Che cos'è Azure AI Search?

Azure AI Search è un servizio completamente gestito e ospitato nel cloud che connette i dati all'intelligenza artificiale. Il servizio unifica l'accesso ai contenuti aziendali e del Web, consentendo agli agenti e ai modelli linguistici di grandi dimensioni (LLM) di utilizzare il contesto, la cronologia delle chat e i segnali provenienti da più fonti per produrre risposte affidabili e fondate.

I casi d'uso comuni includono la ricerca classica e la generazione aumentata dal recupero (RAG) con recupero agentico, in cui il servizio orchestra la pianificazione delle query, il recupero e la generazione della risposta. Queste funzionalità supportano scenari che vanno dalle esperienze di ricerca tradizionali agli agenti basati sull'intelligenza artificiale e alle applicazioni di chat adatte sia per gli scenari aziendali che per gli scenari consumer.

Quando si crea un servizio di ricerca, sono incluse le funzionalità seguenti:

• Due motori: ricerca classica per singole richieste e recupero agentico per la ricerca parallela, iterativa e assistita da LLM.
• Query full-text, vettoriali, ibride e multimodali su contenuto locale (indicizzato) e remoto.
• Arricchimento tramite intelligenza artificiale per suddividere, vettorizzare e altro per rendere ricercabile il contenuto non elaborato.
• Ottimizzazione della pertinenza per migliorare la corrispondenza delle finalità e la qualità dei risultati.
• Azure scalabilità, sicurezza, monitoraggio e conformità.
• Azure integrazioni con piattaforme dati supportate, Azure OpenAI e Microsoft Foundry.

Perché usare Azure AI Search?

• Agenti di base e chatbot in dati proprietari, aziendali o Web per risposte accurate e con riconoscimento del contesto.

• Accedere ai dati da Archiviazione BLOB di Azure, Azure Cosmos DB, Microsoft SharePoint, Microsoft OneLake e altre origini dati supportate. Scegliere l'accesso indicizzato o remoto in base alle esigenze di aggiornamento, latenza e conformità.

• Arricchire e strutturare il contenuto in fase di indicizzazione o interrogazione con competenze che eseguono suddivisioni in blocchi, embedding e trasformazioni assistite da LLM.

• Combinare la ricerca full-text con la ricerca vettoriale (ricerca ibrida) per bilanciare la precisione e il richiamo.

• Interrogare contenuti contenenti sia testo che immagini in una singola pipeline multimodale.

• Implementare facilmente le funzionalità correlate alla ricerca: ottimizzazione della pertinenza, navigazione a faccette, filtri (inclusa la ricerca geospaziale), mappatura dei sinonimi e completamento automatico.

• Fornire sicurezza aziendale, controllo di accesso e conformità tramite Microsoft Entra ID, collegamento privato di Azure, controllo di accesso a livello di documento e accesso basato sui ruoli.

• Ridimensionamento e operatività nell'ambiente di produzione con l'affidabilità di Azure, il monitoraggio e la diagnostica (log, metriche e avvisi), e l'API REST o la strumentazione SDK per l'automazione.

Per altre informazioni sulle funzionalità specifiche, vedere Feature di Azure AI Search.

Che cos'è la ricerca classica?

La ricerca classica è un modello di recupero basato su indici per query prevedibili e a bassa latenza. Ogni query è destinata a un singolo indice di ricerca predefinito e restituisce documenti classificati in un ciclo di richiesta-risposta. Durante il recupero non viene eseguita alcuna pianificazione, iterazione o sintesi assistita da LLM.

In questa architettura il servizio di ricerca si trova tra gli archivi dati che contengono il contenuto non elaborato e l'app client. L'app è responsabile dell'invio di richieste di query al servizio di ricerca e della gestione della risposta.

Questa architettura ha due carichi di lavoro principali:

Che cos'è il recupero agentico?

