData 
SET UnemploymentRate = UnemploymentRate - 0.5 
WHERE Year = 2023 AND RegionID = 1;

-- DML: Brisanje podataka
DELETE FROM Stats.EconomicData 
WHERE DataID = 5;

-- TCL: Transakcija - Transfer budžeta između projekata
BEGIN TRANSACTION;
    UPDATE Stats.Projects SET Budget = Budget - 100000 WHERE ProjectID = 1;
    UPDATE Stats.Projects SET Budget = Budget + 100000 WHERE ProjectID = 2;
COMMIT TRANSACTION;

Popularne Relacijske Baze Podataka:

• SQL Server (Microsoft) - Enterprise nivo, Windows/Linux
• MySQL - Open source, široko korišten za web aplikacije
• PostgreSQL - Napredna open source baza podataka
• Oracle - Enterprise baza podataka, visoke performanse
• MariaDB - MySQL fork, vođen zajednicom

2. NoSQL Baze Podataka

NoSQL (Not Only SQL) baze podataka pružaju fleksibilne modele podataka koji ne zahtijevaju fiksnu shemu. Dizajnirane su za skalabilnost i performanse sa velikim količinama podataka.

NoSQL Kategorije:

• Document Databases: Čuvaju podatke kao dokumente (JSON/BSON)
• Key-Value Stores: Jednostavni parovi ključ-vrijednost (Redis, DynamoDB)
• Column-Family Stores: Čuvaju podatke u kolonama (Cassandra, HBase)
• Graph Databases: Čuvaju relacije kao grafove (Neo4j, ArangoDB)

🧠 Vektorske Baze Podataka: AI Revolucija

Vektorske baze podataka su specijalizovane baze podataka dizajnirane za skladištenje i pretraživanje visoko-dimenzionalnih vektora (nizovi brojeva). One su esencijalne za AI aplikacije, posebno u semantic search, preporučnim sistemima, i aplikacijama sa large language model (LLM).

Futuristički prikaz vektorskih embeddingsa i AI konekcija

Semantic Search: Razumijevanje namjere iza ključnih riječi (npr. "Delicious Food" pronalazi picu i suši)

🏗️ Moderna Softverska Arhitektura

U modernom razvoju softvera, rijetko se oslanjamo samo na jedan tip baze podataka. Praksa poznata kao Polyglot Persistence podrazumijeva korištenje različitih tehnologija za skladištenje podataka kako bi se iskoristile prednosti svake.

Dijagram moderne arhitekture sa integrisanim različitim tipovima baza

Kako Vektorske Baze Rade sa LLM (Large Language Models)

Vektorske baze podataka su kritična komponenta u modernim LLM aplikacijama. Evo kako funkcionišu zajedno:

# Konceptualni primjer RAG pipeline-a sa vektorskom bazom i LLM-om

# 1. Generisanje embeddings za dokumente
documents = [
    "SQL Server je relacijska baza podataka",
    "Vektorske baze koriste embeddings za pretragu",
    "LLM modeli mogu generisati tekst"
]

# Koristimo embedding model (npr. OpenAI, Hugging Face)
embeddings = embedding_model.encode(documents)
# Rezultat: [[0.23, -0.45, 0.67, ...], [0.31, -0.12, 0.89, ...], ...]

# 2. Skladištenje u vektorsku bazu
vector_db.upsert(
    vectors=embeddings,
    ids=["doc1", "doc2", "doc3"],
    metadata=[
        {"title": "SQL Server", "category": "database"},
        {"title": "Vector DB", "category": "database"},
        {"title": "LLM", "category": "ai"}
    ]
)

# 3. Korisnikov upit
user_query = "Šta je baza podataka?"
query_embedding = embedding_model.encode([user_query])[0]

# 4. Pretraga sličnih vektora
similar_docs = vector_db.search(
    query_vector=query_embedding,
    top_k=2,
    metric="cosine_similarity"
)
# Rezultat: [{"id": "doc1", "score": 0.89}, {"id": "doc2", "score": 0.76}]

# 5. Prosleđivanje konteksta LLM-u
context = "\n".join([documents[int(doc["id"][-1])-1] for doc in similar_docs])
llm_response = llm_model.generate(
    prompt=f"Kontekst: {context}\n\nPitanje: {user_query}\n\nOdgovor:"
)
# LLM generiše odgovor baziran na pronađenom kontekstu

Šta su Vektorski Embeddings?

Vektorski embeddings su numeričke reprezentacije podataka (tekst, slike, audio) u višedimenzionalnom prostoru. Slični elementi su pozicionirani blizu jedan drugom u ovom prostoru.

