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.
Note
Foundry IQ (Azure KI-Suche) bietet direkte Indizierungs- und Abfrage-APIs zusammen mit Wissensquellen- und Knowledge Base-APIs auf höherer Ebene für den verwalteten Abruf. Verwenden Sie das Azure Portal, REST-APIs oder Azure SDKs, um diese Funktionen zu konfigurieren, oder verbinden Sie Agents mit Wissensdatenbanken im Microsoft Foundry-Portal.
Important
Diese Features und Funktionen unterstützen Verbindungen mit anderen Microsoft-Dienste und Drittanbieterdiensten. Die Nutzung dieser Dienste unterliegt den jeweiligen Bestimmungen und kann dazu führen, dass Daten außerhalb der Azure-Compliancegrenze verarbeitet oder gespeichert werden und dass Daten in die Azure-Compliancegrenze fließen.
Es liegt in Ihrer Verantwortung, zu verwalten, ob Ihre Daten außerhalb der Compliance- und geografischen Grenzen Ihrer Organisation und alle damit verbundenen Auswirkungen fließen und dass entsprechende Berechtigungen, Grenzen und Genehmigungen bereitgestellt werden.
Sie sind dafür verantwortlich, Anwendungen, die Sie im Kontext Ihrer spezifischen Anwendungsfälle erstellen, sorgfältig zu überprüfen und zu testen und alle geeigneten Entscheidungen und Anpassungen zu treffen. Dazu gehört die Implementierung ihrer eigenen verantwortungsvollen KI-Entschärfungen, wie Metaprompts, Inhaltsfilter oder andere Sicherheitssysteme, und sicherzustellen, dass Ihre Anwendungen angemessene Qualität, Zuverlässigkeit, Sicherheit und Vertrauenswürdigkeitsstandards erfüllen. Weitere Informationen finden Sie im Foundry IQ (Azure KI-Suche) Transparenzhinweis.
Erstellen Sie in diesem Artikel eine Indizierungspipeline mit der Azure Fähigkeit zum Verständnis von Inhalten:
- Extrahieren von Text und Bildern aus einem Dokument
- Erstellen semantisch kohärenter Blöcke, die Absatz- und Abschnittsgrenzen respektieren
- Generieren Sie optional KI-Beschreibungen von Diagrammen, Diagrammen und anderen Inlinebildern.
- Betten Sie jeden Block für die Vektorsuche ein und projizieren Sie ihn in einen Foundry IQ Index
Die Azure Fähigkeit zum Verständnis von Inhalten gibt einen oder mehrere Blöcke pro Dokument zurück. Jeder Block enthält Markdown-formatierten Inhalt, Positionsmetadaten (Seitenzahlen und umgebende Polygone) und optionale Verweise auf extrahierte Bilder. Wenn Sie chunkingProperties.method auf semantic festlegen, folgen Blöcke den Absatz- und Überschriftengrenzen anstelle fester Zeichenbereiche. Wenn Sie modelName und modelDeployment festlegen, ruft der Skill eine Azure OpenAI-Bereitstellung für Chatvervollständigung auf, um Beschreibungen eingebetteter Bilder zu generieren. Die Fähigkeit führt dann diese Beschreibungen in den Abschnittsinhalt zusammen.
Semantische Blöcke und Bildbeschreibungen sind in der Regel in der Search-REST-API 2026-10-01verfügbar, die in dieser exemplarischen Vorgehensweise verwendet wird. Diese Verfügbarkeit unterscheidet sich von der Inhaltsverständnis-API, die von der Fähigkeit aufgerufen wird.
In diesem Artikel werden Beispiel-PDFs für den Krankenversicherungsplan in Blob Storage verwendet. Informationen zu SharePoint Dokumenten finden Sie unter Extrahieren und Anreichern SharePoint Dokumente in Foundry IQ. Wenden Sie den optionalen Imagespeicherschritt dieser exemplarischen Vorgehensweise nicht auf berechtigungsgeschützte Inhalte an. Weitere Informationen finden Sie unter SharePoint ACL-Einschränkungen.