Il recupero agentico è una pipeline con più query progettata per flussi di lavoro complessi da agente a agente. Ogni query è destinata a una banca dati della conoscenza che rappresenta un dominio completo di conoscenza. L'agente fa riferimento alla base di conoscenze per capire su cosa basarsi , mentre la base di conoscenze gestisce il come eseguire il grounding.

Una knowledge base è costituita da una o più origini di informazioni, un LLM facoltativo per la pianificazione delle query e la sintesi delle risposte e parametri che regolano il comportamento di recupero. Ogni query viene sottoposta a pianificazione, scomposizione in sottoquery mirate, recupero parallelo da fonti di conoscenza, reranking semantico e unione dei risultati. La triplice risposta è ottimizzata per l'utilizzo da parte degli agenti.

A livello interno, il "recupero agentico" si basa sull'architettura di ricerca classica aggiungendo un livello di contesto (knowledge base) che orchestra il recupero da più fonti. Le origini delle informazioni possono essere indicizzate o remote: le origini indicizzate usano gli stessi motori di indicizzazione e query della ricerca classica, mentre le origini remote ignorano l'indicizzazione e vengono sottoposte a query in tempo reale.

Come vengono confrontati

La ricerca classica e il recupero agentico sono modalità complementari di recupero delle informazioni. Entrambi supportano la ricerca full-text, vettoriale, ibrida e multimodale. Tuttavia, differiscono nella modalità con cui il contenuto viene acquisito e interrogato. La tabella seguente riepiloga le differenze principali.

Come iniziare

È possibile accedere a Azure AI Search tramite il portale di Azure, APIREST e Azure SDK per .NET, Java, JavaScript e Python.

Il portale è utile per l'amministrazione del servizio e la gestione dei contenuti, con strumenti per la creazione di prototipi di knowledge base, origini delle informazioni, indici, indicizzatori, set di competenze e origini dati. Le API REST e gli SDK sono utili per l'automazione di produzione.

Scegliere il percorso

Prima di iniziare, usare questo elenco di controllo per prendere decisioni chiave:

• Scegliere un modello di determinazione prezzi: selezionare tra il modello tariffario Dedicato o Serverless (anteprima). Per informazioni sulla scelta del modello più adatto alle proprie esigenze, vedere Scegliere un modello tariffario e un livello di servizio .

• Scegliere la modalità di recupero dei dati: È possibile eseguire query direttamente da un indice di ricerca per ottenere risultati prevedibili, a bassa latenza o usare il recupero agentico per eseguire query su più indici tramite una knowledge base. Se si sta creando un'app tradizionale senza un agente o chatbot, le query sugli indici diretti possono soddisfare la maggior parte delle esigenze con costi e complessità inferiori. Se vuoi lavorare con più fonti di conoscenza o gestire scenari più avanzati, prendi in considerazione il retrieval agentico con sforzo di ragionamento minimo (anteprima).

• Scegliere un'area: Se si usa il recupero agentico, scegliere un'area supportata. Per la ricerca classica, scegliere un'area che offre le funzionalità e la capacità necessarie.

• Scegliere un metodo di inserimento per il contenuto associato all'indice: Se il contenuto si trova in un'origine dati supportata, usare il metodo pull per recuperare e serializzare i dati in JSON. Se non si dispone di un'origine dati supportata o se il contenuto e l'indice devono essere sincronizzati in tempo reale, il metodo push è l'unica opzione.

• Sono necessari vettori? LLM e agenti non richiedono vettori. Usarli solo se è necessaria una ricerca di somiglianza o se si dispone di contenuto che può essere omogeneizzato in vettori. Azure AI Search offre integrated vectorization per questa attività.

• È necessario ereditare le autorizzazioni basate sull'utente? Il SharePoint remoto è progettato per questo scenario, ma è anche possibile ereditare le autorizzazioni utente associate al contenuto in Archiviazione BLOB di Azure o ADLS Gen2. Per tutti gli altri scenari, è possibile usare la soluzione alternativa del filtro di sicurezza.

Scegliere le risorse di apprendimento

Questi esempi e guide introduttive sono disponibili per iniziare.