Szybki start: wektoryzacja tekstu i obrazów przy użyciu witryny Azure Portal

Ten przewodnik Szybki start ułatwia rozpoczęcie zintegrowanej wektoryzacji przy użyciu kreatora Importowanie i wektoryzowanie danych w witrynie Azure Portal. Kreator fragmentuje zawartość i wywołuje model osadzania w celu wektoryzacji zawartości podczas indeksowania i zapytań.

Najważniejsze kwestie dotyczące kreatora:

• Obsługiwane źródła danych to pliki i skróty usługi Azure Blob Storage, Azure Data Lake Storage (ADLS) Gen2 lub OneLake.

• Obsługiwane modele osadzania są hostowane w usłudze Azure OpenAI, katalogu modeli usługi Azure AI Studio, wielomodalnego przetwarzania obrazów usługi Azure AI Vision.

• Schemat indeksu zapewnia pola wektorowe i niewektorowe dla fragmentowanych danych.

• Możesz dodawać pola, ale nie można usuwać ani modyfikować wygenerowanych pól.

• Tryb analizowania dokumentów tworzy fragmenty (jeden dokument wyszukiwania na fragment).

• Fragmentowanie nie jest konfigurowalne. Obowiązujące ustawienia to:

  "textSplitMode": "pages",
  "maximumPageLength": 2000,
  "pageOverlapLength": 500,
  "maximumPagesToTake": 0, #unlimited
  "unit": "characters",
  

Wymagania wstępne

• Subskrypcja platformy Azure. Utwórz je bezpłatnie.

• Usługa Azure AI usługa wyszukiwania w tym samym regionie co usługa Azure AI. Zalecamy warstwę Podstawowa lub nowszą.

• Azure Blob Storage, Azure Data Lake Storage (ADLS) Gen2 (konto magazynu z hierarchiczną przestrzenią nazw) lub usługą OneLake Lakehouse.

  Usługa Azure Storage musi być standardowym kontem wydajności (ogólnego przeznaczenia w wersji 2). Warstwy dostępu mogą być gorące, chłodne i zimne.

• Model osadzania na platformie Azure AI w tym samym regionie co usługa Azure AI Search. Instrukcje dotyczące wdrażania znajdują się w tym artykule.

  Dostawca	Obsługiwane modele
  Azure OpenAI Service	osadzanie tekstu-ada-002, osadzanie tekstu-3-large lub osadzanie tekstu-3-small.
  Katalog modeli usługi Azure AI Studio	Modele osadzania platform Azure, Cohere i Facebook.
  Konto wielousług usług Azure AI	Multimodal usługi Azure AI Vision na potrzeby wektoryzacji obrazów i tekstu. Multimodal usługi Azure AI Vision jest dostępny w wybranych regionach. Zapoznaj się ze zaktualizowaną listą w dokumentacji . Aby użyć tego zasobu, konto musi znajdować się w dostępnym regionie i w tym samym regionie co usługa Azure AI Search.

W przypadku korzystania z usługi Azure OpenAI musi mieć skojarzona niestandardowa poddomena. Jeśli usługa została utworzona za pośrednictwem witryny Azure Portal, ta poddomena zostanie automatycznie wygenerowana w ramach konfiguracji usługi. Przed rozpoczęciem korzystania z integracji usługi Azure AI Search upewnij się, że usługa zawiera niestandardową poddomenę podrzędną.

Zasoby usługi Azure OpenAI Service (z dostępem do modeli osadzania), które zostały utworzone w programie AI Studio, nie są obsługiwane. Tylko zasoby usługi Azure OpenAI utworzone w witrynie Azure Portal są zgodne z integracją umiejętności osadzania usługi Azure OpenAI.

Wymagania dotyczące publicznego punktu końcowego

Wszystkie powyższe zasoby muszą mieć włączony dostęp publiczny, aby węzły portalu mogły uzyskiwać do nich dostęp. W przeciwnym razie kreator zakończy się niepowodzeniem. Po uruchomieniu kreatora można włączyć zapory i prywatne punkty końcowe w składnikach integracji na potrzeby zabezpieczeń. Aby uzyskać więcej informacji, zobacz Bezpieczne połączenia w kreatorach importu.