Kako se Podaci Snimaju u Vektorskim Bazama

Proces skladištenja podataka u vektorskim bazama podataka uključuje nekoliko koraka:

📊 Vizualizacija Vektorskog Prostora

3D prikaz klastera podataka: Slični pojmovi su grupisani zajedno u višedimenzionalnom prostoru

Ilustracija: Dokumenti sa sličnim značenjem su blizu jedan drugom u vektorskom prostoru. Upit "baza podataka" pronalazi najbliže dokumente (SQL, DB, Data) koristeći cosine similarity.

# Primjer: Skladištenje dokumenata u vektorsku bazu

from qdrant_client import QdrantClient
from qdrant_client.models import Distance, VectorParams, PointStruct
import openai

# 1. Inicijalizacija klijenta
client = QdrantClient("localhost", port=6333)

# 2. Kreiranje kolekcije
client.create_collection(
    collection_name="documents",
    vectors_config=VectorParams(size=1536, distance=Distance.COSINE)
)

# 3. Dokumenti za skladištenje
documents = [
    {
        "id": 1,
        "text": "SQL Server je relacijska baza podataka razvijena od strane Microsoft-a",
        "metadata": {"category": "database", "author": "Microsoft"}
    },
    {
        "id": 2,
        "text": "Vektorske baze koriste embeddings za semantic search",
        "metadata": {"category": "ai", "author": "AI Team"}
    },
    {
        "id": 3,
        "text": "PostgreSQL je napredna open-source relacijska baza",
        "metadata": {"category": "database", "author": "PostgreSQL Team"}
    }
]

# 4. Generisanje embeddings
embeddings = []
for doc in documents:
    response = openai.Embedding.create(
        input=doc["text"],
        model="text-embedding-ada-002"
    )
    embedding = response['data'][0]['embedding']  # 1536 dimenzija
    embeddings.append(embedding)

# 5. Skladištenje u vektorsku bazu
points = [
    PointStruct(
        id=doc["id"],
        vector=embeddings[i],
        payload={
            "text": doc["text"],
            **doc["metadata"]
        }
    )
    for i, doc in enumerate(documents)
]

client.upsert(
    collection_name="documents",
    points=points
)

# 6. Pretraga sličnih dokumenata
query_text = "Šta je relacijska baza podataka?"
query_embedding = openai.Embedding.create(
    input=query_text,
    model="text-embedding-ada-002"
)['data'][0]['embedding']

results = client.search(
    collection_name="documents",
    query_vector=query_embedding,
    limit=2
)

# Rezultat: Pronaći će dokumente 1 i 3 (o relacijskim bazama)
for result in results:
    print(f"Score: {result.score}, Text: {result.payload['text']}")

Kako Vektorske Baze Podataka Rade

Vektorske baze podataka koriste specijalizovane strukture indeksiranja za omogućavanje brzih pretraga sličnosti:

• Indeksiranje: Vektori se organizuju koristeći algoritme kao što su HNSW (Hierarchical Navigable Small World), IVF (Inverted File Index), ili LSH (Locality Sensitive Hashing)
• Pretraga Sličnosti: Kada postavite upit, baza podataka pronalazi vektore najbliže vašem upitnom vektoru
• Metrike Udaljenosti: Uobičajene metrike uključuju cosine similarity, Euclidean distance, i dot product

Šta Znači "B" Notacija?

"B" u B-tree i B+ tree stoji za "Balanced" ili "Bayer" (nazvano po izumitelju). Ovo su strukture podataka stabla korištene za indeksiranje:

• B-tree: Samo-balansirajuće stablo gdje svaki čvor može imati više djece. Korišteno u tradicionalnim bazama podataka za indeksiranje.
• B+ tree: Varijanta gdje su svi podaci pohranjeni u listovima, sa internim čvorovima koji sadrže samo ključeve. Efikasnije za range upite.

Vektorske baze podataka često koriste različite strukture optimizovane za visoko-dimenzionalne podatke, ali koncept balansiranih stabala za efikasno pretraživanje je sličan.

Vektorske Baze Podataka u Semantic Search

Semantic search razumije značenje i kontekst upita, ne samo podudaranje ključnih riječi. Vektorske baze podataka omogućavaju ovo kroz:

1. Generisanje Embeddings: Konvertovanje dokumenata i upita u vektore
2. Skladištenje: Čuvanje vektora dokumenata u vektorskoj bazi podataka
3. Obrada Upita: Konvertovanje upita pretrage u vektor i pronalaženje sličnih vektora dokumenata
4. Dohvaćanje: Vraćanje dokumenata sa najvišim skorom sličnosti

🔍 Semantic Search - Vizualizacija Procesa

Ilustracija: Upit "baza podataka" se konvertuje u vektor i pronalazi najbliže dokumente u vektorskom prostoru. Dokumenti sa sličnim značenjem (SQL, Database, Data) imaju visok cosine similarity skor i vraćaju se kao rezultati.