Voraussetzungen
Ein Foundry IQ Service in jeder unterstützten Region. Der Foundry IQ-Dienst selbst ist für dieses Szenario nicht regional eingeschränkt.
Eine Microsoft Foundry-Ressource, die dem Skillset in einer unterstützten Region zugeordnet ist.
(Optional) Eine Azure OpenAI-Chat-Vervollständigungsbereitstellung in derselben Foundry-Ressource unter Verwendung eines von Content Understanding unterstützten Modells. Für semantische Blöcke und Bildextraktion ist diese Bereitstellung nicht erforderlich.
Eine Bereitstellung eines unterstützten Azure OpenAI-Einbettungsmodells in einer Foundry-Ressource. In den Beispielen werden 1.536 Dimensionen verwendet; wählen Sie ein Modell aus, das diesen Wert unterstützt, oder ändern Sie die Index- und Skilldimensionen zusammen.
Ein Azure Blob Storage-Container mit den Dateien, die Sie indizieren möchten. In diesem Artikel wird eine Blob-Datenquelle mit der
allowSkillsetToReadFileDataIndexer-Einstellung verwendet (mit der Dateiinhalte an den Content-Understanding-Skill übergeben werden).Berechtigung zum Erstellen und Verwenden von Search-Objekten sowie zum Abfragen des Index. Verwenden Sie den rollenbasierten Suchzugriff und eine verwaltete Suchidentität. Gewähren Sie dieser Identität die für die Skillset-Zuordnung erforderliche Foundry-Ressourcenrolle und Cognitive Services OpenAI User für die Foundry-Ressource, die die Einbettungsbereitstellung hostet.
Ersetzen Sie {endpoint} für jede HTTP-Anforderung durch https://<search-service>.search.windows.net und <access-token> durch ein Token für den Foundry IQ-Dienst. Ersetzen Sie die Platzhalter für die Foundry-Ressource und die Modellbereitstellung durch Ihre eigenen Werte.
<MODEL_NAME> ist das optionale Beschreibungsmodell; <EMBEDDING_MODEL_NAME> ist das Einbettungsmodell, nicht der Name der Bereitstellung.
Verwenden Sie denselben Embedding-Ressourcenendpunkt, dieselbe Bereitstellung und dasselbe Modell im Embedding-Skill und im Abfragezeit-Vektorisierer. In den Beispielen werden Foundry-Ressourcenendpunkte (https://<resource>.services.ai.azure.com), nicht Projekt-URLs verwendet.
Overview
Der Artikel baut eine One-to-many-Indexierungspipeline auf. Jedes Quelldokument erzeugt mehrere Suchdokumente (eins pro Block):
Der Indexer liest jede Datei aus Azure Blob Storage und übergibt den binären Inhalt über
/document/file_dataan das Skillset.Die Azure Fähigkeit zum Verständnis von Inhalten verwendet semantische Blöcke, um zu produzieren
text_sections. Wenn Sie sowohlmodelNameals auchmodelDeploymentfestlegen, generiert die Fähigkeit auch eingebettete Bildbeschreibungen und fügt sie inline in das Markdown des Blocks ein.Die Azure OpenAI Embedding Skill wird einmal pro Block ausgeführt und erzeugt einen Vektor für den Blockinhalt.
Eine Indexprojektion schreibt ein Suchdokument pro Chunk in den Zielindex und ordnet Inhalt, Seitenmetadaten, Bildverweise und den Vektor Feldern zu.
(Optional) Ein Wissensspeicher schreibt
normalized_imagesin Azure Blob Storage, damit Client-Apps die extrahierten Bilder über die URL abrufen können.
