Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Gilt nur für:
Foundry (klassisches) Portal. Dieser Artikel ist für das neue Foundry-Portal nicht verfügbar.
Erfahren Sie mehr über das neue Portal.
Hinweis
Links in diesem Artikel können Inhalte in der neuen Microsoft Foundry-Dokumentation anstelle der jetzt angezeigten Foundry-Dokumentation (klassisch) öffnen.
Bei einer Einbettung handelt es sich um ein spezielles Format der Datendarstellung, das maschinelle Lernmodelle und Algorithmen problemlos verwenden können. Bei der Einbettung handelt es sich um eine informationsdichte Darstellung der semantischen Bedeutung eines Textteils. Jede Einbettung ist ein Vektor von Gleitkommazahlen, sodass der Abstand zwischen zwei Einbettungen im Vektorraum mit der semantischen Ähnlichkeit zwischen zwei Eingaben im ursprünglichen Format korreliert wird. Wenn beispielsweise zwei Texte ähnlich sind, sollten ihre Vektordarstellungen ebenfalls ähnlich sein. Einbetten von Leistungsvektor-Ähnlichkeitssuche in Abrufsysteme wie Azure KI-Suche (empfohlen) und in Azure Datenbanken wie Azure Cosmos DB für MongoDB vCore, Azure SQL-Datenbank und Azure Database for PostgreSQL - Flexibler Server.
Einbetten von Modellen
Einbettungen erleichtern das Maschinelle Lernen bei großen Eingaben, die Wörter darstellen, indem die semantischen Ähnlichkeiten in einem Vektorraum erfasst werden. Daher können Sie Einbettungen verwenden, um zu bestimmen, ob zwei Textblöcke semantisch verwandt oder ähnlich sind, und eine Bewertung bereitzustellen, um die Ähnlichkeit zu bewerten.
Kosinus-Ähnlichkeit
Azure OpenAI-Einbettungen basieren häufig auf kosinusgleichheit zur Berechnung der Ähnlichkeit zwischen Dokumenten und einer Abfrage.
Aus mathematischer Sicht misst kosinusgleichheit den Kosinus des Winkels zwischen zwei Vektoren, die in einem mehrdimensionalen Raum projiziert werden. Diese Messung ist von Vorteil, denn wenn zwei Dokumente aufgrund der Größe weit voneinander entfernt sind, könnten sie dennoch einen kleineren Winkel zwischen ihnen und somit eine höhere Kosinusähnlichkeit aufweisen. Weitere Informationen zu Kosinusgleichheitsgleichungen finden Sie unter Kosinus-Ähnlichkeit.
Eine alternative Methode zum Identifizieren ähnlicher Dokumente besteht darin, die Anzahl der gemeinsamen Wörter zwischen Dokumenten zu zählen. Dieser Ansatz wird nicht skaliert, da eine Erweiterung der Dokumentgröße wahrscheinlich zu einer größeren Anzahl häufiger Wörter führt, die auch bei unterschiedlichen Themen erkannt wurden. Aus diesem Grund kann Kosinus-Ähnlichkeit eine effektivere Alternative bieten.
Nächste Schritte
- Erfahren Sie mehr über die Verwendung von Azure OpenAI und Einbettungen zum Ausführen der Dokumentsuche mit unserem Lernprogramm embeddings.
- Speichern Sie Ihre Einbettungen und führen Sie die Vektorsuche (Ähnlichkeit) mithilfe von Azure Cosmos DB für MongoDB vCore, Azure Cosmos DB für NoSQL , Azure SQL-Datenbank oder Azure Database for PostgreSQL – Flexibler Server.
- Verwenden Sie ein Eventhouse in Real-Time Intelligence in Microsoft Fabric als Vector-Datenbank
- Verwenden Sie die series_cosine_similarity-Funktion für die Ähnlichkeitssuche.