Jeśli prywatne punkty końcowe są już obecne i nie można ich wyłączyć, alternatywną opcją jest uruchomienie odpowiedniego kompleksowego przepływu ze skryptu lub programu na maszynie wirtualnej. Maszyna wirtualna musi znajdować się w tej samej sieci wirtualnej co prywatny punkt końcowy. Oto przykładowy kod w języku Python na potrzeby zintegrowanej wektoryzacji. To samo repozytorium GitHub zawiera przykłady w innych językach programowania.

Wymagania dotyczące kontroli dostępu opartej na rolach

Zalecamy przypisania ról dla połączeń usługi wyszukiwania z innymi zasobami.

1. W usłudze Azure AI Search włącz role.

2. Skonfiguruj usługę wyszukiwania tak, aby korzystała z tożsamości zarządzanej.

3. Na platformie źródła danych i dostawcy modelu osadzania utwórz przypisania ról, które umożliwiają usłudze wyszukiwania dostęp do danych i modeli. Przygotowanie przykładowych danych zawiera instrukcje dotyczące konfigurowania ról.

Bezpłatna usługa wyszukiwania obsługuje kontrolę dostępu opartą na rolach na połączeniach z usługą Azure AI Search, ale nie obsługuje tożsamości zarządzanych w przypadku połączeń wychodzących z usługą Azure Storage lub Azure AI Vision. Ten poziom obsługi oznacza, że musisz używać uwierzytelniania opartego na kluczach na połączeniach między bezpłatną usługą wyszukiwania i innymi usługami platformy Azure.

W przypadku bezpieczniejszych połączeń:

• Użyj warstwy Podstawowa lub nowszej.
• Skonfiguruj tożsamość zarządzaną i użyj ról na potrzeby autoryzowanego dostępu.

Uwaga

Jeśli nie możesz przejść przez kreatora, ponieważ opcje nie są dostępne (na przykład nie można wybrać źródła danych lub modelu osadzania), przejdź ponownie do przypisań ról. Komunikaty o błędach wskazują, że modele lub wdrożenia nie istnieją, gdy w rzeczywistości prawdziwą przyczyną jest to, że usługa wyszukiwania nie ma uprawnień dostępu do nich.

Sprawdzanie ilości wolnego miejsca

Jeśli zaczynasz od bezpłatnej usługi, masz ograniczenie do trzech indeksów, źródeł danych, zestawów umiejętności i indeksatorów. Podstawowe ograniczenia do 15. Przed rozpoczęciem upewnij się, że dysponujesz miejscem na dodatkowe elementy. Ten przewodnik Szybki start tworzy jeden z każdego obiektu.

Sprawdzanie klasyfikatora semantycznego

Kreator obsługuje klasyfikację semantyczną, ale tylko w warstwie Podstawowa i wyższej i tylko wtedy, gdy semantyczny rangą jest już włączony w usłudze wyszukiwania. Jeśli używasz warstwy rozliczanej, sprawdź, czy jest włączony semantyczny rangą.

Przygotowywanie przykładowych danych

W tej sekcji przedstawiono dane, które działają na potrzeby tego przewodnika Szybki start.

Azure Blob Storage

1. Zaloguj się do witryny Azure Portal przy użyciu konta platformy Azure i przejdź do konta usługi Azure Storage.

2. W okienku po lewej stronie w obszarze Magazyn danych wybierz pozycję Kontenery.

3. Utwórz nowy kontener, a następnie przekaż dokumenty PDF planu kondycji używane na potrzeby tego przewodnika Szybki start.

4. W okienku po lewej stronie w obszarze Kontrola dostępu przypisz rolę Czytelnik danych obiektu blob usługi Storage do tożsamości usługi wyszukiwania. Możesz też uzyskać parametry połączenia do konta magazynu ze strony Klucze dostępu.