Aufbereiten von Datendateien
Die Azure Fähigkeit zum Verständnis von Inhalten verarbeitet den binären Inhalt jedes Dokuments, sodass Quelldateien in einem Format vorliegen müssen, das von der Fähigkeit unterstützt wird. Die aktuelle Liste finden Sie unter den Grenzwerten für den Inhaltsverständnisdienst. Zu den gängigen unterstützten Formaten gehören PDF, DOCX, XLSX, PPTX und viele Bildformate.
Laden Sie Ihre Dateien in den Blob Storage-Container hoch. Sie können das Azure Portal, REST-APIs oder eine Azure SDK verwenden, um die Datenquelle zu create the data source.
Die folgende minimale Anforderung erstellt die datenquelle, die in dieser exemplarischen Vorgehensweise verwendet wird.
POST {endpoint}/datasources?api-version=2026-10-01
Authorization: Bearer <access-token>
Content-Type: application/json
{
"name": "my_blob_datasource",
"type": "azureblob",
"credentials": {
"connectionString": "<your-blob-connection-string>"
},
"container": {
"name": "my-container"
}
}
Erstellen eines Indexes für die 1:n-Indizierung
Jedes Suchdokument entspricht einem Teil, der von der Fähigkeit zum Inhaltsverständnis erzeugt wird. Der Index benötigt:
- Ein Schlüsselfeld (
chunk_id). - Ein übergeordnetes Feld, das angibt, aus welchem Quelldokument der Block stammt (
parent_id). - Felder, die den Abschnittsinhalt, Seitenmetadaten und Bildverweise speichern.
- Ein Vektorfeld für das Einbetten des Abschnitts.
Die folgende Indexdefinition entspricht dem Skillset, das Sie im nächsten Abschnitt erstellen.
PUT {endpoint}/indexes/my_content_understanding_index?api-version=2026-10-01
Authorization: Bearer <access-token>
Content-Type: application/json
{
"name": "my_content_understanding_index",
"fields": [
{
"name": "chunk_id",
"type": "Edm.String",
"key": true,
"searchable": true,
"filterable": false,
"retrievable": true,
"stored": true,
"sortable": true,
"facetable": false,
"analyzer": "keyword"
},
{
"name": "parent_id",
"type": "Edm.String",
"searchable": false,
"filterable": true,
"retrievable": true,
"stored": true,
"sortable": false,
"facetable": false
},
{
"name": "title",
"type": "Edm.String",
"searchable": true,
"filterable": false,
"retrievable": true,
"stored": true,
"sortable": false,
"facetable": false
},
{
"name": "chunk",
"type": "Edm.String",
"searchable": true,
"filterable": false,
"retrievable": true,
"stored": true,
"sortable": false,
"facetable": false
},
{
"name": "page_number_from",
"type": "Edm.Int32",
"searchable": false,
"filterable": true,
"retrievable": true,
"stored": true,
"sortable": true,
"facetable": false
},
{
"name": "page_number_to",
"type": "Edm.Int32",
"searchable": false,
"filterable": true,
"retrievable": true,
"stored": true,
"sortable": true,
"facetable": false
},
{
"name": "image_path",
"type": "Edm.String",
"searchable": false,
"filterable": false,
"retrievable": true,
"stored": true,
"sortable": false,
"facetable": false
},
{
"name": "text_vector",
"type": "Collection(Edm.Single)",
"searchable": true,
"retrievable": false,
"stored": false,
"dimensions": 1536,
"vectorSearchProfile": "profile"
}
],
"semantic": {
"defaultConfiguration": "semantic-config",
"configurations": [
{
"name": "semantic-config",
"prioritizedFields": {
"titleField": {"fieldName": "title"},
"prioritizedContentFields": [{"fieldName": "chunk"}]
}
}
]
},
"vectorSearch": {
"profiles": [
{
"name": "profile",
"algorithm": "algorithm",
"vectorizer": "query-vectorizer"
}
],
"algorithms": [
{
"name": "algorithm",
"kind": "hnsw"
}
],
"vectorizers": [
{
"name": "query-vectorizer",
"kind": "azureOpenAI",
"azureOpenAIParameters": {
"resourceUri": "https://<embedding-resource>.services.ai.azure.com",
"deploymentId": "<embedding-deployment>",
"modelName": "<EMBEDDING_MODEL_NAME>"
}
}
]
}
}
Definieren eines Skillsets für semantische Blöcke und Vektorisierung
Sobald der Zielindex eingerichtet wurde, definieren Sie das Skillset, das die Segmente, Vektoren und Projektionszuordnungen erzeugt, die in ihn eingespeist werden.
