Inbäddningsfärdighet för Azure OpenAI

Azure OpenAI-inbäddningsfärdigheten ansluter till en distribuerad inbäddningsmodell på din Azure OpenAI-resurs för att generera inbäddningar under indexering. Dina data bearbetas i geo-området där din modell distribueras.

Förutsättningar

Azure OpenAI-tjänsten måste ha en associerad anpassad underdomän. Om tjänsten skapades via Azure Portal genereras den här underdomänen automatiskt som en del av tjänstkonfigurationen. Se till att tjänsten innehåller en anpassad underdomän innan du använder den med Azure AI Search-integreringen.

Azure OpenAI-tjänstresurser (med åtkomst till inbäddningsmodeller) som skapades i AI Studio stöds inte. Endast De Azure OpenAI-tjänstresurser som skapats i Azure Portal är kompatibla med integreringen av Azure OpenAI-inbäddningsfärdighet.

Guiden Importera och vektorisera data i Azure Portal använder Azure OpenAI-inbäddningsfärdigheten för att vektorisera innehåll. Du kan köra guiden och granska den genererade kompetensuppsättningen för att se hur guiden skapar kunskaper för inbäddningsmodeller.

@odata.type

Microsoft.Skills.Text.AzureOpenAIEmbeddingSkill

Databegränsningar

Den maximala storleken för en textinmatning ska vara 8 000 token. Om indata överskrider det högsta tillåtna antalet genererar modellen ett ogiltigt begärandefel. Mer information finns i nyckelkonceptet för token i Azure OpenAI-dokumentationen. Överväg att använda färdigheten Textdelning om du behöver segmentering av data.

Kompetensparametrar

Parametrar är skiftlägeskänsliga.

Dimensioner som stöds av modelName

Vilka dimensioner som stöds för en Azure OpenAI-inbäddningsfärdighet beror på vilken modelName som är konfigurerad.

Kunskapsindata

Kunskapsutdata

Exempeldefinition

Överväg en post som har följande fält:

{
    "content": "Microsoft released Windows 10."
}

Då kan din kompetensdefinition se ut så här:

{
  "@odata.type": "#Microsoft.Skills.Text.AzureOpenAIEmbeddingSkill",
  "description": "Connects a deployed embedding model.",
  "resourceUri": "https://my-demo-openai-eastus.openai.azure.com/",
  "deploymentId": "my-text-embedding-ada-002-model",
  "modelName": "text-embedding-ada-002",
  "dimensions": 1536,
  "inputs": [
    {
      "name": "text",
      "source": "/document/content"
    }
  ],
  "outputs": [
    {
      "name": "embedding"
    }
  ]
}

Exempelutdata

För den angivna indatatexten skapas en vektoriserad inbäddningsutdata.

{
  "embedding": [
        0.018990106880664825,
        -0.0073809814639389515,
        .... 
        0.021276434883475304,
      ]
}

Utdata finns i minnet. Om du vill skicka utdata till ett fält i sökindexet måste du definiera en outputFieldMapping som mappar de vektoriserade inbäddningsutdata (som är en matris) till ett vektorfält. Förutsatt att kunskapsutdata finns i dokumentets inbäddningsnod och content_vector är fältet i sökindexet bör outputFieldMapping i indexeraren se ut så här:

  "outputFieldMappings": [
    {
      "sourceFieldName": "/document/embedding/*",
      "targetFieldName": "content_vector"
    }
  ]

Bästa praxis

Följande är några metodtips som du behöver tänka på när du använder den här färdigheten:

• Om du når gränsen för Azure OpenAI TPM (token per minut) bör du överväga rekommendationen om kvotgränser så att du kan åtgärda detta. Mer information om azure OpenAI-instansprestanda finns i dokumentationen för Azure OpenAI-övervakning .

• Den Azure OpenAI-inbäddningsmodelldistribution som du använder för den här färdigheten bör helst vara separat från distributionen som används för andra användningsfall, inklusive frågevektoriseraren. Detta hjälper varje distribution att skräddarsys efter sitt specifika användningsfall, vilket gör det enkelt att optimera prestanda och identifiera trafik från indexeraren och indexets inbäddningsanrop.

• Din Azure OpenAI-instans bör finnas i samma region eller åtminstone geografiskt nära den region där din AI-tjänsten Search finns. Detta minskar svarstiden och förbättrar dataöverföringshastigheten mellan tjänsterna.

• Om du har en större gräns än standardgränsen för Azure OpenAI TPM (token per minut) som publicerats i dokumentationen om kvoter och gränser öppnar du ett supportärende med Azure AI Search-teamet, så att detta kan justeras i enlighet med detta. Detta hjälper din indexeringsprocess att inte i onödan saktas ned av den dokumenterade TPM-standardgränsen om du har högre gränser.

• Exempel och fungerande kodexempel som använder den här färdigheten finns i följande länkar:

  • Integrerad vektorisering (Python)
  • Integrerad vektorisering (C#)
  • Integrerad vektorisering (Java)

Fel och varningar

Se även

• Inbyggda kunskaper
• Så här definierar du en kompetensuppsättning
• Definiera mappningar för utdatafält