# Conceptual example (not actual SQL)
# 1. Convert documents to embeddings
document_embedding = embed("SQL Server is a relational database")
query_embedding = embed("database management system")

# 2. Find similar vectors
similar_documents = vector_db.search(
    query_vector=query_embedding,
    top_k=5,
    metric="cosine_similarity"
)

# Returns documents about databases, even without exact keyword match

Poznate Vektorske Baze Podataka

⚖️ SQL Server vs Druge Relacijske Baze Podataka

SQL Server je jedan od vodećih sistema za upravljanje relacijskim bazama podataka. Evo kako se poredi sa drugim popularnim opcijama:

📄 NoSQL i Document Baze Podataka

NoSQL baze podataka su se pojavile da rješavaju ograničenja relacijskih baza podataka za određene slučajeve korištenja, posebno oko skalabilnosti i fleksibilnosti sheme.

Šta je NoSQL?

NoSQL znači "Not Only SQL" - ove baze podataka ne koriste tradicionalni relacijski model baziran na tabelama. Umjesto toga, koriste različite modele podataka optimizovane za specifične slučajeve korištenja.

Objašnjenje Document Baza Podataka

Document baze podataka čuvaju podatke kao dokumente, tipično u JSON ili BSON formatu. Svaki dokument je samostalan i može imati drugačiju strukturu od drugih dokumenata.

JSON (JavaScript Object Notation) - Detaljno Objašnjenje

JSON je lako čitljiv format za razmjenu podataka koji koristi tekstualnu reprezentaciju struktuiranih podataka. JSON je postao standardni format za razmjenu podataka između web aplikacija i servera, ali također može biti korišten kao format za skladištenje podataka u tekstualnim bazama podataka.

{
  // String
  "firstName": "John",
  "lastName": "Doe",
  
  // Number
  "age": 30,
  "salary": 75000.50,
  
  // Boolean
  "isActive": true,
  "isAdmin": false,
  
  // null
  "middleName": null,
  
  // Object (ugniježđeni)
  "address": {
    "street": "123 Main St",
    "city": "New York",
    "zipCode": "10001",
    "country": "USA"
  },
  
  // Array
  "skills": ["statistika", "analiza podataka", "SQL"],
  
  // Array objekata
  "projects": [
    {
      "projectId": "PROJ-001",
      "name": "Digitalizacija statistike",
      "startDate": "2023-01-15",
      "budget": 2000000.00,
      "status": "InProgress"
    },
    {
      "projectId": "PROJ-002",
      "name": "Popis stanovništva 2024",
      "startDate": "2024-01-01",
      "budget": 5000000.00,
      "status": "InProgress"
    }
  ],
  
  // Kompleksniji primjer
  "metadata": {
    "createdAt": "2024-01-01T10:00:00Z",
    "updatedAt": "2024-03-15T14:30:00Z",
    "tags": ["statistika", "ekonomija", "državna agencija"]
  }
}

// users.json - Primjer jednostavne tekstualne baze podataka
[
  {
    "id": 1,
    "username": "johndoe",
    "email": "[email protected]",
    "profile": {
      "firstName": "John",
      "lastName": "Doe",
      "age": 30
    },
    "settings": {
      "theme": "dark",
      "notifications": true
    }
  },
  {
    "id": 2,
    "username": "janedoe",
    "email": "[email protected]",
    "profile": {
      "firstName": "Jane",
      "lastName": "Doe",
      "age": 28
    },
    "settings": {
      "theme": "light",
      "notifications": false
    }
  }
]

BSON (Binary JSON) - Objašnjenje

BSON (Binary JSON) je binarna reprezentacija JSON-a dizajnirana za efikasno skladištenje i pretraživanje. BSON je format koji koristi MongoDB i druge NoSQL baze podataka za internu reprezentaciju dokumenata.

