Azure OpenAI Einbettungsskill

Die Azure OpenAI Embedding-Fähigkeit verbindet sich mit einem Einbettungsmodell, das in Ihrem Azure OpenAI-Ressourcen - oder Azure AI Foundry-Projekt bereitgestellt wird, um Einbettungen während der Indizierung zu generieren. Ihre Daten werden im geografischen Raum verarbeitet, in dem Ihr Modell bereitgestellt wird.

Der Assistent zum Importieren von Daten (neu) im Azure-Portal verwendet die Azure OpenAI Embedding-Fähigkeit zum Vektorisieren von Inhalten. Sie können den Assistenten ausführen und das generierte Skillset überprüfen, um zu sehen, wie der Assistent die Fähigkeit zum Einbetten von Modellen erstellt.

Prerequisites

• Eine Azure OpenAI in Azure AI Foundry Models-Ressource oder Azure AI Foundry-Projekt.

  • Ihre Azure OpenAI-Ressource muss über eine benutzerdefinierte Unterdomäne verfügen, z https://<resourcename>.openai.azure.com. B. . Wenn Sie die Ressource im Azure-Portal erstellt haben, wurde diese Unterdomäne während der Ressourceneinrichtung automatisch generiert.

  • Ihr Azure AI Foundry-Projekt sollte über einen Azure AI Services-Endpunkt mit der cognitiveservices.azure.com Domäne verfügen. Nachdem Sie ein Azure OpenAI-Einbettungsmodell im Projekt bereitgestellt haben, müssen Sie den Endpunkt so ändern, dass er die openai.azure.com Domäne verwendet. Ändern Sie z. B. den Endpunkt von https://<resourcename>.cognitiveservices.azure.com " in https://<resourcename>.openai.azure.com". Anschließend können Sie diesen aktualisierten Endpunkt für die resourceUri Eigenschaft in dieser Fähigkeit verwenden.

• Ein in Ihre Ressource oder Ihr Projekt bereitgestelltes Azure OpenAI-Einbettungsmodell .

@odata.type

Microsoft.Skills.Text.AzureOpenAIEmbeddingSkill

Datenlimits

Die maximale Größe einer Texteingabe sollte 8.000 Token betragen. Übersteigt die Eingabe das zulässige Maximum, gibt das Modell einen Fehler für eine ungültige Anfrage aus. Weitere Informationen finden Sie unter dem Schlüsselkonzept Tokens in der Azure OpenAI Dokumentation. Erwägen Sie, den Skill „Textaufteilung“ zu verwenden, wenn Sie Datenblöcke benötigen.

Skillparameter

Bei den Parametern wird zwischen Groß- und Kleinschreibung unterschieden.

Unterstützte Dimensionen von modelName

Die unterstützten Dimensionen für eine Azure OpenAI Embedding-Fähigkeit hängen vom konfigurierten modelName ab.

Skilleingaben

Skillausgaben

Beispieldefinition

Nehmen wir einen Datensatz mit den folgenden Feldern:

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

Dann könnte Ihre Kompetenzdefinition wie folgt aussehen:

{
  "@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"
    }
  ]
}

Beispielausgabe

Für den gegebenen Eingabetext wird eine vektorisierte Einbettungsausgabe erzeugt.

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

Die Ausgabe befindet sich im Speicher. Um diese Ausgabe an ein Feld im Suchindex zu senden, müssen Sie ein outputFieldMapping definieren, die die vektorisierte Einbettungsausgabe (ein Array) einem Vektorfeld zuordnet. Wenn sich die Skillausgabe im Einbettungs-Knoten des Dokuments befindet und content_vector das Feld im Suchindex ist, sollte das outputFieldMapping im Index wie folgt aussehen:

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

Bewährte Methoden

Im Folgenden sind einige bewährte Methoden aufgeführt, die Sie bei der Verwendung dieser Skills berücksichtigen müssen:

• Wenn Sie ihr Azure OpenAI-TPM-Limit (Token pro Minute) erreichen, sollten Sie die Kontingentbeschränkungen berücksichtigen, damit Sie entsprechend adressieren können. Weitere Informationen zur Leistung Ihrer Azure OpenAI-Instanzleistung finden Sie in der Azure OpenAI-Überwachungsdokumentation.

• Die Azure OpenAI-Einbettungsmodellbereitstellung, die Sie für diesen Skill verwenden, sollte idealerweise von der Bereitstellung getrennt sein, die für andere Anwendungsfälle verwendet wird, einschließlich der Abfragevektorisierung. So kann jede Bereitstellung auf den jeweiligen Anwendungsfall zugeschnitten werden, was zu einer optimierten Leistung führt und die Identifizierung des Datenverkehrs durch den Indexer und die Aufrufe zur Indexeinbettung erleichtert.

• Ihre Azure OpenAI-Instanz sollte sich in der gleichen Region oder zumindest in der Nähe der Region befinden, in der Ihr KI-Suchdienst gehostet wird. Dies verringert die Latenzzeit und verbessert die Geschwindigkeit der Datenübertragung zwischen den Diensten.

• Wenn Ihr Grenzwert für Azure OpenAI TPM (Token pro Minute) höher ist als in der Dokumentation für Kontingente und Grenzen angegeben, öffnen Sie eine Supportanfrage an das Azure KI-Suche-Team, damit dieser entsprechend angepasst werden kann. Dies trägt dazu bei, dass Ihr Indizierungsprozess nicht unnötig durch den dokumentierten Standard-TPM-Grenzwert verlangsamt wird, wenn Sie höhere Grenzwerte haben.

• Beispiele und funktionierende Codebeispiele für diese Fähigkeit finden Sie unter den folgenden Links:

  • Integrierte Vektorisierung (Python)
  • Integrierte Vektorisierung (C#)
  • Integrierte Vektorisierung (Java)

Fehler und Warnungen

Siehe auch

• Integrierte Fähigkeiten
• Definieren eines Skillsets
• Zuordnen von mit KI angereicherten Feldern zu einem durchsuchbaren Index