この記事では、Azure AI 検索でベクトル インデックスがある場合の、次の方法について説明します。
この記事では、図示するために REST を使用しています。 基本的なワークフローを理解したら、ベクター クエリを含むエンドツーエンドのソリューションを提供する azure-search-vector-samples リポジトリの Azure SDK コード サンプルに進みます。
Azure portal で Search エクスプローラーを使うこともできます。
前提条件
任意のリージョンおよび任意のレベルの Azure AI Search サービス 。
ベクター インデックス。 インデックス内の
vectorSearch
セクションを確認して、その存在を確認します。必要に応じて、クエリ中のテキストからベクトルまたは画像からベクトルへの組み込み変換のために、インデックスにベクトライザーを追加することもできます。
これらの例を自分で実行する場合の REST クライアントとサンプル データを含む Visual Studio Code。 REST クライアントの使用を開始するには、「 クイック スタート: REST を使用したフルテキスト検索」を参照してください。
クエリ文字列入力をベクトルに変換する
ベクトル フィールドに対してクエリを実行するには、クエリ自体がベクトルである必要があります。
ユーザーのテキスト クエリ文字列をそのベクトル表現に変換するための 1 つのアプローチは、アプリケーション コード内で埋め込みライブラリまたは API を呼び出すことです。 "ソース ドキュメントに埋め込みを生成するために使用したのと同じ埋め込みを常に使用する" ことをお勧めします。 埋め込みを生成する方法を示すコードサンプルは、azure-search-vector-samples リポジトリにあります。
2 つ目のアプローチは、 一般公開された統合ベクター化を使用して、Azure AI Search でクエリベクター化の入力と出力を処理できるようにすることです。
Azure OpenAI 埋め込みモデルのデプロイに送信されるクエリ文字列の REST API の例を次に示します:
POST https://{{openai-service-name}}.openai.azure.com/openai/deployments/{{openai-deployment-name}}/embeddings?api-version={{openai-api-version}}
Content-Type: application/json
api-key: {{admin-api-key}}
{
"input": "what azure services support generative AI'"
}
デプロイされたモデルの呼び出しが成功した場合、予想される応答は 202 です。
応答の本文の embedding
フィールドは、クエリ文字列 input
のベクター表現です。 テストの目的で、次のいくつかのセクションで示す構文を使用して、 embedding
配列の値をクエリ要求の vectorQueries.vector
にコピーします。
デプロイされたモデルに対するこの POST 呼び出しに対する実際の応答には、1,536 個の埋め込み機能が含まれています。 読みやすくするために、この例では最初のいくつかのベクトルのみを示します。
{
"object": "list",
"data": [
{
"object": "embedding",
"index": 0,
"embedding": [
-0.009171937,
0.018715322,
...
-0.0016804502
]
}
],
"model": "ada",
"usage": {
"prompt_tokens": 7,
"total_tokens": 7
}
}
このアプローチでは、アプリケーション コードはモデルへの接続、埋め込みデータの生成、応答の処理を担当します。
ベクトル クエリ要求
このセクションでは、ベクトル クエリの基本的な構造を説明します。 Azure portal、REST API、または Azure SDK を使用して、ベクトル クエリを作成できます。
2023-07-01-Preview から移行する場合、重大な変更があります。 詳細については、「 最新の REST API へのアップグレード」を参照してください。
2024-07-01 は、安定した REST API バージョンの Search POST です。 このバージョンでは次の内容がサポートされます。
vectorQueries
はベクトル検索のコンストラクトです。vectorQueries.kind
をベクター配列のvector
に設定するか、入力が文字列の場合とtext
場合はします。vectorQueries.vector
はクエリ (テキストまたは画像のベクター表現) です。vectorQueries.exhaustive
(省略可能) では、HNSW のフィールドにインデックスを付けた場合でも、クエリ時に完全な KNN を呼び出します。vectorQueries.fields
(省略可能) クエリ実行の特定のフィールドを対象とします (クエリあたり最大 10)。vectorQueries.weight
(省略可能) 検索操作に含まれる各ベクター クエリの相対的な重みを指定します。 詳細については、「 ベクターの重み付け」を参照してください。vectorQueries.k
は返される一致の数です。
次の例では、ベクトルはこの文字列の表現です: "what Azure services support full text search"
。 クエリは contentVector
フィールドを対象とし、結果 k
返します。 実際のベクターには 1,536 個の埋め込みがあり、この例では読みやすくするためにトリミングされています。
POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2024-07-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
"count": true,
"select": "title, content, category",
"vectorQueries": [
{
"kind": "vector",
"vector": [
-0.009154141,
0.018708462,
. . .
