Wybieranie usługi platformy Azure na potrzeby wyszukiwania wektorowego

Wyszukiwanie wektorowe to sposób znajdowania informacji przechowywanych w bazie danych w kształcie wektorów. Wektory to grupy liczb reprezentujące cechy lub cechy multimediów, takie jak tekst lub obrazy. Przechwytują relacje semantyczne w informacjach, co umożliwia wyszukiwanie podobieństw poza dokładnym dopasowaniem słów kluczowych.

Platforma Azure oferuje wiele sposobów przechowywania i wyszukiwania wektoryzowanych danych. Ten artykuł pomaga wybrać odpowiednią usługę wyszukiwania wektorów Azure dla aplikacji.

W tym artykule porównaliśmy następujące usługi na podstawie ich możliwości wyszukiwania wektorowego:

Aby porównać wymagania systemowe poszczególnych usług, zobacz Wybór usługi kandydującej i macierz możliwości.

Wybierz usługę kandydata

Ta sekcja pomaga wybrać najlepszą usługę lub usługi dla Twoich potrzeb. Aby zawęzić opcje, zacznij od rozważenia wymagań systemowych.

Podstawowe wymagania

Aby zdecydować, czy używać tradycyjnego rozwiązania bazy danych, czy wyszukiwania sztucznej inteligencji, weź pod uwagę wymagania i czy można wykonywać wyszukiwania wektorów na żywo lub w czasie rzeczywistym na danych. Jeśli często zmieniasz wartości w polach wektoryzowanych i jeśli te zmiany muszą być przeszukiwalne w czasie rzeczywistym lub niemal w czasie rzeczywistym, tradycyjna relacyjna lub NoSQL baza danych jest najlepszym rozwiązaniem dla danego scenariusza. Podobnie istniejąca baza danych może być najlepszym sposobem spełnienia celu wydajności. Jeśli jednak obciążenie nie wymaga wyszukiwania wektorów w czasie rzeczywistym lub niemal w czasie rzeczywistym i możesz zarządzać indeksem wektorów, możesz użyć funkcji wyszukiwania sztucznej inteligencji.

Jeśli wybierzesz tradycyjne rozwiązanie bazy danych, wybierz usługę bazy danych na podstawie zestawu umiejętności twojego zespołu i istniejących baz danych. Jeśli używasz już usługi bazy danych, takiej jak Azure Cosmos DB na potrzeby NoSQL, usługa ta może być najprostszym rozwiązaniem dla danego scenariusza.

Azure Cosmos DB for NoSQL jest dobrym rozwiązaniem, jeśli chcesz przechowywać dane operacyjne i wykonywać wyszukiwanie wektorowe w tym samym systemie oraz jeśli potrzebujesz punktacji pełnotekstowej, wyszukiwania hybrydowego lub wbudowanego ponownego rankingowania. Moduł semantycznego ponownego rankingowania jest dostępny w wersji zapoznawczej. Gdy aplikacja zapisuje rekord i jego osadzanie razem, nie musisz synchronizować oddzielnego indeksu wyszukiwania przed wykonaniem zapytania o zaktualizowany element.
AI Search to dobry wybór, gdy potrzebujesz oddzielnego zarządzanego indeksu treści z wielu źródeł, z zintegrowaną wektoryzacją i funkcjami specyficznymi dla wyszukiwania, takimi jak filtrowanie fasetowe i autouzupełnianie.
Azure Database for PostgreSQL obsługuje skalowanie w poziomie przy użyciu klastrów elastycznych — zarządzanej wersji rozszerzenia Citus typu open source, które obsługuje partycjonowanie horyzontalne. Ta funkcja dystrybuuje dane wektorowe między wieloma węzłami, co może być przydatne w przypadku dużych zestawów danych wektorowych.
Rozważ usługę Azure Managed Redis, gdy potrzebujesz ultraniskich opóźnień i wektorowego wyszukiwania w pamięci lub gdy Redis wdrożono już na potrzeby buforowania albo zarządzania sesjami.

Każda usługa bazy danych ma unikatowe możliwości i ograniczenia dotyczące wyszukiwania wektorów. Sprawdź, czy typ bazy danych ma wymagane funkcje.

Nowe usługi i dodatkowe wystąpienia bazy danych mogą zwiększyć koszty i złożoność. Aby zmniejszyć nakład pracy, możesz nadal używać istniejącego projektu. Wyszukiwanie wektorowe w bieżących bazach danych może być bardziej ekonomiczne niż dedykowana usługa wyszukiwania wektorów.

