Microsoft vectoriseur de catalogue de modèles Foundry (préversion)

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.

Important

Les fonctionnalités, capacités ou propriétés marquées (préversion) ne sont pas couvertes par un accord de niveau de service, ne sont pas recommandées pour les workloads de production et peuvent être modifiées ou faire l’objet de restrictions avant leur mise à disposition générale. Les Recherche Azure AI termes de la préversion s'appliquent à toutes les fonctionnalités d'aperçu, qu'il s'agisse d'une fonctionnalité autonome ou d'une partie d'une fonctionnalité généralement disponible.

Le vectoriseur de catalogue de modèles Microsoft Foundry (préversion) se connecte à un modèle incorporé déployé à partir du catalogue de modèles Foundry ou d’un point de terminaison Azure Machine Learning (AML). Vos données sont traitées dans la géo où votre modèle est déployé.

Si vous utilisez la vectorisation intégrée pour créer les tableaux vectoriels, l’ensemble de compétences doit inclure une compétence AML qui pointe vers le même modèle spécifié dans le vectoriseur.

Conditions préalables

  • Un projet hub Microsoft Foundry ou un espace de travail AML pour un modèle personnalisé que vous créez.

  • Pour les projets basés sur un hub uniquement, un déploiement serverless d’un modèle pris en charge issu du catalogue de modèles Microsoft Foundry. Vous pouvez utiliser l'Azure CLI pour approvisionner le déploiement serverless.

Paramètres vectoriseurs

Les paramètres sont sensibles à la casse. Les paramètres que vous utilisez dépendent de l’authentification dont votre fournisseur de modèle a besoin, le cas échéant.

Nom du paramètre Description
uri (Obligatoire pour l’authentification par clé) L’URI cible du déploiement serverless issu du catalogue de modèles Microsoft Foundry ou de l’URI de scoring du point de terminaison en ligne AML. Seul le schéma d’URI HTTPS est autorisé.
key (Obligatoire pour l’authentification par clé) Clé API du fournisseur de modèles.
resourceId (Obligatoire pour l’authentification par jeton) L’ID de ressource Azure Resource Manager du fournisseur de modèle. Pour un point de terminaison en ligne AML, utilisez le format subscriptions/{guid}/resourceGroups/{resource-group-name}/Microsoft.MachineLearningServices/workspaces/{workspace-name}/onlineendpoints/{endpoint_name}.
modelName Nom du modèle d’intégration du catalogue de modèles Microsoft Foundry déployé à l’emplacement uri spécifié. Les modèles pris en charge (déploiements serverless uniquement) sont les suivants :

  • Cohere-embed-v3-english
  • Cohere-embed-v3-multilingue
  • Cohere-embed-v4
region (Facultatif pour l’authentification par jeton) Région dans laquelle le fournisseur de modèles est déployé. Obligatoire si la région est différente de la région du service de recherche.
timeout (Facultatif) Délai d’expiration du client HTTP effectuant l’appel d’API. Elle doit être mise en forme sous forme de valeur XSD « dayTimeDuration » (sous-ensemble restreint d’une valeur de durée ISO 8601 ). Par exemple, PT60S pendant 60 secondes. S’il n’est pas défini, une valeur par défaut de 30 secondes est choisie. Le délai d’expiration peut être défini sur un maximum de 230 secondes et un minimum de 1 seconde.

Quels paramètres d’authentification utiliser

Le vectoriseur de catalogue de modèles Microsoft Foundry fournit deux options d’authentification :

  • Authentification basée sur des clés. Vous fournissez une clé statique pour authentifier les demandes de scoring à partir du vectoriseur. Définissez les paramètres uri et key pour cette connexion.

  • Authentification basée sur les jetons. Le projet basé sur un hub Foundry ou le point de terminaison en ligne AML est déployé en utilisant l’authentification basée sur des jetons. Le service Recherche Azure AI doit avoir une identité managée et une attribution de rôle sur le fournisseur de modèle. Le vectoriseur utilise ensuite l’identité du service de recherche pour s’authentifier auprès du fournisseur de modèles, sans clés statiques requises. L’identité du service de recherche doit avoir le rôle Propriétaire ou Contributeur . Définissez le resourceId paramètre et, si le service de recherche se trouve dans une autre région que le fournisseur de modèles, définissez le region paramètre.

Types de requêtes vectorielles pris en charge

Les types de requêtes vectorielles pris en charge par le vectoriseur de catalogue de modèles Microsoft Foundry dépendent de la modelName configurée.

Modèle d’incorporation Prend en charge text la requête Prend en charge imageUrl la requête Prend en charge imageBinary la requête
Cohere-embed-v3-english X X
Cohere-embed-v3-multilingue X X
Cohere-embed-v4 X X

Dimensions de champ attendues

Les dimensions de champ attendues pour un champ vectoriel configuré avec un vectoriseur de catalogue de modèles Microsoft Foundry dépendent de la modelName configurée.

modelName Dimensions attendues
Cohere-embed-v3-english 1024
Cohere-embed-v3-multilingue 1024
Cohere-embed-v4 256–1536

Exemple de définition

Les noms de modèles suggérés dans le catalogue de modèles Foundry se composent du modèle de base et d’un suffixe à trois lettres aléatoires. Le nom de votre modèle sera différent de celui indiqué dans cet exemple.

"vectorizers": [
    {
        "name": "my-model-catalog-vectorizer",
        "kind": "aml",
        "amlParameters": {
            "uri": "https://Cohere-embed-v3-multilingual-hin.eastus.models.ai.azure.com",
            "key": "aaaaaaaa-0b0b-1c1c-2d2d-333333333333",
            "timeout": "PT60S",
            "modelName": "Cohere-embed-v3-multilingual-hin",
            "resourceId": null,
            "region": null,
        },
    }
]

Voir aussi

  • Last updated on