Das Skillset verfügt über zwei Fähigkeiten:
Die Azure-Skill für Inhaltsverständnis unterteilt jedes Dokument in Abschnitte. Das Festlegen von
chunkingProperties.methodaufsemanticberücksichtigt Absatz- und Überschriftgrenzen. Durch das unabhängige Festlegen beider Modelleigenschaften können Bildbeschreibungen vor der Vektorisierung aktiviert werden. Unterstützte Werte finden Sie unter Skill-Parameter.Die Azure OpenAI Embedding Skill generiert einen Vektor für den Inhalt der einzelnen Blöcke.
Das Skillset verwendet indexProjections , um jeden Abschnitt einem separaten Suchdokument zuzuordnen. Weitere Informationen finden Sie unter Definieren einer Indexprojektion.
Die Anforderung verwendet die vom System zugewiesene verwaltete Identität des Foundry IQ-Diensts für Foundry und den Einbettungszugriff. Das Beispiel für eine Blob-Verbindungszeichenfolge ist unabhängig; verwenden Sie für eine schlüssellose Quellverbindung verwaltete Identität für eine Datenquelle.
Das folgende Beispiel enthält Bildbeschreibungen. Wenn Sie die optionale Beschreibungsbereitstellung überspringen, verwenden Sie die Abrechnungs- und Bildbeschreibungssteuerelemente, um deren Konfiguration zu entfernen, bevor Sie das Skillset übermitteln. Überprüfen Sie die anwendbaren Gebühren dort, bevor Sie die Pipeline ausführen.
POST {endpoint}/skillsets?api-version=2026-10-01
Authorization: Bearer <access-token>
Content-Type: application/json
{
"name": "my_content_understanding_skillset",
"description": "Semantic chunking, image descriptions, and vectorization with the Azure Content Understanding skill",
"skills": [
{
"@odata.type": "#Microsoft.Skills.Util.ContentUnderstandingSkill",
"name": "my_content_understanding_skill",
"context": "/document",
"modelName": "<MODEL_NAME>",
"modelDeployment": "<chat-deployment>",
"chunkingProperties": {
"method": "semantic",
"unit": "tokens",
"maximumLength": 500
},
"extractionOptions": ["images", "locationMetadata"],
"inputs": [
{
"name": "file_data",
"source": "/document/file_data"
}
],
"outputs": [
{
"name": "text_sections",
"targetName": "text_sections"
},
{
"name": "normalized_images",
"targetName": "normalized_images"
}
]
},
{
"@odata.type": "#Microsoft.Skills.Text.AzureOpenAIEmbeddingSkill",
"name": "my_azure_openai_embedding_skill",
"context": "/document/text_sections/*",
"inputs": [
{
"name": "text",
"source": "/document/text_sections/*/content"
}
],
"outputs": [
{
"name": "embedding",
"targetName": "text_vector"
}
],
"resourceUri": "https://<embedding-resource>.services.ai.azure.com",
"deploymentId": "<embedding-deployment>",
"modelName": "<EMBEDDING_MODEL_NAME>",
"dimensions": 1536
}
],
"cognitiveServices": {
"@odata.type": "#Microsoft.Azure.Search.AIServicesByIdentity",
"subdomainUrl": "https://<foundry-resource>.services.ai.azure.com",
"identity": null
},
"indexProjections": {
"selectors": [
{
"targetIndexName": "my_content_understanding_index",
"parentKeyFieldName": "parent_id",
"sourceContext": "/document/text_sections/*",
"mappings": [
{
"name": "chunk",
"source": "/document/text_sections/*/content"
},
{
"name": "text_vector",
"source": "/document/text_sections/*/text_vector"
},
{
"name": "page_number_from",
"source": "/document/text_sections/*/locationMetadata/pageNumberFrom"
},
{
"name": "page_number_to",
"source": "/document/text_sections/*/locationMetadata/pageNumberTo"
},
{
"name": "image_path",
"source": "/document/text_sections/*/imagePath"
},
{
"name": "title",
"source": "/document/metadata_storage_name"
}
]
}
],
"parameters": {
"projectionMode": "skipIndexingParentDocuments"
}
}
}
Die vollständige Parameterreferenz, unterstützte Werte und Validierungsregeln für die Fähigkeit zum Inhaltsverständnis finden Sie unter Azure Content Understanding Skill.
