Características de Búsqueda de Azure AI

Nota

Búsqueda de Azure AI está disponible a través del portal de Azure, las API REST y los SDK de Azure. También respalda Foundry IQ, la capa de conocimiento administrada que transforma el contenido empresarial en bases de conocimiento reutilizables y compatibles con permisos para agentes en el portal de Microsoft Foundry.

Búsqueda de Azure AI proporciona recuperación de información y usa la integración de IA opcional para extraer más valor del contenido de texto y vector.

En la tabla siguiente se resumen las características por categoría. Hay paridad de características en todas las nubes de Azure públicas, privadas y soberanas, pero algunas características no se admiten en regiones específicas o niveles específicos.

Recuperación de agente

Categoría Funciones
Bases de conocimiento Las bases de conocimiento orquestan la canalización de recuperación agente, se conectan al LLM y administran los parámetros de consulta. Una base de conocimiento hace referencia a uno o varios orígenes de conocimiento y define el comportamiento de recuperación.
Orígenes de conocimiento Los orígenes de conocimiento especifican el contenido usado para la recuperación agente. Crear orígenes de conocimiento a partir de índices de search, Azure Blob Storage, OneLake, SharePoint (indexed), SharePoint (remote) o web (Bing).
Planificación de consultas La planificación de consultas usa un LLM para analizar el contexto conversacional y desglosar preguntas complejas en subconsultas centradas. Esto incluye el procesamiento del historial de chat, la descomposición de consultas, la expansión de sinónimos y la corrección ortográfica.
Ejecución de consultas paralelas Las subconsultas se ejecutan simultáneamente en todos los orígenes de conocimiento. Cada subconsulta admite búsquedas de palabras clave, vectoriales y búsquedas híbridas con reevaluación semántica automática.
Esfuerzo de razonamiento para la recuperación de información El esfuerzo de razonamiento de recuperación (versión preliminar) controla el nivel de procesamiento de LLM en la canalización. Establézcalo en mínimo para la velocidad (sin LLM), bajo para el procesamiento equilibrado o medio para la optimización máxima de relevancia.
Síntesis de respuesta Los resultados se combinan en una respuesta unificada con tres partes: contenido combinado para datos de base, referencias de origen para citas y detalles de ejecución que muestran el plan de consulta.

Indexación y extracción de datos

Categoría Funciones
Orígenes de datos Los índices de búsqueda pueden aceptar texto de cualquier origen, siempre que se envíe como un documento JSON.

Los indexadores son una característica que automatiza la importación de datos de orígenes de datos admitidos para extraer contenido que se puede buscar en los almacenes de datos principales. Los indexadores controlan la serialización JSON automáticamente y la mayoría admiten alguna forma de detección de cambios y eliminación. Puede conectarse a una variedad de orígenes de datos, como Microsoft OneLake, Azure SQL Database, Azure Cosmos DB o Azure Blob Storage.

Los conectores de Logic Apps proporcionan acceso a una gama más amplia de orígenes de datos, incluidos los datos de otras plataformas en la nube. Esta canalización de indexación y enriquecimiento se crea en Búsqueda de Azure AI pero se administra en Azure Logic Apps.

Los orígenes de conocimiento son una característica de recuperación agente. Se usan durante la indexación y en el momento de la consulta para admitir una base de conocimiento.
Estructuras de datos jerárquicas y anidadas Los tipos complejos y las colecciones permiten modelar prácticamente cualquier tipo de estructura JSON dentro de un índice de búsqueda. La cardinalidad "uno a varios" y "varios a varios" se puede expresar de forma nativa a través de colecciones, tipos complejos y colecciones de tipos complejos.
Análisis lingüístico Los analizadores son componentes de la búsqueda clásica que se usa para el procesamiento de texto durante las operaciones de indexación y búsqueda. De forma predeterminada, puede usar el analizador estándar de Lucene de uso general o invalidar el valor predeterminado con un analizador de lenguaje, un analizador personalizado que configure u otro analizador predefinido que genere tokens en el formato que necesite.

Los analizadores de lenguaje de Lucene o de Microsoft se usan para controlar de manera inteligente la lingüística específica del idioma, como tiempos verbales, género, nombres plurales irregulares (por ejemplo, "régimen" frente a "regímenes"), separación de palabras compuestas, separación de palabras (para idiomas sin espacios) y mucho más.

Los analizadores léxicos personalizados se usan para formularios de consulta complejos, como la coincidencia fonética y las expresiones regulares.