5. Opcjonalnie zsynchronizuj usunięcia w kontenerze z usunięciami w indeksie wyszukiwania. Te następne kroki umożliwiają skonfigurowanie indeksatora na potrzeby wykrywania usuwania:

   1. Włącz usuwanie nietrwałe na koncie magazynu.

   2. Jeśli używasz natywnego usuwania nietrwałego, w usłudze Azure Storage nie są wymagane żadne dalsze kroki.

   3. W przeciwnym razie dodaj niestandardowe metadane, które indeksator może skanować, aby określić, które obiekty blob są oznaczone do usunięcia. Nadaj właściwości niestandardowej nazwę opisową. Można na przykład nazwać właściwość "IsDeleted", ustawioną na false. Zrób to dla każdego obiektu blob w kontenerze. Później, gdy chcesz usunąć obiekt blob, zmień właściwość na true. Aby uzyskać więcej informacji, zobacz Wykrywanie zmian i usuwania podczas indeksowania z usługi Azure Storage

ADLS Gen2

1. Zaloguj się do witryny Azure Portal przy użyciu konta platformy Azure i przejdź do konta usługi Azure Storage.

2. Możesz potwierdzić, że masz usługę Data Lake Storage, sprawdzając kartę Właściwości na stronie Przegląd .

   

3. W okienku po lewej stronie w obszarze Magazyn danych wybierz pozycję Kontenery.

4. Utwórz nowy kontener, a następnie przekaż dokumenty PDF planu kondycji używane na potrzeby tego przewodnika Szybki start.

5. W okienku po lewej stronie w obszarze Kontrola dostępu przypisz rolę Czytelnik danych obiektu blob usługi Storage do tożsamości usługi wyszukiwania. Możesz też uzyskać parametry połączenia do konta magazynu ze strony Klucze dostępu.

6. Opcjonalnie zsynchronizuj usunięcia w kontenerze z usunięciami w indeksie wyszukiwania. Te następne kroki umożliwiają skonfigurowanie indeksatora na potrzeby wykrywania usuwania:

   1. Włącz usuwanie nietrwałe na koncie magazynu.

   2. Dodaj niestandardowe metadane , które indeksator może skanować, aby określić, które obiekty blob są usuwane. Nadaj właściwości niestandardowej nazwę opisową. Można na przykład nazwać właściwość "IsDeleted", ustawioną na false. Zrób to dla każdego obiektu blob w kontenerze. Później, gdy chcesz usunąć obiekt blob, zmień właściwość na true. Aby uzyskać więcej informacji, zobacz Wykrywanie zmian i usuwania podczas indeksowania z usługi Azure Storage

OneLake

1. Zaloguj się do usługi Power BI i utwórz obszar roboczy.

2. W usłudze Power BI wybierz pozycję Obszary robocze w menu po lewej stronie i otwórz utworzony obszar roboczy.

3. Przypisz uprawnienia na poziomie obszaru roboczego:

   1. W prawym górnym menu wybierz pozycję Zarządzaj dostępem.

   2. Wybierz pozycję Dodaj osoby lub grupy.

   3. Wprowadź nazwę usługi wyszukiwania. Jeśli na przykład adres URL to https://my-demo-service.search.windows.net, nazwa usługi wyszukiwania to my-demo-service.

   4. Wybierz rolę. Wartość domyślna to Viewer, ale musisz ściągnąć dane do indeksu wyszukiwania.

4. Załaduj przykładowe dane:

   1. W przełączniku usługi Power BI w lewym dolnym rogu wybierz pozycję inżynierowie danych ing.

   2. W okienku inżynierowie danych ing wybierz pozycję Lakehouse, aby utworzyć jezioro.

   3. Podaj nazwę, a następnie wybierz pozycję Utwórz , aby utworzyć i otworzyć nową usługę lakehouse.

   4. Wybierz pozycję Przekaż pliki, a następnie przekaż dokumenty PDF planu kondycji używane na potrzeby tego przewodnika Szybki start.

5. Przed opuszczeniem lakehouse skopiuj adres URL lub pobierz identyfikatory obszaru roboczego i lakehouse, aby można było określić lakehouse w kreatorze. Adres URL jest w następującym formacie: https://msit.powerbi.com/groups/00000000-0000-0000-0000-000000000000/lakehouses/11111111-1111-1111-1111-111111111111?experience=data-engineering.