Chunking- und Beschreibungsoptionen auswählen
Chunking, Bildextraktion und Bildbeschreibungen sind unabhängige Optionen. Verwenden Sie für die Beschreibungskonfiguration die kanonischen Beschreibungssteuerelemente.
Ersetzen Sie für Blöcke mit fester Größe die chunkingProperties der Fähigkeit „Content Understanding“ durch {"method": "fixedSize", "unit": "characters", "maximumLength": 1325, "overlapLength": 0}. Informationen zu zulässigen Bereichen und Überlappungsregeln finden Sie unter chunkingProperties.
Konfigurieren und Ausführen des Indexers
Erstellen und führen Sie einen Indexer aus, der aus Ihrer Datenquelle liest, das Skillset aufruft und Blöcke in den Index projiziert. Legen Sie allowSkillsetToReadFileData auf true fest, damit die Content Understanding-Funktion den Dateiinhalt erhält, und legen Sie parsingMode auf default fest.
In diesem Szenario benötigen Sie outputFieldMappings nicht. Der indexProjections-Block im Skillset ordnet bereits jeden Chunk den Zielindexfeldern zu.
POST {endpoint}/indexers?api-version=2026-10-01
Authorization: Bearer <access-token>
Content-Type: application/json
{
"name": "my_content_understanding_indexer",
"dataSourceName": "my_blob_datasource",
"targetIndexName": "my_content_understanding_index",
"skillsetName": "my_content_understanding_skillset",
"parameters": {
"batchSize": 1,
"configuration": {
"dataToExtract": "contentAndMetadata",
"parsingMode": "default",
"allowSkillsetToReadFileData": true
}
},
"fieldMappings": [],
"outputFieldMappings": []
}
Wenn der Indexer ausgeführt wird, zerlegt der Content Understanding-Skill die Datei in Chunks und generiert optional Beschreibungen. Indexprojektionen schreiben ein Suchdokument pro Block. Wenn Sie einen vorhandenen Indexer aktualisieren und diese Pipeline auf bereits indizierte Dateien anwenden müssen, setzen Sie den Indexer zurück und führen Sie ihn erneut aus. Wird ohne Zurücksetzen ausgeführt, werden nur neue oder geänderte Dateien verarbeitet.
Indexerstatus überprüfen
Bevor Sie eine Abfrage ausführen, vergewissern Sie sich, dass die Ausführung des Indexers abgeschlossen ist:
GET {endpoint}/indexers/my_content_understanding_indexer/status?api-version=2026-10-01
Authorization: Bearer <access-token>
Überprüfen lastResult.status, itemsProcessed, itemsFailed, errors und warnings. Überprüfen Sie repräsentative Chunks und untersuchen Sie fehlende Dokumente, auch wenn die verarbeitete Anzahl ungleich Null ist. Weitere Informationen finden Sie unter Überwachen des Indexerstatus.
