Fonctionnalités de Recherche Azure AI

Note

Recherche Azure AI est disponible via le portail Azure, les API REST et les SDK Azure. Il sous-tend également Foundry IQ, la couche de connaissances managée qui transforme le contenu d’entreprise en bases de connaissances réutilisables et prenant en charge les autorisations pour les agents dans le portail Microsoft Foundry.

Recherche Azure AI fournit une récupération d’informations et utilise l’intégration IA facultative pour extraire plus de valeur du texte et du contenu vectoriel.

Le tableau suivant récapitule les fonctionnalités par catégorie. Il y a parité des fonctionnalités entre tous les clouds Azure, qu'ils soient publics, privés, ou souverains, mais certaines fonctionnalités ne sont pas prises en charge dans certaines régions ou niveaux spécifiques.

Récupération agentique

Catégorie Fonctionnalités
Bases de connaissances Les bases de connaissances orchestrent le pipeline de récupération agentique, se connectent à votre LLM et gèrent les paramètres de requête. Une base de connaissances référence une ou plusieurs sources de connaissances et définit le comportement de récupération.
Sources de connaissances Les sources de connaissances définissent le contenu disponible pour une base de connaissances. Une source de connaissances indexée est soutenue par un index de recherche, tandis qu’une source de connaissances distante récupère du contenu à partir d’une plateforme externe au moment de la requête.
Planification des requêtes (aperçu) La planification des requêtes utilise un LLM pour analyser le contexte de conversation et décomposer les questions complexes en sous-requêtes ciblées. Cela inclut le traitement de l’historique des conversations, la décomposition des requêtes, l’expansion des synonymes et la correction orthographique.
Exécution de requêtes parallèles Les sous-requêtes s’exécutent simultanément sur toutes les sources de connaissances. Chaque sous-requête prend en charge le mot clé, le vecteur et la recherche hybride avec une reclassement sémantique automatique.
Niveau d’effort de raisonnement pour la récupération (préversion) L’effort de raisonnement de récupération contrôle le niveau de traitement LLM dans le pipeline afin que vous puissiez équilibrer la profondeur et la pertinence de la récupération par rapport à la latence et au coût LLM.
Résultat de la réponse Le pipeline retourne soit du contenu de base extractif soit, avec la synthèse de réponses (préversion) activée, une réponse générée par LLM avec des citations. Vous pouvez éventuellement inclure des références sources et des détails d’exécution.

Indexation et extraction de données

Catégorie Fonctionnalités
Sources de données Les index de recherche peuvent accepter du texte à partir de n’importe quelle source, à condition qu’il soit envoyé en tant que document JSON.

Les indexeurs sont une fonctionnalité qui automatise l’importation de données à partir de sources de données prises en charge pour extraire du contenu pouvant faire l’objet d’une recherche dans les magasins de données principaux. Les indexeurs gèrent la sérialisation JSON pour vous et prennent en charge une certaine forme de détection des modifications et des suppressions. Vous pouvez vous connecter à diverses sources de données, notamment Microsoft OneLake, Azure SQL Database, Azure Cosmos DB ou Stockage Blob Azure.

Les connecteurs Logic Apps vous permettent d’accéder à un large éventail de sources de données, notamment des données sur d’autres plateformes cloud. Ce pipeline d’indexation et d’enrichissement est créé dans Recherche Azure AI mais géré dans Azure Logic Apps.

Les sources de connaissances sont une fonctionnalité de récupération agentique. Ils sont utilisés pendant l’indexation et au moment de la requête pour prendre en charge une base de connaissances.
Structures de données hiérarchiques et imbriquées Les types et collections complexes vous permettent de modéliser pratiquement n’importe quel type de structure JSON dans un index de recherche. La cardinalité « un à plusieurs » et « plusieurs à plusieurs » peut être exprimée de manière native à travers des collections, des types complexes et des collections de types complexes.
Analyse linguistique Les analyseurs sont des composants de la recherche classique utilisée pour le traitement du texte pendant l’indexation et les opérations de recherche. Par défaut, vous pouvez utiliser l’analyseur Lucene standard à usage général ou remplacer la valeur par défaut par un analyseur de langage, un analyseur personnalisé que vous configurez ou un autre analyseur prédéfini qui produit des jetons au format dont vous avez besoin.