Obsługa zaawansowanych funkcji pobierania różni się w zależności od usługi. Azure Cosmos DB dla NoSQL i Azure DocumentDB zapewniają natywne wyszukiwanie hybrydowe, które łączy wyszukiwanie pełnotekstowe i wektorowe przy użyciu wzajemnego łączenia rangi (RRF). Azure Cosmos DB dla NoSQL udostępnia również semantyczny reranker w wersji zapoznawczej. AI Search oferuje wyszukiwanie hybrydowe i ranking semantyczny jako zarządzane funkcje wyszukiwania. W przypadku usług, które nie zapewniają tych możliwości, zaimplementuj wymaganą logikę klasyfikacji w kodzie aplikacji lub bazy danych.

Macierz możliwości

Tabele w tej sekcji podsumowują możliwości usługi Azure Vector Search. Porównaj dostępne usługi z wymaganiami. Niektóre usługi są lepiej dopasowane do konkretnych scenariuszy, dlatego należy wziąć pod uwagę kompromisy przedstawione w każdej tabeli.

Jeśli pracujesz w Microsoft Fabric, możesz użyć Real-Time Intelligence na potrzeby wyszukiwania podobieństwa wektorów (VSS) przy użyciu magazynu zdarzeń jako wektorowej bazy danych. Aby uzyskać więcej informacji, zobacz dokumentację Fabric.

Funkcje podstawowe

Natywna obsługa wektorowych typów danych, przybliżonych indeksów wektorowych najbliższych sąsiadów (ANN), limitów wymiarów wektorów, wielu pól wektorowych i wielu indeksów wektorowych różni się w zależności od usługi. Obciążenie może wymagać co najmniej jednej z tych funkcji.

W poniższej tabeli przedstawiono możliwości wektorów każdej usługi Azure.

Zdolność	Azure Cosmos DB for NoSQL	Azure DocumentDB	Azure Database for PostgreSQL	Zarządzany Redis w Azure	Wyszukiwanie AI	Baza danych SQL
Wbudowane wyszukiwanie wektorów	Tak	Tak¹	Tak²	Tak³	Tak⁴	Tak
Typ danych wektora	Tak	Tak	Tak	Tak	Tak	Tak⁵
Limity wymiarów⁶	4096⁷ lub 505 z indeksem płaskim	16 000⁸, 4000 lub 2000 w zależności od konfiguracji	16 000⁹ lub 2000	32,768	4096¹⁰	1998 ¹¹
Wiele pól wektorów	Tak	Tak¹²	Tak	Tak	Tak	Tak
Wiele indeksów wektorów	Tak	Tak¹³	Tak	Tak	Tak	Tak

Azure DocumentDB obsługuje wyszukiwanie wektorowe na embeddingach.
pgvector, rozszerzenie bazy danych PostgreSQL, obsługuje wyszukiwanie wektorów. Rozszerzenie pg_diskann umożliwia indeksowanie wektorowe oparte na technologii DiskANN na potrzeby wydajnego wyszukiwania ANN na dużą skalę.
Moduł RediSearch w usłudze Azure Managed Redis udostępnia wyszukiwanie wektorów.
Wyszukiwanie sztucznej inteligencji obsługuje wektory.
Usługa SQL Database obsługuje typ danych wektorowych.
Modele embeddingów OpenAI mają 1 536 wymiarów dla text-embedding-ada-002 i text-embedding-3-small oraz 3 072 wymiary dla text-embedding-3-large. Wielomodalne modele osadzania Azure Vision mają 1024 wymiary zarówno dla obrazów, jak i tekstu.
Wektory indeksowane przy użyciu typu indeksu płaskiego mogą mieć maksymalnie 505 wymiarów. Wektory indeksowane przy użyciu kwantyzowanego typu indeksuFlat lub DiskANN mogą mieć maksymalnie 4096 wymiarów.
Można indeksować wektory o wymiarowości do 16 000 za pomocą DiskANN i kwantyzacji iloczynowej. Hierarchical Navigable Small World (HNSW) lub IVFFlat z półprecyzją obsługują indeksy wektorowe o wymiarach do 4 000. Bez kompresji domyślny maksymalny wymiar wektora indeksowania wynosi 2000. Aby uzyskać więcej informacji, zobacz wymiary wektorów dla Azure DocumentDB.
Wektory mogą mieć maksymalnie 16 000 wymiarów. Jednak indeksowanie przy użyciu algorytmów IVFFlat i HNSW obsługuje wektory z maksymalnie 2000 wymiarami.
Wyszukiwanie AI obsługuje przycinanie wymiarów oparte na Matryoshka Representation Learning. Modele osadzania tekstu–3 mogą zmniejszyć wymiary wektorów. Można na przykład użyć wymiarów 256 lub 512.
Usługa SQL Database obsługuje natywny typ danych wektorowych z maksymalnie 1998 wymiarami.
Każdy indeks wektorowy usługi Azure DocumentDB jest przeznaczony do jednej ścieżki wektorowej. Utwórz oddzielny indeks wektorowy dla każdego pola wektorowego, dla którego trzeba wykonywać zapytania.
W kolekcji Azure DocumentDB można utworzyć wiele indeksów, ale tylko jeden indeks wektorowy może być przeznaczony dla określonej ścieżki wektorowej.