Überprüfen der Ergebnisse
Fragen Sie den Index ab, um zu überprüfen, ob die Blöcke den erwarteten Inhalt enthalten und dass die Vektorsuche wie erwartet funktioniert. Verwenden Sie den Such-Explorer oder ein beliebiges Tool, das HTTP-Anforderungen sendet.
Die folgende Anfrage führt eine Hybridabfrage aus: Stichwortsuche auf chunk und eine Vektorabfrage gegen text_vector. Der Abfragezeitvektorizer bettet den Abfragetext mithilfe der konfigurierten Einbettungsbereitstellung ein.
POST {endpoint}/indexes/my_content_understanding_index/docs/search?api-version=2026-10-01
Authorization: Bearer <access-token>
Content-Type: application/json
{
"search": "copay for in-network providers",
"searchFields": "chunk",
"count": true,
"searchMode": "all",
"vectorQueries": [
{
"kind": "text",
"text": "copay for in-network providers",
"fields": "text_vector"
}
],
"select": "chunk, title, page_number_from, page_number_to, image_path"
}
Eine Antwort enthält value Einträge mit den ausgewählten Feldern. Überprüfen Sie den Inhalt der Chunks und die Seitenzuordnungen. Um den Vektorabruf unabhängig zu überprüfen, wiederholen Sie die Anforderung ohne search, searchFieldsund searchMode, beibehalten vectorQueries. Hybridergebnisse allein belegen nicht, dass der Vektorabruf erfolgreich war.
Die folgende Antwortstruktur ist ein Beispiel und keine erfasste Ausgabe aus einer Liveausführung. Blockbegrenzungen, Text, Anzahl und Bewertungen variieren:
{
"@odata.count": 2,
"value": [
{
"@search.score": 0.0317,
"chunk": "## Cost sharing\n\nFor in-network providers, the copay is $20 per visit...\n\n",
"title": "Northwind_Standard_Benefits_Details.pdf",
"page_number_from": 4,
"page_number_to": 4,
"image_path": "figures/3"
},
{
"@search.score": 0.0289,
"chunk": "### Out-of-network providers\n\nWhen you visit a provider that isn't in the Northwind network, the copay is $40 per visit...",
"title": "Northwind_Standard_Benefits_Details.pdf",
"page_number_from": 5,
"page_number_to": 6,
"image_path": null
}
]
}
Die Antwort umfasst:
-
chunk: Der Markdown-Inhalt jedes Chunks. Wenn Sie beide Modelleigenschaften für die Fähigkeit zum Inhaltsverständnis konfigurieren, werden generierte Bildbeschreibungen für entsprechende Abbildungen inline angezeigt. -
page_number_fromundpage_number_to: Der Seitenbereich, der den Block erzeugt hat. -
image_path: Der Pfad zum Bild, das mit dem Block extrahiert wurde, oder, wenn ein Block mehrere Bilder umfasst, eine durch Semikolons getrennte Liste von Pfaden. Die genaue Form hängt davon ab, ob eine Wissensspeicherdateiprojektion konfiguriert ist. Ohne Dateiprojektion ist der Pfad das kurze Formular im Beispiel (figures/3). Bei einer Dateiprojektion ist der Pfad der relative Pfad des Bilds im Wissensspeicher. Informationen dazu, wie Sie diese Bilder für Client-Apps verfügbar machen, finden Sie unter (Optional) Projektbilder zum Abrufen.
(Optional) Projektbilder für den Abruf
Die im Index gespeicherten image_path-Werte sind keine direkt abrufbaren URLs. Um Bilder abzurufen, projizieren normalized_images Sie mithilfe eines Wissensspeichers Azure Blob Storage. Ihre Client-App kann dann BLOB-URLs aus den gespeicherten Bildpfaden erstellen.
Dieser Schritt ist optional. Fügen Sie sie nur hinzu, wenn Ihre Client-App die extrahierten Bilder anzeigen oder herunterladen muss.