Analyseurs linguistiques de Lucene ou de Microsoft sont utilisés pour gérer intelligemment la linguistique propre à chaque langue, y compris les temps verbaux, le genre, les noms pluriels irréguliers (par exemple, « souris » vs. « souris »), la décomposition de mots, la séparation des mots (pour les langues sans espaces), etc.

Les analyseurs lexicals personnalisés sont utilisés pour les formulaires de requête complexes tels que la correspondance phonétique et les expressions régulières.

Modèle de conversation et intégration de l’agent

Catégorie Fonctionnalités
Modèles d’achèvement de conversation utilisés lors de l’indexation La compétence d’invite GenAI est une compétence qui appelle un modèle de langage volumineux pendant l’indexation et fournit une invite qui détermine la tâche. Vous décidez de la tâche. Il peut impliquer la description d’une image, de résumé ou de manipulation de contenu, ou toute tâche que le modèle peut effectuer. La sortie est ajoutée en tant que nouveau champ dans un index pouvant faire l’objet d’une recherche.
Modèles d’achèvement de conversation utilisés au moment de la requête La récupération agentique utilise un modèle de langage volumineux pour la planification des requêtes, la décomposition et la paraphrasation de requêtes complexes pour une meilleure couverture des requêtes sur votre index. Les réponses issues de la récupération agentique sont conçues pour les flux de travail agent à agent. Vous pouvez transmettre les résultats de recherche sous forme d'une seule chaîne volumineuse, ce qui simplifie la consommation par l'agent de votre contenu propriétaire. La réponse inclut également des citations et des informations d’exécution de requête.

La synthèse des réponses (préversion) utilise le LLM pour générer des réponses appuyées par des citations à partir des résultats de recherche retournés par l’extraction agentique.

Les modèles RAG peuvent être implémentés à l’aide de fonctionnalités existantes. La possibilité de régler la pertinence et de construire des requêtes hybrides améliore la qualité du contenu envoyé aux bots de conversation pour la génération de réponses.

IA appliquée et contenu enrichi par l’IA

Catégorie Fonctionnalités
Traitement IA lors de l’indexation L’enrichissement par IA fait référence au traitement incorporé de l’image et du langage naturel dans un pipeline d’indexeur qui extrait du texte et des informations du contenu qui ne peuvent pas être indexés pour la recherche en texte intégral. Le traitement IA est obtenu en ajoutant et en combinant des compétences dans un ensemble de compétences, lequel est ensuite associé à un indexeur. L’IA peut être compétences intégrées à partir de Microsoft, telles que la traduction de texte ou la reconnaissance optique de caractères (OCR), ou les compétences customes que vous fournissez.

La segmentation et la vectorisation des données intégrées divisent des passages plus volumineux en segments plus petits qui peuvent être vectorisés, avec des vecteurs routés vers des champs dédiés dans un index pour la recherche vectorielle et hybride.
Traitement IA pendant l'exécution de la requête Les vectoriseurs sont utilisés pour encoder des chaînes de requête utilisateur en vecteurs pour la recherche vectorielle. Vous pouvez utiliser les mêmes modèles d’incorporation pour les requêtes que vous avez utilisées pour l’indexation.