Konfigurowanie modeli osadzania

Kreator może używać osadzania modeli wdrożonych z poziomu usług Azure OpenAI, Azure AI Vision lub z katalogu modeli w usłudze Azure AI Studio.

Azure OpenAI

Kreator obsługuje osadzanie tekstu-ada-002, osadzanie tekstu-3-large i osadzanie tekstu-3-small. Wewnętrznie kreator wywołuje umiejętności AzureOpenAIEmbedding w celu nawiązania połączenia z usługą Azure OpenAI.

1. Zaloguj się do witryny Azure Portal przy użyciu konta platformy Azure i przejdź do zasobu Azure OpenAI.

2. Konfigurowanie uprawnień:

   1. W menu po lewej stronie wybierz pozycję Kontrola dostępu.

   2. Wybierz pozycję Dodaj, a następnie wybierz pozycję Dodaj przypisanie roli.

   3. W obszarze Role funkcji zadania wybierz pozycję Użytkownik openAI usług Cognitive Services, a następnie wybierz pozycję Dalej.

   4. W obszarze Członkowie wybierz pozycję Tożsamość zarządzana, a następnie wybierz pozycję Członkowie.

   5. Filtruj według subskrypcji i typu zasobu (usługi wyszukiwania), a następnie wybierz tożsamość zarządzaną usługi wyszukiwania.

   6. Wybierz Przejrzyj + przypisz.

3. Na stronie Przegląd wybierz pozycję Kliknij tutaj, aby wyświetlić punkty końcowe lub kliknij tutaj, aby zarządzać kluczami, jeśli chcesz skopiować punkt końcowy lub klucz interfejsu API. Możesz wkleić te wartości do kreatora, jeśli używasz zasobu usługi Azure OpenAI z uwierzytelnianiem opartym na kluczach.

4. W obszarze Zarządzanie zasobami i wdrożenia modelu wybierz pozycję Zarządzaj wdrożeniami, aby otworzyć program Azure AI Studio.

5. Skopiuj nazwę text-embedding-ada-002 wdrożenia lub inny obsługiwany model osadzania. Jeśli nie masz modelu osadzania, wdróż go teraz.

Azure AI Vision

Kreator obsługuje pobieranie obrazów usługi Azure AI Vision za pomocą wielomodalnych osadzeń (wersja 4.0). Wewnętrznie kreator wywołuje umiejętności osadzania wielomodalnego w celu nawiązania połączenia z usługą Azure AI Vision.

1. Tworzenie usługi Azure AI Vision w obsługiwanym regionie.

2. Upewnij się, że usługa wyszukiwania usługi Azure AI znajduje się w tym samym regionie.

3. Po wdrożeniu usługi przejdź do zasobu i wybierz pozycję Kontrola dostępu, aby przypisać rolę użytkownika OpenAI usług Cognitive Services do tożsamości zarządzanej usługi wyszukiwania. Opcjonalnie możesz użyć uwierzytelniania opartego na kluczach dla połączenia.

Po wykonaniu tych kroków powinno być możliwe wybranie wektoryzatora usługi Azure AI Vision w kreatorze importowania i wektoryzacji danych .

Uwaga

Jeśli nie możesz wybrać wektoryzatora usługi Azure AI Vision, upewnij się, że masz zasób usługi Azure AI Vision w obsługiwanym regionie. Upewnij się również, że tożsamość zarządzana usługi wyszukiwania ma uprawnienia użytkownika OpenAI usług Cognitive Services.

Katalog modeli usługi Azure AI Studio

Kreator obsługuje modele osadzania platform Azure, Cohere i Facebook w katalogu modeli usługi Azure AI Studio, ale obecnie nie obsługuje modelu OpenAI CLIP. Wewnętrznie kreator wywołuje umiejętności AML w celu nawiązania połączenia z wykazem.