Integración del modelo y el agente de chat

Categoría Funciones
Modelos de finalización de chat usados durante la indexación La aptitud de solicitud de GenAI es una aptitud que llama a un modelo de lenguaje grande durante la indexación y proporciona un mensaje que determina la tarea. Usted decide cuál es la tarea. Puede implicar describir una imagen, resumir o manipular contenido, o cualquier tarea que pueda realizar el modelo. La salida se agrega como un nuevo campo en un índice que se puede buscar.
Modelos de finalización de chat usados en el momento de la consulta La recuperación agente usa un modelo de lenguaje grande para planear consultas, descomponer y parafrasar consultas complejas para mejorar la cobertura de consultas sobre el índice. Las respuestas de "agentic retrieval" están diseñadas para flujos de trabajo entre agentes. Puede enviar los resultados de la búsqueda como una sola cadena grande, lo que simplifica el consumo de agentes del contenido propietario. La respuesta también incluye citas e información de ejecución de consultas.

La síntesis de respuestas (versión preliminar) utiliza el LLM para generar respuestas respaldadas por citas a partir de los resultados de búsqueda obtenidos mediante la recuperación proactiva.

Los patrones RAG se pueden implementar mediante funcionalidades existentes. La capacidad de ajustar la relevancia y construir consultas híbridas mejora la calidad del contenido enviado a los bots de chat para la generación de respuestas.

Contenido enriquecido con IA y IA aplicada

Categoría Funciones
Procesamiento de IA durante la indexación El enriquecimiento con IA hace referencia al procesamiento de imágenes incrustadas y lenguaje natural en una canalización de indexador que extrae texto e información del contenido que, de lo contrario, no se puede indexar para la búsqueda de texto completo. El procesamiento de inteligencia artificial se logra mediante la adición y combinación de aptitudes en un conjunto de aptitudes, que se adjunta a un indexador. La inteligencia artificial puede ser aptitudes integradas desde Microsoft, como la traducción de texto o el reconocimiento óptico de caracteres (OCR) o aptitudes personalizadas que proporcione.

La fragmentación de datos integrada y la vectorización divide los pasajes más grandes en fragmentos más pequeños que se pueden vectorizar, con vectores enrutados a campos dedicados en un índice para la búsqueda vectorial e híbrida.
Procesamiento de inteligencia artificial durante la ejecución de consultas Los vectorizadores se usan para codificar cadenas de consulta de usuario en vectores para la búsqueda de vectores. Puede usar los mismos modelos de inserción para las consultas que usó para la indexación.

Almacenamiento de contenido enriquecido para el análisis y el consumo en escenarios que no son de búsqueda El almacén de conocimiento es un almacenamiento persistente de contenido enriquecido o generado por IA, destinado a escenarios que no son de búsqueda, como las cargas de trabajo de minería de conocimiento y ciencia de datos. Un almacén de conocimiento se define en un conjunto de aptitudes, pero se crea en Azure Storage como objetos o conjuntos de filas tabulares.
Enriquecimientos almacenados en caché El almacenamiento en caché de enriquecimiento (versión preliminar) hace referencia a los enriquecimientos almacenados en caché que se pueden reutilizar durante la ejecución del conjunto de aptitudes. El almacenamiento en caché es útil en conjuntos de aptitudes que incluyen OCR y análisis de imágenes, que son costosos de procesar.

Recuperación vectorial e híbrida

Categoría Funciones
Indexación de vectores Dentro de un índice de búsqueda, agregue campos vectoriales para admitir escenarios de búsqueda vectorial . Los campos vectoriales pueden coexistir con campos no vectores en el mismo documento de búsqueda.
Consultas vectoriales Formulación de consultas de vector único y múltiple.
Algoritmos de búsqueda vectorial Use los algoritmos de mundo pequeño jerárquico navegable o de k vecinos más próximos (KNN) para encontrar vectores similares en cualquier índice de búsqueda.
Filtros vectoriales Aplicar filtros antes o después de la ejecución de consultas para mayor precisión durante la recuperación de información.
Recuperación de información híbrida Busque conceptos y palabras clave en una única solicitud de consulta híbrida.

La búsqueda híbrida consolida la búsqueda de vectores y texto, con la clasificación semántica opcional y el ajuste de relevancia para obtener los mejores resultados.
Fragmentación y vectorización de datos integrados Fragmentación de datos nativos mediante Text Split Skill. Vectorización nativa a través de vectorizadores e incrustación de capacidades como Incrustación de Azure OpenAI, Azure Vision multimodal y AML que puede usar para conectarse a puntos de conexión en el catálogo de modelos de Microsoft Foundry.