Stockage de contenu enrichi pour l’analyse et la consommation dans des scénarios de non-recherche La base de connaissances est un stockage persistant du contenu enrichi par l’IA ou généré par l’IA, destiné à des scénarios de non-recherche tels que l’exploration de connaissances et les charges de travail de science des données. Une base de connaissances est définie dans un ensemble de compétences, mais créée dans stockage Azure en tant qu’objets ou ensembles de lignes tabulaires.
Enrichissements mis en cache (préversion) La mise en cache de l’enrichissement désigne les enrichissements mis en cache qui peuvent être réutilisés lors de l’exécution du jeu de compétences. La mise en cache est précieuse dans les compétences comprenant l'OCR et l'analyse d'images, qui sont coûteuses à traiter.

Récupération vectorielle et hybride

Catégorie Fonctionnalités
Indexation de vecteurs Dans un index de recherche, ajoutez des champs vectoriels pour prendre en charge les scénarios de recherche vectorielle . Les champs vectoriels peuvent coexister avec des champs non vecteurs dans le même document de recherche.
Requêtes vectorielles Formulez des requêtes vectorielles uniques et multiples.
Algorithmes de recherche vectorielle Utilisez HNSW (Hierarchical Navigable Small World) ou des K-Nearest Neighbors (KNN) complets pour rechercher des vecteurs similaires dans un index de recherche.
Filtres vectoriels Appliquez des filtres avant ou après l’exécution de la requête pour une plus grande précision lors de la récupération des informations.
Récupération d’informations hybrides Recherchez des concepts et des mots clés dans une requête de requête hybride unique.

La recherche hybride consolide la recherche de vecteurs et de texte, avec un classement sémantique facultatif et un réglage de pertinence pour obtenir des résultats optimaux.
Segmentation et vectorisation des données intégrées Segmentation des données natives à l'aide de la fonction de fractionnement de texte. Vectorisation native avec vectorizers et des compétences d’incorporation telles que Azure OpenAI Embedding, Azure Vision multimodal (préversion) et AML, que vous pouvez utiliser pour vous connecter aux points de terminaison du catalogue de modèles Microsoft Foundry.

La vectorisation intégrée fournit un pipeline d’indexation de bout en bout de fichiers sources vers des requêtes.
Compression et quantisation de vecteurs intégrés Utilisez la quantisation scalaire et binaire intégrée pour réduire la taille de l’index vectoriel en mémoire et sur le disque. Vous pouvez également renoncer au stockage de vecteurs dont vous n’avez pas besoin ou affecter des types de données étroits aux champs vectoriels pour des besoins de stockage réduits.

Texte intégral classique et autres formulaires de requête

Catégorie Fonctionnalités
Recherche de texte de forme libre La recherche en texte intégral est un cas d’usage principal pour la plupart des applications basées sur la recherche. Les requêtes peuvent être formulées à l’aide d’une syntaxe prise en charge.

La syntaxe de requête simple fournit des opérateurs logiques, des opérateurs de recherche d’expressions, des opérateurs de suffixe, des opérateurs de précédence.

La syntaxe complète des requêtes Lucene inclut toutes les opérations en syntaxe simple, avec des extensions pour la recherche approximative, la recherche de proximité, l’amélioration des termes et les expressions régulières.
Pertinence Simple scoring est un avantage clé d'Recherche Azure AI. Utilisez des profils de scoring pour modéliser la pertinence en tant que fonction des valeurs dans les documents eux-mêmes. Par exemple, vous souhaiterez peut-être que les produits plus récents ou les produits réduits apparaissent plus hauts dans les résultats de recherche. Vous pouvez également créer des profils de scoring à l’aide de balises pour le scoring personnalisé en fonction des préférences de recherche des clients que vous suivez et stockez séparément.

Le ranker sémantique est une fonctionnalité Premium qui réécrit les résultats en fonction de la pertinence sémantique de la requête. Selon votre contenu et votre scénario, il peut améliorer considérablement la pertinence de la recherche avec une configuration ou un effort minimal.
Recherche géospatiale Les fonctions géospatiales filtrent et correspondent aux coordonnées géographiques. Vous pouvez faire correspondre selon la distance ou par inclusion dans une forme polygonale.
Filtres et facettes La navigation à facettes est activée via un paramètre de requête unique. Recherche Azure AI retourne une structure de navigation à facettes que vous pouvez utiliser comme code derrière une liste de catégories, pour le filtrage auto-dirigé (par exemple, pour filtrer les éléments de catalogue par plage de prix ou marque).