1. W przypadku wykazu modeli należy mieć zasób Azure OpenAI, centrum w usłudze Azure AI Studio i projekt. Centra i projekty o tej samej nazwie mogą udostępniać informacje o połączeniu i uprawnieniach.

2. Wdróż obsługiwany model osadzania w katalogu modeli w projekcie.

3. W przypadku kontroli dostępu opartej na rolach utwórz dwa przypisania ról: jedno dla usługi Azure AI Search, a drugie dla projektu AI Studio. Przypisz rolę użytkownika openAI usług Cognitive Services na potrzeby osadzania i wektoryzacji.

Uruchamianie kreatora

1. Zaloguj się do witryny Azure Portal przy użyciu konta platformy Azure i przejdź do usługa wyszukiwania usługi Azure AI.

2. Na stronie Przegląd wybierz pozycję Importuj i wektoryzuj dane.

   

Nawiązywanie połączenia z danymi

Następnym krokiem jest nawiązanie połączenia ze źródłem danych w celu użycia indeksu wyszukiwania.

Azure Blob Storage

1. Na stronie Konfigurowanie połączenia danych wybierz pozycję Azure Blob Storage.

2. Określ subskrypcję platformy Azure.

3. Wybierz konto magazynu i kontener, który udostępnia dane.

4. Określ, czy chcesz obsługiwać wykrywanie usuwania. Podczas kolejnych przebiegów indeksowania indeks wyszukiwania jest aktualizowany w celu usunięcia wszelkich dokumentów wyszukiwania opartych na obiektach blob usuniętych nietrwale w usłudze Azure Storage.

   • Obiekty blob obsługują natywne usuwanie nietrwałe obiektów blob lub usuwanie nietrwałe przy użyciu danych niestandardowych.
   • Wcześniej włączono usuwanie nietrwałe w usłudze Azure Storage i opcjonalnie dodano niestandardowe metadane , które indeksowanie może rozpoznać jako flagę usuwania. Aby uzyskać więcej informacji na temat tych kroków, zobacz Przygotowywanie przykładowych danych.
   • Jeśli obiekty blob zostały skonfigurowane do usuwania nietrwałego przy użyciu danych niestandardowych, podaj parę nazwa-wartość właściwości metadanych w tym kroku. Zalecamy użycie polecenia "IsDeleted". Jeśli wartość "IsDeleted" jest ustawiona na wartość true w obiekcie blob, indeksator pominie odpowiedni dokument wyszukiwania w następnym uruchomieniu indeksatora.

   Kreator nie sprawdza prawidłowych ustawień usługi Azure Storage ani nie zgłasza błędu, jeśli wymagania nie zostały spełnione. Zamiast tego wykrywanie usuwania nie działa, a indeks wyszukiwania prawdopodobnie z czasem będzie zbierał oddzielone dokumenty.

   

5. Określ, czy chcesz, aby usługa wyszukiwania łączyła się z usługą Azure Storage przy użyciu tożsamości zarządzanej.

   • Zostanie wyświetlony monit o wybranie tożsamości zarządzanej przez system lub tożsamości zarządzanej przez użytkownika.
   • Tożsamość powinna mieć rolę Czytelnik danych obiektu blob usługi Storage w usłudze Azure Storage.
   • Nie pomijaj tego kroku. Podczas indeksowania występuje błąd połączenia, jeśli kreator nie może nawiązać połączenia z usługą Azure Storage.

6. Wybierz Dalej.

ADLS Gen2

1. Na stronie Konfigurowanie połączenia danych wybierz pozycję Azure Data Lake.

2. Określ subskrypcję platformy Azure.

3. Wybierz konto magazynu i kontener, który udostępnia dane.

4. Określ, czy chcesz obsługiwać wykrywanie usuwania. Podczas kolejnych przebiegów indeksowania indeks wyszukiwania jest aktualizowany w celu usunięcia wszelkich dokumentów wyszukiwania opartych na obiektach blob usuniętych nietrwale w usłudze Azure Storage.