-0.02178128,
-0.00086512347
],
"exhaustive": true,
"fields": "contentVector",
"weight": 0.5,
"k": 5
}
]
}
ベクトル クエリ応答
Azure AI 検索では、クエリ応答は既定ですべての retrievable
フィールドで構成されます。 ただし、retrievable
フィールドのサブセットを select
ステートメントに一覧表示することで、検索結果を制限することは一般的です。
ベクトル クエリでは、応答のフィールドをベクトル化する必要があるかどうかを注意深く検討してください。 ベクター フィールドは人間が判読できないため、Web ページに応答をプッシュする場合は、結果を表す非ベクトル フィールドを選択する必要があります。 たとえば、contentVector
に対してクエリが実行された場合、代わりに content
を返すことができます。
結果にベクター フィールドが必要な場合は、応答構造の例を次に示します。 contentVector
は埋め込みの文字列配列であり、この例では読みやすくするためにトリミングされています。 検索スコアは関連性を示します。 その他の非ベクトル フィールドもコンテキストのために含まれています。
{
"@odata.count": 3,
"value": [
{
"@search.score": 0.80025613,
"title": "Azure Search",
"category": "AI + Machine Learning",
"contentVector": [
-0.0018343845,
0.017952163,
0.0025753193,
...
]
},
{
"@search.score": 0.78856903,
"title": "Azure Application Insights",
"category": "Management + Governance",
"contentVector": [
-0.016821077,
0.0037742127,
0.016136652,
...
]
},
{
"@search.score": 0.78650564,
"title": "Azure Media Services",
"category": "Media",
"contentVector": [
-0.025449317,
0.0038463024,
-0.02488436,
...
]
}
]
}
重要なポイント:
k
は、返されるニアレストネイバー結果の数を決定します。この場合は 3 です。 一部のドキュメントの類似性が低い場合でも、少なくともk
ドキュメントが存在すると仮定すると、ベクター クエリは常にk
結果を返します。 これは、アルゴリズムがクエリ ベクターに最も近いk
を検出するためです。ベクター検索アルゴリズムによって、
@search.score
が決定されます。検索結果のフィールドは、すべて
retrievable
フィールドであるか、select
句に含まれるフィールドのいずれかです。 ベクター クエリの実行中に、ベクター データに対して一致が行われます。 ただし、応答には、インデックスに任意のretrievable
フィールドを含めることができます。 ベクター フィールドの結果をデコードする機能がないため、非ベクトル テキスト フィールドを含めることは、人間が判読できる値に役立ちます。
複数のベクトル フィールド
vectorQueries.fields
プロパティを複数のベクター フィールドに設定できます。 ベクトル クエリは fields
リストで指定した各ベクトル フィールドに対して実行されます。 最大 10 個のフィールドを指定できます。
複数のベクター フィールドに対してクエリを実行する場合は、各フィールドに同じ埋め込みモデルの埋め込み値が含まれていることを確認します。 クエリも同じ埋め込みモデルから生成する必要があります。
POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2024-07-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
"count": true,
"select": "title, content, category",
"vectorQueries": [
{
"kind": "vector",
"vector": [
-0.009154141,
0.018708462,
. . .
-0.02178128,
-0.00086512347
],
"exhaustive": true,
"fields": "contentVector, titleVector",
"k": 5
}
]
}
複数のベクトル クエリ
マルチクエリ ベクトル検索では、検索インデックス内の複数のベクトル フィールドに対して複数のクエリが送信されます。 この種類のクエリは、同じモデルでテキストと画像の両方をベクター化できるマルチモーダル検索用の CLIP などのモデルでよく使用されます。
次のクエリ例では、 myImageVector
と myTextVector
の両方で類似性を検索しますが、それぞれ並列で実行される 2 つのクエリ埋め込みを送信します。 このクエリの結果は、 逆ランク 融合 (RRF) を使用してスコア付けされます。
vectorQueries
でベクトル クエリの配列が指定されます。vector
には、検索インデックス内の画像ベクトルとテキスト ベクトルが含まれています。 各インスタンスは個別のクエリです。fields
でターゲットとなるベクトル フィールドが指定されます。k
は、結果に含めるニアレストネイバーの数です。
{
"count": true,
"select": "title, content, category",
"vectorQueries": [
{
"kind": "vector",
"vector": [
-0.009154141,
0.018708462,
. . .