Les filtres peuvent être utilisés pour incorporer la navigation à facettes dans l’interface utilisateur de votre application, améliorer la formulation des requêtes et filtrer en fonction des critères spécifiés par l’utilisateur ou le développeur. Créez des filtres à l’aide de la syntaxe OData.
Expérience utilisateur La saisie semi-automatique peut être activée pour les requêtes de saisie anticipée dans une barre de recherche.

Les suggestions de recherche fonctionnent également hors des entrées de texte partielles dans une barre de recherche, mais les résultats sont des documents réels dans votre index plutôt que des termes de requête.

Les synonymes associent des termes équivalents qui étendent implicitement l’étendue d’une requête, sans que l’utilisateur ait à fournir les autres termes.

Le surligneur d’éléments applique la mise en forme de texte à un mot clé correspondant dans les résultats de la recherche. Vous pouvez choisir les champs qui renvoient des extraits en surbrillance.

Le tri est proposé pour plusieurs champs via le schéma d'index, puis activé au moment de la requête avec un seul paramètre de recherche.

La pagination et la limitation de vos résultats de recherche sont simplifiées grâce au contrôle précis qu'Recherche Azure AI offre sur vos résultats.

Fonctionnalités de sécurité

Catégorie Fonctionnalités
Sécurité réseau Les règles IP pour la prise en charge du pare-feu entrant vous permettent de configurer des plages d’adresses IP sur lesquelles le service de recherche accepte les demandes.

Créer un point de terminaison privé à l’aide de Azure Private Link pour forcer toutes les requêtes via un réseau virtuel.

Network security perimeter vous permet de joindre Recherche Azure AI à un périmètre de sécurité réseau qui inclut d’autres ressources Azure afin de pouvoir gérer l’accès réseau de manière holistique.
Chiffrement des données Microsoft-managed encryption-at-rest est intégré à la couche de stockage interne et est irréversible.

Clés de chiffrement gérées par le client (CMK) que vous créez et gérez dans Azure Key Vault peuvent être utilisées pour le chiffrement supplémentaire des index et des cartes de synonymes. Pour les services créés après le 1er août 2020, le chiffrement CMK s’étend aux données sur des disques temporaires, pour le double chiffrement complet du contenu indexé.
Accès entrant Contrôle d'accès basé sur les rôles attribue des rôles aux utilisateurs et aux groupes dans Microsoft Entra ID pour un accès contrôlé au contenu et aux opérations de recherche. Vous pouvez également utiliser l’authentification basée sur des clés si vous ne souhaitez pas utiliser d’attributions de rôles.

Le contrôle d’accès au niveau du document filtre les résultats de recherche qu’un utilisateur n’est pas autorisé à voir. Pour plusieurs sources de données, si la source de données fournit un modèle de contrôle d’accès, vous pouvez configurer un index pour hériter des métadonnées d’autorisation utilisateur.
Sécurité sortante (indexeurs) Connexions de données via des points de terminaison privés permet à un indexeur de se connecter à des ressources Azure protégées par Azure Private Link.

Connexions de données via des identités managées authentifie les connexions à des ressources Azure à l’aide d’un principal de sécurité Microsoft Entra, qui élimine le stockage et le passage de clés API codées en dur.

Accès aux données en utilisant une identité de confiance signifie que les chaînes de connexion aux sources de données externes peuvent omettre les noms d’utilisateur et les mots de passe. Lorsqu’un indexeur se connecte à la source de données, la ressource autorise la connexion si le service de recherche a été précédemment inscrit en tant que service approuvé (s’applique uniquement à stockage Azure).

