Introduktion
Semantisk sökning ökar standardnyckelordsökningen med semantisk likhet. Den här likheten innebär att en fråga för "soligt" kan matcha texten "starkt naturligt ljus" även om det inte finns någon lexikal överlappning längre än en bokstav. I stället för teckenlikhet använder semantisk sökning inbäddningsvektorer som skapats av artificiell intelligens (AI) för att mäta fråge- och dokumentlikhet, vilket ger mer relevanta sökresultat.
Den här modulen visar hur du aktiverar semantisk sökning i Azure Database for PostgreSQL – flexibel server och hur du använder Azure OpenAI för att generera vektorinbäddningar.
Scenario
Anta att du arbetar på ett företag som hanterar semesteregenskapslistor. Du vill låta kunderna söka efter och boka listor online. En utmaning är de många olika ord som människor använder för att beskriva samma sak. Du har begränsade resurser för att utveckla och underhålla nyckelordslistor när beskrivningar ändras och egenskaper kommer och går, och manuell nyckelordspost är felbenägen. Du vill ange relevanta sökresultat utan manuella nyckelordslistor.
Utbildningsmål
Du får en översikt över semantisk sökning, inbäddningar och vektordatabaser. Sedan aktiverar du tilläggen pgvector och azure_ai . Med dessa tillägg kör du en semantisk sökning över vektorkolumner som genereras från Azure OpenAI-inbäddningar med hjälp av azure_ai tillägget. Slutligen skriver du en sökfunktion som tar emot en frågesträng, genererar inbäddningar för den frågan och kör en semantisk sökning mot databasen.
I slutet av den här sessionen kan du köra semantiska sökningar med hjälp av en flexibel Azure Database for PostgreSQL-serverdatabas mot vektorinbäddningar som genereras av Azure OpenAI.