-0.02178128,
-0.00086512347
],
"fields": "myimagevector",
"k": 5
},
{
"kind": "vector"
"vector": [
-0.002222222,
0.018708462,
-0.013770515,
. . .
],
"fields": "mytextvector",
"k": 5
}
]
}
検索インデックスでは画像を格納できません。 インデックスに画像ファイルのフィールドが含まれていると仮定すると、検索結果にはテキストと画像の組み合わせが含まれます。
垂直統合を使用したクエリ
このセクションでは、 統合ベクター化 を呼び出してテキストまたは 画像のクエリ をベクターに変換するベクター クエリを示します。 この機能には、安定版の 2024-07-01 REST API、Search エクスプローラー、またはそれ以降の Azure SDK パッケージを使うことをお勧めします。
前提条件は、 vectorizer が構成され、ベクター フィールドに割り当てられている 検索インデックスです。 ベクトル化では、クエリ時に使用された接続情報が埋め込みモデルに指定されます。
Search エクスプローラーでは、クエリ時の垂直統合がサポートされています。 インデックスにベクトル フィールドが含まれており、ベクトライザーを使用している場合は、テキストからベクトルへの組み込み変換を使用できます。
Azure portal にサインインし、ご利用の検索サービスを探します。
左側のメニューから、[検索の管理] >[インデックス] を選択し、インデックスを選択します。
ベクター 化があることを確認するには、[Vector profiles]\( ベクトル プロファイル \) タブを選択します。
[検索エクスプローラー] タブを選択します。既定のクエリ ビューを使用すると、検索バーにテキスト文字列を入力できます。 組み込みベクトライザーにより、文字列がベクトルに変換され、検索が実行されて、結果が返されます。
または、[表示]>[JSON ビュー] を選択して、クエリを表示または変更することもできます。 ベクトルが存在する場合、Search エクスプローラーによって自動的にベクトル クエリが設定されます。 JSON ビューを使用すると、検索と応答で使用するフィールドの選択、フィルターの追加、 ハイブリッド クエリなどのより高度なクエリの構築を行うことができます。 JSON の例を表示するには、このセクションの [REST API] タブを選択します。
ベクトル クエリ応答のランク付けされた結果の数
ベクター クエリは、結果で返される一致の数を決定する k
パラメーターを指定します。 検索エンジンは常に一致を k
個返します。 k
がインデックス内のドキュメントの数より大きい場合、ドキュメントの数によって返される内容の上限が決まります。
フルテキスト検索に慣れている場合は、インデックスに用語または語句が含まれていない場合は、結果が 0 になると予想されます。 ただし、ベクター検索では、最も近い近傍が特定され、最も近い近隣ノードが類似していない場合でも、常に k
結果が返されます。 特にプロンプトを使用して境界を設定していない場合は、無意味なクエリまたはトピック外のクエリの結果を取得できます。 関連性の低い結果は類似度スコアが悪くなりますが、近いものがない場合でも"ニアレスト" ベクトルです。 そのため、意味のある結果を含まない応答でも k
結果を返すことができますが、各結果の類似性スコアは低くなります。
フルテキスト検索を含む ハイブリッド アプローチ では、この問題を軽減できます。 もう 1 つの解決策は、クエリが純粋な単一ベクトル クエリである場合にのみ、検索スコアに最小しきい値を設定することです。 RRF 範囲ははるかに小さく、揮発性が高いため、ハイブリッド クエリは最小しきい値に役立たない。
結果数に影響するクエリ パラメーターは次のとおりです。
"k": n
ベクターのみのクエリの結果。"top": n
search
パラメーターを含むハイブリッド クエリの結果。
k
と top
はどちらも省略可能です。 指定しない場合、応答の結果の既定の数は 50 です。 top
とskip
をページに設定して、より多くの結果を表示したり、既定値を変更したりできます。
ベクトル クエリで使用されるランク付けアルゴリズム
結果のランク付けは、次のいずれかによって計算されます。
- 類似性メトリック。
- 検索結果のセットが複数ある場合は RRF。
類似性メトリック
ベクトルのみのクエリのインデックス vectorSearch
セクションで指定された類似性メトリック。 有効な値は cosine
、euclidean
、dotProduct
です。
Azure OpenAI 埋め込みモデルではコサイン類似性が使用されるため、Azure OpenAI 埋め込みモデルを使用している場合は、cosine
が推奨されるメトリックです。 その他のサポートされているランク付けメトリックには、euclidean
と dotProduct
があります。
RRF
クエリが複数のベクター フィールドを対象とする場合、複数のベクター クエリを並列で実行する場合、または セマンティック ランク付けの有無にかかわらず、ベクターとフルテキスト検索のハイブリッドである場合は、複数のセットが作成されます。