Metody wyszukiwania

Obciążenia często muszą łączyć wyszukiwanie wektorów z wyszukiwaniem pełnotekstowym lub wyszukiwaniem hybrydowym. Wyszukiwanie hybrydowe to wyszukiwanie pełnotekstowe lub wyszukiwanie semantyczne połączone z wyszukiwaniem wektorowym. Po połączeniu wyszukiwanie hybrydowe i ponowne rangowanie zapewniają wysoką dokładność w przypadku obciążeń roboczych. Możesz ręcznie zaimplementować wyszukiwanie hybrydowe i ponowne klasyfikowanie przy użyciu własnego kodu lub rozważyć, jak Twój magazyn wektorów wspiera tę potrzebę obciążenia.

Metoda wyszukiwania	Azure Cosmos DB for NoSQL	Azure DocumentDB	Azure Database for PostgreSQL	Zarządzany Redis w Azure	Wyszukiwanie AI	Baza danych SQL
Wyszukiwanie pełnotekstowe	Tak¹²	Tak²	Tak³	Tak⁴	Tak	Tak⁵
Wyszukiwanie hybrydowe	Tak⁶	Tak⁷	Tak⁸	Tak⁹	Tak¹⁰	Tak¹¹
Wbudowane ponowne rangowanie	Tak (wersja zapoznawcza)¹³	Nie.	Nie.	Nie.	Tak¹	Nie.

Rangowanie semantyczne ponownie szereguje wyniki wyszukiwania pełnotekstowego i wyszukiwania wektorowego.
Usługa Azure DocumentDB obsługuje wyszukiwanie i wykonywanie zapytań przy użyciu indeksów tekstowych.
Baza danych PostgreSQL obsługuje wyszukiwanie pełnotekstowe.
usługa Azure Managed Redis obsługuje wyszukiwanie pełnotekstowe przy użyciu modułu RediSearch, w tym tokenizacji tekstu, stemmingu i klasyfikacji.
SQL Server obsługuje wyszukiwanie pełnotekstowe.
Azure Cosmos DB dla NoSQL obsługuje wyszukiwanie hybrydowe, które łączy wyszukiwanie pełnotekstowe BM25 i wyszukiwanie wektorów przy użyciu protokołu RRF. Możesz przypisać wagi do rankingów komponentów.
Azure DocumentDB natywnie obsługuje wyszukiwanie hybrydowe, które łączy wyszukiwanie pełnotekstowe i wektorowe z wzajemnym łączeniem rangi.
Wyszukiwanie hybrydowe nie jest wbudowane, ale dostępny jest przykładowy kod.
usługa Azure Managed Redis obsługuje wyszukiwanie hybrydowe przy użyciu usługi VSS połączonej z filtrowaniem atrybutów w polach tekstowych, liczbowych, tagowych i geograficznych.
Wyszukiwanie hybrydowe, które łączy wyszukiwanie pełnotekstowe, wyszukiwanie wektorów i klasyfikację semantyczną, jest funkcją wyszukiwania sztucznej inteligencji.
Dostępny jest przykład wyszukiwania hybrydowego dla SQL Database i SQL Server.
Azure Cosmos DB dla NoSQL obsługuje wyszukiwanie pełnotekstowe i ocenianie pełnotekstowe.
Semantyczny moduł ponownego rankingowania dla Azure Cosmos DB for NoSQL jest dostępny w wersji zapoznawczej. Może zmieniać kolejność wyników zapytań wektorowych, pełnotekstowych lub hybrydowych przy użyciu obsługiwanych zestawów SDK usługi Azure Cosmos DB.