La vectorización integrada proporciona una canalización de indexación de un extremo a otro desde archivos de origen a consultas.
Compresión y cuantificación de vectores integrados Use la cuantificación escalar y binaria integrada para reducir el tamaño del índice vectorial en memoria y en el disco. También puede renunciar al almacenamiento de vectores que no necesita o asignar tipos de datos estrechos a campos vectoriales para requisitos de almacenamiento reducidos.

Texto completo clásico y otros formularios de consulta

Categoría Funciones
Búsqueda de texto de forma libre La búsqueda de texto completo es un caso de uso principal para la mayoría de las aplicaciones basadas en búsquedas. Las consultas se pueden formular mediante una sintaxis admitida.

La sintaxis de consulta simple proporciona operadores lógicos, operadores de búsqueda de frases, operadores de sufijo, operadores de precedencia.

La sintaxis de consulta completa de Lucene incluye todas las operaciones en sintaxis simple, con extensiones para búsqueda aproximada, búsqueda de proximidad, aumento de términos y expresiones regulares.
Relevancia Puntuación simple es una ventaja clave de Búsqueda de Azure AI. Use perfiles de puntuación para modelar la relevancia como función de los valores de los propios documentos. Por ejemplo, es posible que desee que los productos más recientes o los productos con descuento aparezcan más altos en los resultados de la búsqueda. También puede crear perfiles de puntuación mediante etiquetas para la puntuación personalizada en función de las preferencias de búsqueda de clientes que realice y almacene por separado.

El clasificador semántico es una característica premium que vuelve a generar resultados en función de la relevancia semántica de la consulta. En función del contenido y el escenario, puede mejorar significativamente la relevancia de búsqueda con una configuración o esfuerzo mínimos.
Búsqueda geoespacial Las funciones geoespaciales filtran y coinciden en coordenadas geográficas. Puede hacer coincidir la distancia o incluirlas en una forma de polígono.
Filtros y facetas La navegación por facetas está habilitada a través de un único parámetro de consulta. Búsqueda de Azure AI devuelve una estructura de navegación por facetas que puede usar como código subyacente a una lista de categorías, para el filtrado autodirigido (por ejemplo, para filtrar los elementos de catálogo por rango de precios o marca).

Los filtros se pueden usar para incorporar la navegación por facetas en la interfaz de usuario de la aplicación, mejorar la formulación de consultas y filtrar en función de los criterios especificados por el usuario o el desarrollador. Cree filtros mediante la sintaxis de OData.
Experiencia del usuario Autocomplete puede habilitarse para las consultas de escritura anticipada en una barra de búsqueda.

Las sugerencias de búsqueda también funcionan sin entradas de texto parciales en una barra de búsqueda, pero los resultados son documentos reales en el índice en lugar de términos de consulta.

Los sinónimos asocian términos equivalentes que expanden implícitamente el ámbito de una consulta, sin que el usuario tenga que proporcionar los términos alternativos.

El resaltado de referencias aplica un formato de texto a una palabra clave coincidente en los resultados de búsqueda. Puede elegir qué campos devuelven fragmentos resaltados.

La ordenación se ofrece para varios campos a través del esquema de índice y, a continuación, se alterna en tiempo de consulta con un único parámetro de búsqueda.

La paginación y limitación de los resultados de búsqueda es sencilla con el control ajustado que ofrece Búsqueda de Azure AI sobre los resultados de búsqueda.

Características de seguridad

Categoría Funciones
Seguridad de red Las reglas de IP para la compatibilidad con el firewall de entrada le permiten configurar intervalos IP a través de los que el servicio de búsqueda acepta solicitudes.

Crear un punto de conexión privado usando Azure Private Link para forzar todas las solicitudes a través de una red virtual.

Network security perimeter permite unir Búsqueda de Azure AI a un perímetro de seguridad de red que incluya otros recursos de Azure para poder administrar el acceso a la red de forma holística.
Cifrado de datos Microsoft-managed encryption-at-rest está integrado en la capa de almacenamiento interna y es irreversible.

Claves de cifrado gestionadas por el cliente (CMK) que se crean y administran en Azure Key Vault se pueden usar para el cifrado complementario de índices y mapas de sinónimos. En el caso de los servicios creados después del 1 de agosto de 2020, el cifrado cmK se extiende a los datos de discos temporales, para el cifrado doble completo del contenido indexado.
Acceso entrante Control de acceso basado en roles asigna roles a usuarios y grupos en Microsoft Entra ID para el acceso controlado a contenido y operaciones de búsqueda. También puede usar la autenticación basada en claves si no desea usar asignaciones de roles.