   • Indeksatory usługi ADLS Gen2 w usłudze Azure AI Search obsługują usuwanie nietrwałe tylko przy użyciu niestandardowego podejścia do danych .
   • Wcześniej włączono usuwanie nietrwałe w usłudze Azure Storage i dodano niestandardowe metadane , które indeksowanie może rozpoznać jako flagę usuwania. Aby uzyskać więcej informacji na temat tych kroków, zobacz Przygotowywanie przykładowych danych.
   • Podaj właściwość metadanych utworzoną do wykrywania usuwania. Zalecamy użycie polecenia "IsDeleted". Jeśli wartość "IsDeleted" jest ustawiona na wartość true w obiekcie blob, indeksator pominie odpowiedni dokument wyszukiwania w następnym uruchomieniu indeksatora.

   Kreator nie sprawdza prawidłowych ustawień usługi Azure Storage ani nie zgłasza błędu, jeśli wymagania nie zostały spełnione. Zamiast tego wykrywanie usuwania nie działa, a indeks wyszukiwania prawdopodobnie z czasem będzie zbierał oddzielone dokumenty.

   

5. Określ, czy chcesz, aby usługa wyszukiwania łączyła się z usługą Azure Storage przy użyciu tożsamości zarządzanej.

   • Zostanie wyświetlony monit o wybranie tożsamości zarządzanej przez system lub tożsamości zarządzanej przez użytkownika.
   • Tożsamość powinna mieć rolę Czytelnik danych obiektu blob usługi Storage w usłudze Azure Storage.
   • Nie pomijaj tego kroku. Podczas indeksowania występuje błąd połączenia, jeśli kreator nie może nawiązać połączenia z usługą Azure Storage.

6. Wybierz Dalej.

OneLake (wersja zapoznawcza)

Obsługa indeksowania OneLake jest dostępna w wersji zapoznawczej. Aby uzyskać więcej informacji na temat obsługiwanych skrótów i ograniczeń, zobacz (Indeksowanie OneLake).

1. Na stronie Konfigurowanie połączenia danych wybierz pozycję OneLake.

2. Określ typ połączenia:

   • Lakehouse URL
   • Identyfikator obszaru roboczego i identyfikator usługi Lakehouse

3. W polu OneLake określ adres URL usługi Lakehouse lub podaj identyfikatory obszaru roboczego i lakehouse.

4. Określ, czy chcesz, aby usługa wyszukiwania łączyła się z usługą OneLake przy użyciu tożsamości zarządzanej przez system lub użytkownika. Musisz użyć tożsamości zarządzanej i ról do wyszukiwania połączeń z usługą OneLake.

5. Wybierz Dalej.

Wektoryzacja tekstu

W tym kroku określ model osadzania na potrzeby wektoryzacji danych fragmentowanych.

1. Na stronie Wektoryzowanie tekstu wybierz źródło modelu osadzania:

   • Azure OpenAI
   • Katalog modeli usługi Azure AI Studio
   • Istniejący zasób wielomodalny usługi Azure AI Vision w tym samym regionie co usługa Azure AI Search. Jeśli w tym samym regionie nie ma konta usługi Azure AI Services, ta opcja nie jest dostępna.

2. Wybierz subskrypcję platformy Azure.

3. Dokonaj wyborów zgodnie z zasobem:

   • W przypadku usługi Azure OpenAI wybierz istniejące wdrożenie osadzania tekstu-ada-002, osadzanie tekstu-3-large lub osadzanie tekstu-3-small.

   • W przypadku katalogu usługi AI Studio wybierz istniejące wdrożenie modelu osadzania platformy Azure, Cohere i Serwisu Facebook.

   • W przypadku osadzania wielomodalnego usługi AI Vision wybierz konto.

   Aby uzyskać więcej informacji, zobacz Konfigurowanie modeli osadzania we wcześniejszej sekcji tego artykułu.

4. Określ, czy chcesz, aby usługa wyszukiwania uwierzytelniła się przy użyciu klucza interfejsu API, czy tożsamości zarządzanej.

   • Tożsamość powinna mieć rolę użytkownika openAI usług Cognitive Services na koncie usługi Azure AI z wieloma usługami.