Algorytmy indeksowania danych wektorowych

Indeksowanie danych wektorowych to możliwość wydajnego przechowywania i pobierania wektorów. Indeksowanie wpływa na szybkość i dokładność wyszukiwań podobieństw i zapytań najbliższych sąsiadów w źródłach danych.

Indeksy zazwyczaj używają wyczerpującego algorytmu k najbliższego sąsiada (Ek-NN) lub algorytmu ANN. Ek-NN wykonuje wyczerpujące wyszukiwanie wszystkich punktów danych i zwraca dokładne k najbliższych sąsiadów. Podczas wyszukiwania niewielkiej ilości danych Ek-NN działa w milisekundach. W przypadku większych zestawów danych może wystąpić opóźnienie.

DiskANN, HNSW i IVFFlat to indeksy algorytmów ANN. Wybranie odpowiedniej strategii indeksowania wymaga starannego rozważenia różnych czynników, takich jak charakter zestawu danych, określone wymagania zapytań i dostępne zasoby. Funkcja DiskANN może dostosować się do zmian w zestawie danych i zapisać zasoby obliczeniowe. Usługa HNSW wyróżnia się w systemach wymagających szybkich odpowiedzi na zapytania i może dostosować się do zmian w zestawie danych. Narzędzie IVFFlat jest skuteczne w środowiskach, w których zasoby sprzętowe są ograniczone lub woluminy zapytań nie są wysokie.

W poniższej tabeli przedstawiono dostępne typy indeksowania danych wektorowych.

Podejście indeksowania	Azure Cosmos DB for NoSQL	Azure DocumentDB	Azure Database for PostgreSQL	Zarządzany Redis w Azure	Wyszukiwanie AI	Baza danych SQL
DiskANN	Tak	Tak¹	Tak²	Nie.	Nie.	Tak³
Ek-NN	Tak	Tak	Tak	Tak⁴	Tak	Tak
HNSW	Nie.	Tak¹	Tak	Tak⁵	Tak	Nie.
IVFFlat	Nie.	Tak	Tak	Nie.	Nie.	Nie.
Inne	Płaskie, kwantyzowaneflat⁶	Jedno pole wektorowe i indeks na ścieżkę⁷ ⁸	-	-	Kwantyzacja skalarna, kwantyzacja binarna⁹	-

Aby uzyskać więcej informacji, zobacz Zintegrowany magazyn wektorów w usłudze Azure DocumentDB.
Aby uzyskać więcej informacji, zobacz DiskANN for Azure Database for PostgreSQL.
Indeksowanie wektorów DiskANN natywne jest w wersji zapoznawczej. Aby uzyskać więcej informacji, zobacz Wyszukiwanie wektorowe i indeksy wektorowe w aparacie bazy danych SQL.
Usługa Azure Managed Redis obsługuje wyszukiwanie eK‑NN przy użyciu typu indeksu FLAT do wyszukiwania metodą brute force.
usługa Azure Managed Redis obsługuje usługę HNSW na potrzeby wyszukiwania ANN. Aby uzyskać więcej informacji, zobacz VSS.
Aby uzyskać więcej informacji, zobacz Zasady indeksowania wektorów.
Indeksowanie dotyczy tylko jednego wektora na ścieżkę.
Można utworzyć tylko jeden indeks na ścieżkę wektora.
Funkcja wyszukiwania sztucznej inteligencji obsługuje kwantyzację skalarną i binarną w celu zmniejszenia rozmiaru wektora w indeksie wyszukiwania.

Możliwości obliczania podobieństwa i odległości

Wyszukiwanie wektorowe obsługuje obliczanie podobieństwa cosinusowego, iloczynu skalarnego i odległości euklidesowej. Użyj tych metod, aby obliczyć podobieństwo lub odległość między dwoma wektorami.

Wstępna analiza danych używa metryk i odległości euklidesowych, dzięki czemu można wyodrębnić różne szczegółowe informacje o strukturze danych. Klasyfikacja tekstu zazwyczaj działa lepiej pod odległościami euklidesowymi. Pobieranie tekstów najbardziej podobnych do danego zwykle działa lepiej przy użyciu podobieństwa cosinusowego.