Fügen Sie die knowledgeStore Eigenschaft aus dem folgenden Konfigurationsfragment zur Skillset-Nutzlast hinzu. Aktualisieren Sie das vorhandene Skillset mit PUT {endpoint}/skillsets/my_content_understanding_skillset?api-version=2026-10-01. Dieses optionale Blob-Szenario wird für durch Berechtigungen geschützte SharePoint-Inhalte nicht unterstützt.
{
"knowledgeStore": {
"storageConnectionString": "<your-azure-storage-connection-string>",
"projections": [
{
"files": [
{
"storageContainer": "extracted-images",
"source": "/document/normalized_images/*"
}
],
"tables": [],
"objects": []
}
]
}
}
Um die neue Dateiprojektion für Bereits indizierte Dokumente aufzufüllen, setzen Sie den Indexer zurück, und führen Sie sie aus. Dadurch werden die Quelldateien mit dem aktualisierten Skillset neu verarbeitet.
Nachdem der Indexer ausgeführt wurde, entspricht jeder Blob im extracted-images Container einem normalized_images Element. Die BLOB-URL weist das Formular https://<storage-account>.blob.core.windows.net/<container>/<imagePath>auf. Verwenden Sie jeden einzelnen gespeicherten Bildpfad, wenn das image_path eines Blocks mehrere durch Semikolons getrennte Pfade enthält. Ihre App benötigt auch autorisierten Zugriff auf Blob Storage. Eine Dateiprojektion macht Keine Bilder öffentlich oder ermöglicht die Bereitstellung von Wissensbasisbildern.
Das vollständige Schema, einschließlich zusätzlicher Projektionstypen (tables und objects) und Authentifizierungsoptionen, finden Sie unter Wissensspeicher "Projektionen" in Foundry IQ.
Steuerung der generierten Bildverbalisierung
Informationen zu direkten und generierten Pipelineeinstellungen, einschließlich Opt-Out-Validierung und Asset-Store-Einschränkungen, finden Sie unter Steuerelemente für Abrechnung und Bildbeschreibung.
Bereinigen von Ressourcen
Beenden oder löschen Sie den Indexer und seinen Zeitplan, wenn die Datenerfassung nicht mehr benötigt wird. Löschen Sie die Datenquelle, das Skillset und den Index, wenn Sie sie nicht mehr benötigen. Suchkapazität, BLOB-Dateien und extrahierte Images, Foundry-Ressourcen und Modellbereitstellungen weisen separate Lebenszyklus auf; Durch das Löschen von Suchobjekten werden diese externen Ressourcen nicht gelöscht oder die bereits entstandenen Gebühren rückgängig gemacht.
Verwenden Sie für eine generierte Wissensquelle das dokumentierte Löschverfahren, und überprüfen Sie die generierten Objekte. Löschen Sie keine freigegebenen Ressourcen, die von anderen Pipelines verwendet werden.
Problembehandlung
Wenn der Indexer fehlschlägt oder unerwartete Ergebnisse zurückgibt, überprüfen Sie die folgenden allgemeinen Ursachen.
Skillset-Validierung schlägt mit 400 fehl
Die Fähigkeit gibt einen 400 Skill validation failed Fehler zurück, wenn Parameterkombinationen in Konflikt geraten. Häufige Ursachen:
-
modelNameist ohnemodelDeploymentoder umgekehrt festgelegt. Beide müssen zusammen festgelegt werden. - Sie legen
methoddiesensemanticoverlapLengthWert auf einen Wert fest, der größer als ist0. Setzen SieoverlapLengthauf0oder lassen Sie es weg. -
methodundunitsind kein unterstütztes Paar. Verwenden SiefixedSizemitcharactersodersemanticmittokens.
Die Autorisierung schlägt gegen die Foundry-Ressource fehl.
