Tips för AI-berikning i Azure AI-sökning

Kommentar

Azure AI-sökning är tillgängligt via Azure-portalen, REST-API:er och Azure-SDK:er. Den ligger också till grund för Foundry IQ, det hanterade kunskapsskiktet som omvandlar företagsinnehåll till återanvändbara, behörighetsmedvetna kunskapsbaser för agenter i Microsoft Foundry-portalen.

Den här artikeln innehåller tips som hjälper dig att komma igång med AI-berikande och kompetensuppsättningar som används under indexering.

Tips 1: Starta enkelt och börja litet

Guiden Importera data i Azure-portalen stöder AI-berikning. Utan att skriva någon kod kan du skapa och undersöka alla objekt som används i en berikningspipeline: index, indexerare, datakälla och kompetensuppsättning.

Ett annat sätt att börja är att skapa en datakälla med bara en handfull dokument eller rader i en tabell som är representativ för de dokument som du vill indexeras. En liten datauppsättning är det bästa sättet att öka hastigheten för att hitta och åtgärda problem. Kör ditt exempel via pipelinen från slutpunkt till slutpunkt och kontrollera att resultaten uppfyller dina behov. När du är nöjd med resultatet är du redo att lägga till fler filer i datakällan.

Tips 2: Se vad som fungerar även om det finns några fel

Ibland stoppar ett litet fel en indexerare helt och hållet. Det villkoret är bra om du planerar att åtgärda problem en i taget. Men du kanske vill ignorera en viss typ av fel, så att indexeraren kan fortsätta och du kan se vilka flöden som faktiskt fungerar.

Om du vill ignorera fel under utveckling anger du maxFailedItems och maxFailedItemsPerBatch till -1 i indexerarens definition.

{
  "parameters": {
    "maxFailedItems": -1,
    "maxFailedItemsPerBatch": -1
  }
}

Kommentar

Som bästa praxis anger du maxFailedItems och maxFailedItemsPerBatch till 0 för produktionsarbetsbelastningar.

Tips 3: Använd felsökningssessionen för att felsöka problem

Felsökningssession är en visuell redigerare som visar en kunskapsuppsättnings beroendediagram, indata och utdata och definitioner. Det läser in ett enda källdokument från indexerarens datakälla med den aktuella indexeraren och kompetensuppsättningskonfigurationen. Du kan sedan köra hela kompetensuppsättningen, som är begränsad till det dokumentet. I en felsökningssession kan du identifiera och lösa fel, verifiera ändringar och genomföra ändringar i en överordnad kompetensuppsättning. En genomgång finns i Självstudie: felsökningssessioner.

Tips 4: Förväntat innehåll visas inte

Om innehållet saknas söker du efter borttagna dokument i Azure-portalen. På söktjänstsidan öppnar du Indexerare, väljer indexeraren och väljer sedan körningens statusvärde för att visa körningsinformation och fel.

Om problemet är relaterat till filstorleken kan ett fel som liknar detta visas: "Blobfilnamnet<>" har storleken på filstorleksbyte<, vilket överskrider den maximala storleken för extrahering av >dokument för den aktuella tjänstnivån. Mer information om indexeringsgränser finns i Tjänstgränser.

En andra orsak till att innehåll inte visas kan vara relaterat till mappningsfel för indata/utdata. Ett målnamn för utdata är till exempel "Personer", men indexfältets namn är gemener "personer". Systemet returnerar 201 lyckade meddelanden för hela pipelinen så att du tror att indexeringen lyckades när ett fält i själva verket är tomt.

Tips 5: Utöka bearbetningen utöver maximal körningstid

Bildanalys är beräkningsintensivt för även enkla fall, så när bilder är särskilt stora eller komplexa kan bearbetningstiderna överskrida den maximala tillåtna tiden.

För indexerare som har kompetensuppsättningar begränsas körningen av kompetensuppsättningar till 2 timmar för de flesta nivåer. Om bearbetningen av kompetensuppsättningar inte kan slutföras inom den perioden schemalägger du indexeraren så att den körs var femte minut så att den kan återuppta bearbetningen från det senast kända bra dokumentet.

Schemalagd indexering återupptas vid det senast kända bra dokumentet. Enligt ett återkommande schema kan indexeraren arbeta sig igenom kvarvarande avbildningar under en serie timmar eller dagar tills alla obearbetade bilder bearbetas. Mer information om schemasyntax finns i Schemalägga en indexerare.

Kommentar

Om en schemalagd indexerare upprepade gånger misslyckas med samma dokument minskar tjänsten hur ofta den körs (ned till en gång var 24:e timme) tills den gör framsteg. När du har åtgärdat det underliggande problemet kör du indexeraren på begäran. Om den gör framsteg återgår indexeraren till sitt konfigurerade intervall. Om indexeraren inte återgår till sitt konfigurerade schema efter en lyckad körning, se vanliga frågor om schemaläggningsbeteende.

Tips 6: Öka indexeringsdataflödet

Distribuera dina data till flera containrar eller flera virtuella mappar i samma container för parallell indexering. Skapa sedan flera par för datakällor och indexerare. Alla indexerare kan använda samma kompetensuppsättning och skriva till samma målsökindex, så din sökapp behöver inte vara medveten om den här partitioneringen.

Se även

  • Uppdaterades senast