Osadzenia w Azure OpenAI opierają się na podobieństwie cosinusa do obliczania podobieństwa między dokumentami a zapytaniem.

Wbudowane obliczenie porównania wektorów	Azure Cosmos DB for NoSQL	Azure DocumentDB	Azure Database for PostgreSQL	Zarządzany Redis w Azure	Wyszukiwanie AI	Baza danych SQL
Podobieństwo cosinusowe	Tak¹	Tak	Tak	Tak²	Tak	Tak³
Odległość euklidesowa	Tak¹	Tak	Tak	Tak²	Tak	Tak³
Produkt kropkowy	Tak¹	Tak	Tak	Tak²	Tak	Tak³

Aby uzyskać więcej informacji, zobacz obliczenia odległości wektorów dla Azure Cosmos DB dla NoSQL.
usługa Azure Managed Redis obsługuje podobieństwo cosinusowe, odległość euklidesa i wewnętrzne metryki odległości produktu. Aby uzyskać więcej informacji, zobacz VSS.
Aby uzyskać więcej informacji, zobacz przykłady obliczeń odległości dla usługi SQL Database i SQL Server.

Integracja z usługą Azure OpenAI i innymi składnikami

Wyszukiwanie wektorów można połączyć z innymi składnikami Microsoft. Na przykład Azure OpenAI ułatwia tworzenie wektorów dla danych i zapytań wejściowych dla usługi VSS.

Zdolność	Azure Cosmos DB for NoSQL	Azure DocumentDB	Azure Database for PostgreSQL	Zarządzany Redis w Azure	Wyszukiwanie AI	Baza danych SQL
Integracja z Foundry IQ	Nie.	Nie.	Nie.	Nie.	Tak	Nie.
Integracja z usługą agenta Foundry	Tak¹	Nie.	Tak²	Tak²	Tak³	Tak²
Zintegrowane generowanie osadzeń w usłudze Azure OpenAI	Nie.	Nie.	Tak⁴	Nie.	Tak⁵	Tak⁶
Integracja z Semantic Kernel	Tak⁷	Tak⁸	Tak⁹	Tak¹⁰	Tak¹¹	Tak¹²

Integracja z usługą agenta Foundry jest realizowana za pośrednictwem magazynu stanów agenta.
Integracja z usługą Foundry Agent Service odbywa się za pośrednictwem danych, wyszukiwania wektorowego lub dostępu do narzędzi.
Integracja usługi Foundry Agent Service jest zapewniana za pośrednictwem pobierania wiedzy i wyszukiwania wektorowego.
Dostępne jest rozszerzenie azure AI.
Wyszukiwanie AI obejmuje umiejętność, która przekształca fragmenty tekstu w wektory.
Możesz utworzyć procedurę składowaną na potrzeby wdrożenia modelu embeddingu.
Ta usługa jest dostępna jako konektor pamięci oraz konektor do wektorowej bazy danych. Aby uzyskać więcej informacji, zobacz dokumentację języka C# i dokumentację Python.
Ta usługa działa jako konektor bazy danych wektorowych. Aby uzyskać więcej informacji, zobacz dokumentację języka C# i dokumentację Python.
Ta usługa jest dostępna jako konektor pamięci oraz konektor do wektorowej bazy danych. Aby uzyskać więcej informacji, zobacz dokumentację języka C#.
Ta usługa działa jako konektor bazy danych wektorowych. Aby uzyskać więcej informacji, zobacz Using the Redis connector (Korzystanie z łącznika usługi Redis).
Ta usługa jest dostępna jako konektor pamięci oraz konektor do wektorowej bazy danych. Aby uzyskać więcej informacji, zobacz dokumentację języka C# i dokumentację Python.
Ta usługa jest wspierana jako konektor pamięci.

Zagadnienia operacyjne

Macierz możliwości identyfikuje usługi spełniające wymagania funkcjonalne. Gdy kryteria spełnia więcej niż jedna usługa, porównaj, jak każda opcja wpływa na lokalizację danych, ich aktualność, filtrowanie, pojemność i utrzymanie osadzeń.

Umieszczanie i świeżość danych

Azure Cosmos DB dla NoSQL, Azure DocumentDB, Azure Database for PostgreSQL i Azure SQL Database mogą przechowywać osadzanie z rekordami operacyjnymi obciążenia. Jeśli aplikacja generuje osadzanie i zapisuje je przy użyciu rekordu, obie wartości są aktualizowane za pośrednictwem ścieżki zapisu bazy danych. Ten projekt pozwala uniknąć oddzielnego procesu synchronizacji indeksu wyszukiwania.