Wenn die Fähigkeit beim Aufrufen der Foundry-Ressource 401 oder 403 zurückgibt, überprüfen Sie Folgendes:
- Der
cognitiveServicesBlock im Skillset verweist auf die richtige Foundry-Ressource. - Die vom Foundry IQ-Dienst verwendete Identität hat die erforderliche Rolle für die Foundry-Ressource. Informationen zu Setups mit verwalteten Identitäten finden Sie unter Anfügen einer abrechenbaren Ressource an ein Skillset in Foundry IQ.
text_sections ist leer
Wenn indizierte Dokumente keine Blöcke aufweisen, stellen Sie folgendes sicher:
- Das Dateiformat wird unterstützt. Die Liste finden Sie unter "Unterstützte Dateiformate".
- Die Foundry-Ressource befindet sich in einer unterstützten Region.
- Kennwortgeschützte PDF-Dateien werden vor der Indizierung entsperrt.
Bildbeschreibungen fehlen
Wenn Blöcke keine Inlineimagebeschreibungen enthalten, überprüfen Sie die Beschreibungskonfiguration, die Bereitstellung in der angefügten Foundry-Ressource und das verfügbare TPM- oder RPM-Kontingent.
Problembehandlung bei der Inhaltsverständnisanalyse
Das Standardmäßige Abfragefenster für die Dokumentanalyse beträgt acht Minuten. Wenn dieses Fenster abläuft, gibt der Prozess einen Skill-Timeout-Fehler zurück und erzeugt keine Inhaltsverständnisausgabe für dieses Dokument. Dieser Ablauf führt nicht unbedingt zum Fehlschlagen der gesamten Indexerausführung.
Verwenden Sie die Ausführungsdetails, um die Ursache zu ermitteln:
| Symptom oder Nachweis | Prüfen |
|---|---|
| Qualifikationstimeout nach der Analyseumfrage | Repräsentative Dokumentkomplexität, optionale Arbeit, Ressourcenspeicherort und die kanonische Anleitung für umfangreiche Dokumente. Die Batchgröße hat keinen Einfluss auf dieses Fenster. |
| Die Analyzer-Erstellung wird nicht bereit | Ein separater Vorgang mit einem fünfminütigen Timeout zur Bereitschaftsumfrage und nicht mit dem achtminütigen Dokumentanalysefenster. |
| Terminalinhaltsverständnisfehler oder falsch formatierte Ausgabe | Der gemeldete Dienstfehler und das unterstützte Datei-/Eingabeformat. Diagnostizieren Sie nicht jeden fehlenden Block als Ablauf des Pollings. |
| HTTP-Timeout, 429 oder Dienst nicht verfügbar | Anforderungs- und Netzwerkfehler, Drosselung sowie die konfigurierte Kapazität von Modell und Dienst. Wiederholungsverzögerungen können die Pollingzeit aufbrauchen. |
| 401 oder 403 | Identität, Rollenzuweisungen, Ressourcenendpunkt und Netzwerkzugriff. |
| Erschöpfung des Datei- und Seitenkontingents oder der Indexer-Laufzeit | Grenzen für Content Understanding-Dienste und Grenzen für Suchindexer, separat. |
Notieren Sie den Indexernamen, die Ausführungszeit, den Bezeichner der betroffenen Quelle, den Skillnamen, die Fehlerdetails und die verfügbaren Anforderungs- und Korrelations-IDs für den Support. Schließen Sie keine Zugriffstoken, Schlüssel oder geschützten Dokumentinhalte ein. Siehe Indexer-Problembehandlung und allgemeine Fehler und Warnungen.
Berücksichtigen Sie vor dem erneuten Ausführen oder Zurücksetzen die Kosten für wiederholte Extraktionen, Beschreibungen und Einbettungen. Gehen Sie nicht davon aus, dass zwischengespeicherte Analysen, fortgesetzte Abrufe, Abbruch des früheren Inhaltsverständnisvorgangs oder Die Freiheit von doppelten Verarbeitungsgebühren verwendet werden.