5. Zaznacz pole wyboru, które potwierdza wpływ rozliczeń na korzystanie z tych zasobów.

6. Wybierz Dalej.

Wektoryzacja i wzbogacanie obrazów

Jeśli zawartość zawiera obrazy, możesz zastosować sztuczną inteligencję na dwa sposoby:

• Użyj obsługiwanego modelu osadzania obrazów z katalogu lub wybierz interfejs API osadzania wielomodalnego usługi Azure AI Vision, aby wektoryzować obrazy.

• Rozpoznawanie znaków optycznych (OCR) umożliwia rozpoznawanie tekstu na obrazach. Ta opcja wywołuje umiejętności OCR do odczytywania tekstu z obrazów.

Usługa Azure AI Search i zasób usługi Azure AI muszą znajdować się w tym samym regionie.

1. Na stronie Wektoryzacja obrazów określ rodzaj połączenia, które powinien wykonać kreator. W przypadku wektoryzacji obrazów kreator może nawiązać połączenie z osadzaniem modeli w usłudze Azure AI Studio lub Azure AI Vision.

2. Określ subskrypcję.

3. W katalogu modeli usługi Azure AI Studio określ projekt i wdrożenie. Aby uzyskać więcej informacji, zobacz Konfigurowanie modeli osadzania we wcześniejszej sekcji tego artykułu.

4. Opcjonalnie można złamać obrazy binarne (na przykład zeskanowane pliki dokumentów) i rozpoznawać tekst przy użyciu protokołu OCR .

5. Zaznacz pole wyboru, które potwierdza wpływ rozliczeń na korzystanie z tych zasobów.

6. Wybierz Dalej.

Dodawanie klasyfikacji semantycznej

Na stronie Ustawienia zaawansowane możesz opcjonalnie dodać semantyczną klasyfikację, aby ponownie korbować wyniki na końcu wykonywania zapytania. Reranking promuje najbardziej semantycznie istotne mecze do góry.

Mapowanie nowych pól

Na stronie Ustawienia zaawansowane możesz opcjonalnie dodać nowe pola. Domyślnie kreator generuje następujące pola z następującymi atrybutami:

Pole	Dotyczy	opis
chunk_id	Wektory tekstowe i obrazowe	Wygenerowane pole ciągu. Można wyszukiwać, pobierać i sortować. Jest to klucz dokumentu dla indeksu.
parent_id	Wektory tekstowe	Wygenerowane pole ciągu. Możliwe do pobrania, filtrowanie. Identyfikuje dokument nadrzędny, z którego pochodzi fragment.
chunk	Wektory tekstowe i obrazowe	Pole ciągu. Czytelna dla człowieka wersja fragmentu danych. Można wyszukiwać i pobierać, ale nie można filtrować, aspektów lub sortowania.
title	Wektory tekstowe i obrazowe	Pole ciągu. Czytelny dla człowieka tytuł dokumentu lub tytuł strony lub numer strony. Można wyszukiwać i pobierać, ale nie można filtrować, aspektów lub sortowania.
text_vector	Wektory tekstowe	Collection(Edm.single). Wektorowa reprezentacja fragmentu. Można wyszukiwać i pobierać, ale nie można filtrować, aspektów lub sortowania.

Nie można modyfikować wygenerowanych pól ani ich atrybutów, ale możesz dodać nowe pola, jeśli źródło danych je udostępni. Na przykład usługa Azure Blob Storage udostępnia kolekcję pól metadanych.

1. Wybierz Dodaj nowy.

2. Wybierz pole źródłowe z listy dostępnych pól, podaj nazwę pola dla indeksu i zaakceptuj domyślny typ danych lub przesłoń w razie potrzeby.

   Pola metadanych można przeszukiwać, ale nie można ich pobierać, filtrować, aspektów lub sortować.

3. Wybierz pozycję Resetuj , jeśli chcesz przywrócić schemat do oryginalnej wersji.

Indeksowanie harmonogramu

Na stronie Ustawienia zaawansowane można opcjonalnie określić harmonogram uruchamiania indeksatora.