Usługa AI Search utrzymuje indeks wyszukiwania, który jest oddzielony od systemu źródłowego. Możesz wypchnąć dokumenty do indeksu lub użyć indeksatora do ściągania danych z obsługiwanego źródła danych. Oddzielny indeks umożliwia łączenie i kształtowanie zawartości z wielu systemów oraz skalowanie pobierania niezależnie od obciążeń transakcyjnych. Tworzy również kolejną kopię danych z możliwością wyszukiwania. Uwzględnij czas między aktualizacją źródłową a odpowiednią aktualizacją indeksu.

Wybierz architekturę kolokowaną, gdy rekordy operacyjne często się zmieniają, a odczyt musi korzystać z zaktualizowanych wartości. Wybierz oddzielny indeks wyszukiwania, gdy korpus obejmuje wiele systemów lub wymaga wyodrębniania, wzbogacania i wektoryzacji zawartości zarządzanej.

Filtrowanie i partycjonowanie

Większość produkcyjnych zapytań wektorowych wykorzystuje filtry, aby egzekwować izolację najemców oraz ograniczenia związane z bezpieczeństwem, zbiorem dokumentów lub aplikacją. Oceń działanie filtrów w wyszukiwaniu wektorowym, ponieważ mogą one wpływać zarówno na czułość, jak i opóźnienie.

W usłudze Azure Cosmos DB dla interfejsu API NoSQL dodaj obsługiwane predykaty do klauzuli WHERE w zapytaniu korzystającym z elementu VectorDistance. Filtr klucza partycji ogranicza wyszukiwanie do pasującej partycji logicznej.
W usłudze Azure DocumentDB dodaj obsługiwane filtry do operatora cosmosSearch.
W obszarze Wyszukiwanie sztucznej inteligencji utwórz pola niewektorowe z możliwością filtrowania i użyj trybów filtru wektorowego , aby kontrolować, czy usługa stosuje filtr przed pobraniem wektora lub po nim.

Pojemność i projekt regionalny

Usługi korzystają z różnych jednostek skalowania i rozliczeń, więc porównania cen listowych nie pokazują kosztów określonego obciążenia. Rozmiar indeksu modelu, wymiary wektorów, szybkość zapytań, szybkość aktualizacji, repliki, partycje i przepływność bazy danych. Uwzględnij koszt źródłowej bazy danych podczas oceniania oddzielnego indeksu wyszukiwania.

Projekt regionalny również różni się:

Azure Cosmos DB zapewnia wbudowaną dystrybucję danych między regionami platformy Azure i obsługuje wiele regionów zapisu.
Wyszukiwanie AI to usługa dostępna regionalnie. Wieloregionowa architektura AI Search wykorzystuje usługę wyszukiwania w każdym regionie i wymaga procesu zapewniającego synchronizację indeksów.

Utrzymuj embeddingi aktualne

Osadzenia są danymi pochodnymi. Wygeneruj je ponownie, gdy zawartość źródłowa ulegnie zmianie lub gdy przyjmujesz inny model osadzania.

Indeksatory wyszukiwania sztucznej inteligencji mogą organizować fragmentowanie i zintegrowaną wektoryzację obsługiwanych źródeł. W przypadku projektowania skoncentrowanego na bazie danych aplikacja lub potok danych wykonuje te kroki i zapisuje wynikowe wektory. Źródło danych zmian lub zdarzenie źródłowe mogą rozpocząć ten proces, ale nowa zawartość nie będzie można przeszukiwać semantycznie, dopóki zaktualizowane osadzanie nie zostanie zapisane.

Współautorzy

Firma Microsoft utrzymuje ten artykuł. Następujący współautorzy napisali ten artykuł.

Główni autorzy

Yu Saito | Inżynier rozwiązań
Miho Yamamoto | Starszy inżynier rozwiązań

Inni współautorzy:

Keita Onabuta | Starszy inżynier rozwiązań
Manish Sharma | Główny menedżer programu

Aby wyświetlić niepubliczne profile serwisu LinkedIn, zaloguj się do serwisu LinkedIn.

Dalsze kroki

Opinia

Czy ta strona była pomocna?

Last updated on 2026-09-21