El control de acceso de nivel de documento (versión preliminar) filtra los resultados de búsqueda que un usuario no tiene autorización para ver. Para varios orígenes de datos, si el origen de datos proporciona un modelo de control de acceso, puede configurar un índice para heredar los metadatos de permisos de usuario.
Seguridad de salida para indexadores Conexiones de datos a través de puntos de conexión privados permite a un indexador conectarse a recursos de Azure protegidos a través de Azure Private Link.

Conexiones de datos a través de identidades administradas autentica las conexiones a recursos de Azure mediante una entidad de seguridad de Microsoft Entra, que elimina el almacenamiento y el paso de claves de API codificadas de forma segura.

Acceso a datos mediante una identidad de confianza significa que las cadenas de conexión a orígenes de datos externos pueden omitir los nombres de usuario y las contraseñas. Cuando un indexador se conecta al origen de datos, el recurso permite la conexión si el servicio de búsqueda se registró anteriormente como un servicio de confianza (solo se aplica a Azure Storage).

Características del portal

Categoría Funciones
Herramientas para la creación de prototipos y la inspección Add index es un diseñador de índices en el portal de Azure que puede usar para crear un esquema básico que consta de campos con atributos y algunas otras configuraciones. Después de guardar el índice, puede rellenarlo mediante un SDK o la API REST para proporcionar los datos.

Importar datos es un asistente que crea una canalización de indexación integral, que incluye un índice, un indexador, un conjunto de habilidades y una definición de fuente de datos, para sistemas de búsqueda por palabras clave y RAG. Para RAG, también controla la fragmentación y la vectorización de datos. Si existen los datos en Azure, este asistente puede ahorrar mucho tiempo y esfuerzo, especialmente para la investigación y exploración de la prueba de concepto.

El Explorador de búsqueda se usa para probar consultas y refinar los perfiles de puntuación.

La creación de una aplicación de demostración se usa para generar una página HTML que se puede usar para probar la experiencia de búsqueda.

Sesiones de depuración es un editor visual que permite depurar un conjunto de aptitudes de forma interactiva. Indica las dependencias, los resultados y las transformaciones.
Supervisión y diagnóstico Habilite las funciones de monitoreo para ir más allá de las métricas que se muestran de un vistazo y que siempre están visibles en el portal de Azure. Las métricas sobre consultas por segundo, latencia y limitación se capturan y notifican en páginas del portal sin que sea necesaria ninguna configuración adicional.

Programación

Categoría Funciones
REST La API REST del servicio es para las operaciones del plano de datos, incluidas todas las operaciones relacionadas con la indexación, las consultas, el enriquecimiento con IA y la recuperación agente. También puede usar esta biblioteca cliente para recuperar información y estadísticas del sistema.

Management REST API es para la creación y el aprovisionamiento del servicio a través de Azure Resource Manager. También puede usar esta API para administrar claves y capacidad.
SDK de Azure para .NET Azure. Search.Documents es para las operaciones del plano de datos, incluidas todas las operaciones relacionadas con la indexación, las consultas y el enriquecimiento con IA. También puede usar esta biblioteca cliente para recuperar información y estadísticas del sistema.

Microsoft.Azure. Management.Search es para la creación y el aprovisionamiento del servicio a través de Azure Resource Manager. También puede usar esta API para administrar claves y capacidad.
SDK de Azure para Java com.azure.search.documents es para las operaciones del plano de datos, incluidas todas las operaciones relacionadas con la indexación, las consultas y el enriquecimiento con IA. También puede usar esta biblioteca cliente para recuperar información y estadísticas del sistema.

com.microsoft.azure.management.search es para la creación y el aprovisionamiento del servicio a través de Azure Resource Manager. También puede usar esta API para administrar claves y capacidad.
SDK de Azure para Python azure-search-documents es para las operaciones del plano de datos, incluidas todas las operaciones relacionadas con la indexación, las consultas y el enriquecimiento con IA. También puede usar esta biblioteca cliente para recuperar información y estadísticas del sistema.

azure-mgmt-search es para la creación y el aprovisionamiento del servicio a través de Azure Resource Manager. También puede usar esta API para administrar claves y capacidad.
SDK de Azure para JavaScript/TypeScript azure/search-documents es para las operaciones del plano de datos, incluidas todas las operaciones relacionadas con la indexación, las consultas y el enriquecimiento con IA. También puede usar esta biblioteca cliente para recuperar información y estadísticas del sistema.

azure/arm-search es para la creación y el aprovisionamiento del servicio a través de Azure Resource Manager. También puede usar esta API para administrar claves y capacidad.
  • Last updated on