// JSON format (kako vidite u editoru) - Zaposlenik u državnoj agenciji
{
  "_id": "507f1f77bcf86cd799439011",
  "firstName": "Ahmed",
  "lastName": "Hodžić",
  "jmbg": "0101950123456",
  "email": "[email protected]",
  "department": {
    "departmentId": 4,
    "departmentName": "Agencija za Statistiku",
    "departmentCode": "AS"
  },
  "position": "Statističar",
  "salary": 2500.00,
  "hireDate": "2020-09-01",
  "projects": [
    {
      "projectId": "PROJ-001",
      "projectName": "Digitalizacija statistike",
      "startDate": "2023-01-15",
      "budget": 2000000.00
    }
  ]
}

// BSON format (kako se čuva u MongoDB)
// Binarna reprezentacija koja uključuje:
// - Type informacije za svako polje
// - Length prefiksi za brzo parsiranje
// - Dodatne tipove (Date, Binary, ObjectId)
// - Kompaktniju strukturu

Kako Document Baze Podataka Rade

• Fleksibilnost Sheme: Svaki dokument može imati različita polja - nema rigidne sheme
• JSON/BSON Struktura: Podaci pohranjeni kao ugniježđeni objekti i nizovi
• Horizontalno Skaliranje: Dizajnirano za skaliranje preko više servera
• Jezik Upita: Svaka baza podataka ima svoj jezik upita (MongoDB koristi JavaScript-like upite)
• Indeksiranje: Može indeksirati bilo koje polje, uključujući ugniježđena polja

Poznate Document Baze Podataka

Kada Koristiti SQL vs NoSQL?

Izbor između SQL i NoSQL zavisi od vaših specifičnih zahtjeva:

🎯 Gdje SQL Server Stoji

SQL Server je relacijski sistem za upravljanje bazama podataka (RDBMS) koji se ističe u enterprise okruženjima, posebno unutar Microsoft ekosistema.

SQL Server u enterprise okruženju

Pozicija SQL Server-a

• Enterprise Nivo: Dizajniran za mission-critical aplikacije
• Windows Integracija: Duboka integracija sa Windows Server i Active Directory
• Azure Cloud: Native integracija sa Azure servisima
• .NET Ekosistem: Savršeno za .NET aplikacije
• Business Intelligence: Jaki BI alati (SSRS, SSAS, SSIS)
• Sigurnost: Enterprise nivo sigurnosnih funkcionalnosti

☁️ Microsoft Azure i Cloud Baze Podataka

Microsoft Azure je cloud computing platforma koja pruža širok spektar servisa uključujući računarske resurse, skladištenje, mrežu, i naravno, baze podataka. Azure omogućava organizacijama da koriste baze podataka bez potrebe za održavanjem vlastite infrastrukture.

Microsoft Azure Cloud Platform

Šta je Azure i Kako se Uklapa u Ekosistem Baza Podataka?

Azure je Microsoft-ova cloud platforma koja nudi infrastrukturu kao servis (IaaS), platformu kao servis (PaaS), i softver kao servis (SaaS). U kontekstu baza podataka, Azure pruža:

Azure Baze Podataka - Pregled Dostupnih Opcija

Azure nudi širok spektar baza podataka za različite potrebe:

SQL Server na Azure - Varijante i Opcije

SQL Server ima nekoliko varijanti na Azure platformi, svaka optimizovana za različite scenarije:

-- Azure SQL Database - Primjer konekcije
-- Connection string format:
-- Server=tcp:myserver.database.windows.net,1433;Database=mydb;
-- User ID=myuser@myserver;Password=mypassword;Encrypt=true;

-- Azure SQL Managed Instance - Primjer konekcije
-- Server=myserver.1234567890abc.database.windows.net;Database=mydb;
-- User ID=myuser;Password=mypassword;Encrypt=true;

-- SQL Server na Azure VM - Primjer konekcije
-- Server=myserver.eastus.cloudapp.azure.com,1433;Database=mydb;
-- User ID=myuser;Password=mypassword;Encrypt=true;

-- Svi koriste standardni SQL Server connection string format
-- Razlika je u server adresi i dostupnim funkcionalnostima

Azure i SQL Server - Integracija i Prednosti

Azure nudi nekoliko načina integracije SQL Server-a u cloud ekosistem:

🎯 Praktična Vježba: Razumijevanje Tipova Baza Podataka

✅ Zaključak

U ovoj lekciji ste naučili osnove baza podataka:

• ✅ Šta su baze podataka i zašto postoje
• ✅ Tipove baza podataka: Relacijske (SQL), NoSQL, i Vektorske baze
• ✅ Kako vektorske baze podataka rade i njihovu ulogu u AI aplikacijama
• ✅ Poziciju SQL Server-a u odnosu na druge relacijske baze podataka
• ✅ Document baze podataka i kada koristiti NoSQL vs SQL
• ✅ Gdje SQL Server stoji u ekosistemu baza podataka