1. Po zakończeniu pracy ze stroną Ustawienia zaawansowane wybierz pozycję Dalej.

Kończenie pracy kreatora

1. Na stronie Przeglądanie konfiguracji określ prefiks obiektów tworzonych przez kreatora. Wspólny prefiks pomaga zachować organizację.

2. Wybierz pozycję Utwórz.

Po zakończeniu konfiguracji kreator tworzy następujące obiekty:

• Połączenie ze źródłem danych.

• Indeksowanie z polami wektorowymi, wektoryzatorami, profilami wektorów i algorytmami wektorów. Nie można zaprojektować ani zmodyfikować indeksu domyślnego podczas przepływu pracy kreatora. Indeksy są zgodne z interfejsem API REST 2024-05-01-preview.

• Zestaw umiejętności z umiejętnościami dzielenia tekstu na potrzeby fragmentowania i umiejętności osadzania na potrzeby wektoryzacji. Umiejętności osadzania to umiejętność AzureOpenAIEmbeddingModel dla usługi Azure OpenAI lub umiejętności AML dla katalogu modeli usługi Azure AI Studio. Zestaw umiejętności ma również konfigurację projekcji indeksów , która umożliwia mapowanie danych z jednego dokumentu w źródle danych do odpowiadających mu fragmentów w indeksie "podrzędnym".

• Indeksator z mapowaniami pól i mapowaniami pól wyjściowych (jeśli ma zastosowanie).

Sprawdzanie wyników

Eksplorator wyszukiwania akceptuje ciągi tekstowe jako dane wejściowe, a następnie wektoryzuje tekst na potrzeby wykonywania zapytania wektorowego.

1. W witrynie Azure Portal przejdź do pozycji Indeksy zarządzania wyszukiwaniem>, a następnie wybierz utworzony indeks.

2. Opcjonalnie wybierz pozycję Opcje zapytania i ukryj wartości wektorów w wynikach wyszukiwania. Ten krok ułatwia odczytywanie wyników wyszukiwania.

   

3. W menu Widok wybierz widok JSON, aby można było wprowadzić tekst zapytania wektorowego w parametrze zapytania wektorowegotext.

   

   Kreator oferuje domyślne zapytanie, które wystawia zapytanie wektorowe w vector polu i zwraca pięć najbliższych sąsiadów. Jeśli zdecydujesz się ukryć wartości wektorów, zapytanie domyślne zawiera instrukcję select wykluczającą vector pole z wyników wyszukiwania.

   {
      "select": "chunk_id,parent_id,chunk,title",
      "vectorQueries": [
          {
             "kind": "text",
             "text": "*",
             "k": 5,
             "fields": "vector"
          }
       ]
   }
   

4. text Dla wartości zastąp gwiazdkę (*) pytaniem związanym z planami zdrowotnymi, takimi jak Which plan has the lowest deductible?.

5. Wybierz pozycję Wyszukaj , aby uruchomić zapytanie.

   

   Powinno zostać wyświetlonych pięć dopasowań. Każdy dokument jest fragmentem oryginalnego pliku PDF. Pole title pokazuje, z którego pliku PDF pochodzi fragment.

6. Aby wyświetlić wszystkie fragmenty z określonego dokumentu, dodaj filtr dla title pola dla określonego pliku PDF:

   {
      "select": "chunk_id,parent_id,chunk,title",
      "filter": "title eq 'Benefit_Options.pdf'",
      "count": true,
      "vectorQueries": [
          {
             "kind": "text",
             "text": "*",
             "k": 5,
             "fields": "vector"
          }
       ]
   }
   
   

Czyszczenie

Usługa Azure AI Search to zasób rozliczany. Jeśli nie potrzebujesz go już, usuń go z subskrypcji, aby uniknąć naliczania opłat.

Następny krok

W tym przewodniku Szybki start przedstawiono kreatora Importowanie i wektoryzowanie danych , który tworzy wszystkie niezbędne obiekty do zintegrowanej wektoryzacji. Jeśli chcesz szczegółowo zapoznać się z poszczególnymi krokami, wypróbuj przykład zintegrowanej wektoryzacji.