クエリの実行中は、ベクトル クエリは 1 つの内部ベクトル インデックスのみを対象とすることができます。 複数のベクター フィールドと複数のベクター クエリの場合、検索エンジンは、各フィールドのそれぞれのベクター インデックスを対象とする複数のクエリを生成します。 出力は、RRF を使用して融合された各クエリのランク付けされた結果のセットです。 詳細については、レシプロカルランクフュージョンを使用した関連性スコアリングを参照してください。
ベクトルの重み付け
検索操作に含まれる各ベクトル クエリの相対的な重みを指定するには、weight
クエリ パラメーターを追加します。 この値は、同じ要求内の 2 つ以上のベクトル クエリによって、またはハイブリッド クエリのベクトル部分から生成された、複数のランク付けリストの結果を結合するときに使用されます。
既定値は 1.0 で、値は 0 より大きい正の数値である必要があります。
重みは、各ドキュメントの RRF スコア を計算するときに使用されます。 計算は、それぞれの結果セット内のドキュメントのランク スコアに対する weight
値の乗数です。
次の例は、2 つのベクトル クエリ文字列と 1 つのテキスト文字列を含むハイブリッド クエリです。 重みはベクトル クエリに割り当てられます。 最初のクエリは 0.5、つまり半分の重みであり、要求での重要度が低下します。 2 番目のベクトル クエリは重要度が 2 倍になります。
POST https://[service-name].search.windows.net/indexes/[index-name]/docs/search?api-version=2024-07-01
{
"vectorQueries": [
{
"kind": "vector",
"vector": [1.0, 2.0, 3.0],
"fields": "my_first_vector_field",
"k": 10,
"weight": 0.5
},
{
"kind": "vector",
"vector": [4.0, 5.0, 6.0],
"fields": "my_second_vector_field",
"k": 10,
"weight": 2.0
}
],
"search": "hello world"
}
ベクトルの重み付けは、ベクトルにのみ適用されます。 この例のテキスト クエリ "hello world"
、暗黙的なニュートラルウェイトは 1.0 です。 ただし、ハイブリッド クエリでは、maxTextRecallSize を設定することで、テキスト フィールドの重要度を増減できます。
しきい値を設定してスコアの低い結果を除外する (プレビュー)
ニアレストネイバー検索では要求された k
個の近傍が常に返されるため、検索結果で k
の数の要件を満たす一環として、スコアの低い複数の一致が取得される可能性があります。 スコアの低い検索結果を除外するには、最小スコアに基づいて結果を除外する threshold
クエリ パラメーターを追加します。 フィルター処理は、複数のリコール セットの結果を融合する前に発生します。
このパラメーターはプレビュー段階です。 2024-05-01-preview REST API バージョンをお勧めします。
この例では、結果の数が k
を下回った場合でも、0.8 未満のスコアのすべての一致がベクター検索結果から除外されます。
POST https://[service-name].search.windows.net/indexes/[index-name]/docs/search?api-version=2024-05-01-preview
Content-Type: application/json
api-key: [admin key]
{
"vectorQueries": [
{
"kind": "vector",
"vector": [1.0, 2.0, 3.0],
"fields": "my-cosine-field",
"threshold": {
"kind": "vectorSimilarity",
"value": 0.8
}
}
]
}
ハイブリッド検索用の MaxTextSizeRecall (プレビュー)
ベクトル クエリは、非ベクトル フィールドを含むハイブリッド コンストラクトでよく使用されます。 ハイブリッド クエリの結果における BM25 ランクの結果の出現が多すぎる、または少なすぎる場合、maxTextRecallSize
を設定して、ハイブリッド ランク付けに対して提供された BM25 ランクの結果を増減させることができます。
このプロパティは、 search
コンポーネントと vectorQueries
コンポーネントの両方を含むハイブリッド要求でのみ設定できます。
このパラメーターはプレビュー段階です。 2024-05-01-preview REST API バージョンをお勧めします。
詳細については、maxTextRecallSize の設定 - ハイブリッド クエリの作成に関する記事を参照してください。
次のステップ
次の手順として、Python、C#、JavaScript のベクトル クエリ コードの例を確認してください。