Fonctionnalités du portail

Catégorie Fonctionnalités
Outils de prototypage et d’inspection Add index est un concepteur d’index dans le portail Azure que vous pouvez utiliser pour créer un schéma de base composé de champs attribués et de quelques autres paramètres. Après avoir enregistré l’index, vous pouvez le remplir à l’aide d’un SDK ou de l’API REST pour fournir les données.

L’importation de données est un assistant qui crée un pipeline d’indexation de bout en bout, y compris un index, un indexeur, un ensemble de compétences et une définition de source de données, pour les scénarios de recherche par mot-clé et de RAG. Pour RAG, il gère également la segmentation et la vectorisation des données. Si vos données existent dans Azure, cet Assistant peut vous faire gagner beaucoup de temps et d’efforts, en particulier pour la vérification et l'exploration d'une preuve de concept.

L’Explorateur de recherche est utilisé pour tester les requêtes et affiner les profils de scoring.

Créer une application de démonstration est utilisée pour générer une page HTML qui peut être utilisée pour tester l’expérience de recherche.

Les sessions de débogage sont un éditeur visuel qui vous permet de déboguer un ensemble de compétences de manière interactive. Il vous montre les dépendances, les résultats et les transformations.
Surveillance et diagnostics Activez les fonctionnalités de surveillance pour dépasser les métriques visibles au premier coup d'œil dans le portail Azure. Des mesures sur les requêtes par seconde, la latence et la limitation sont capturées et affichées sur les pages du portail sans aucune configuration supplémentaire.

Programmabilité

Catégorie Fonctionnalités
REST L’API REST de service est destinée aux opérations de plan de données, y compris toutes les opérations liées à l’indexation, aux requêtes, à l’enrichissement par IA et à la récupération agentique. Vous pouvez également utiliser cette bibliothèque cliente pour récupérer les informations système et les statistiques.

API RESTmanagement est destinée à la création et au provisionnement de services via Azure Resource Manager. Vous pouvez également utiliser cette API pour gérer les clés et la capacité.
Kit de développement logiciel (SDK) Azure pour .NET Azure. Search.Documents concerne les opérations de plan de données, y compris toutes les opérations liées à l’indexation, aux requêtes et à l’enrichissement par IA. Vous pouvez également utiliser cette bibliothèque cliente pour récupérer les informations système et les statistiques.

Microsoft.Azure. Management.Search est destiné à la création et au provisionnement de services via Azure Resource Manager. Vous pouvez également utiliser cette API pour gérer les clés et la capacité.
Kit de développement logiciel (SDK) Azure pour Java com.azure.search.documents est destiné aux opérations de plan de données, y compris toutes les opérations liées à l’indexation, aux requêtes et à l’enrichissement par IA. Vous pouvez également utiliser cette bibliothèque cliente pour récupérer les informations système et les statistiques.

com.microsoft.azure.management.search est destiné à la création et au provisionnement de services via Azure Resource Manager. Vous pouvez également utiliser cette API pour gérer les clés et la capacité.
Kit de développement logiciel (SDK) Azure pour Python azure-search-documents est destiné aux opérations de plan de données, y compris toutes les opérations liées à l’indexation, aux requêtes et à l’enrichissement par IA. Vous pouvez également utiliser cette bibliothèque cliente pour récupérer les informations système et les statistiques.

azure-mgmt-search est destiné à la création et au provisionnement de services via Azure Resource Manager. Vous pouvez également utiliser cette API pour gérer les clés et la capacité.
Kit de développement logiciel (SDK) Azure pour JavaScript/TypeScript azure/search-documents est destiné aux opérations de plan de données, y compris toutes les opérations liées à l’indexation, aux requêtes et à l’enrichissement par IA. Vous pouvez également utiliser cette bibliothèque cliente pour récupérer les informations système et les statistiques.

azure/arm-search est destiné à la création et au provisionnement de services via Azure Resource Manager. Vous pouvez également utiliser cette API pour gérer les clés et la capacité.
  • Last updated on