Share via

벡터 저장소 만들기

  • 아티클

Azure AI 검색에서 벡터 저장소에는 벡터 필드와 비 벡터 필드를 정의하는 인덱스 스키마, 포함 공간을 만드는 알고리즘에 대한 벡터 구성, 쿼리 요청에 사용되는 벡터 필드 정의에 대한 설정이 있습니다. 인덱스 만들기 API는 벡터 저장소를 만듭니다.

다음 단계를 사용하여 벡터 데이터를 인덱싱합니다.

  • 인덱싱 및 검색 알고리즘을 지정하는 하나 이상의 벡터 구성을 사용하여 스키마 정의
  • 하나 이상의 벡터 필드 추가
  • 사전 벡터화된 데이터를 별도의 단계로 로드 또는 인덱싱 중에 통합 벡터화(미리 보기)를 데이터 청크 및 인코딩에 사용

이 문서는 일반 공급되지만 미리 보기가 아닌 벡터 검색 버전에 적용됩니다. 이 버전에서는 애플리케이션 코드에서 청크 및 인코딩을 위해 외부 리소스를 호출한다고 가정합니다.

참고 항목

2023-07-01-preview에서 마이그레이션 지침을 찾고 있나요? REST API 업그레이드를 참조하세요.

필수 조건

  • 모든 지역 및 모든 계층의 Azure AI 검색. 대부분의 기존 서비스는 벡터 검색을 지원합니다. 2019년 1월 이전에 만든 서비스의 경우 벡터 검색을 지원할 수 없는 작은 하위 집합이 있습니다. 벡터 필드를 포함하는 인덱스가 만들어지거나 업데이트되지 않는 경우 이는 표시기입니다. 이 상황에서는 새 서비스를 만들어야 합니다.

  • 원본 문서의 기존 벡터 포함. Azure AI 검색은 일반 공급되는 Azure SDK 및 REST API 버전에서 벡터를 생성하지 않습니다. Azure OpenAI 포함 모델을 권장하지만 벡터화에는 모든 모델을 사용할 수 있습니다. 자세한 내용은 포함 생성을 참조하세요.

  • 포함을 만드는 데 사용되는 모델의 차원 제한과 유사성이 계산되는 방법을 알아야 합니다. Azure OpenAI에서 text-embedding-ada-002의 경우 숫자 벡터의 길이는 1536입니다. 유사성은 cosine을 사용하여 계산됩니다. 유효한 값은 2에서 3072까지입니다.

  • 인덱스 만들기에 익숙해야 합니다. 스키마에는 문서 키에 대한 필드, 검색하거나 필터링하려는 기타 필드, 인덱싱 및 쿼리 중에 필요한 동작에 대한 기타 구성이 포함되어야 합니다.

인덱싱을 위한 문서 준비

인덱싱하기 전에 벡터 및 비 벡터 데이터 필드를 포함하는 문서 페이로드를 어셈블합니다. 문서 구조는 인덱스 스키마를 준수해야 합니다.

문서는 다음과 같아야 합니다.

  1. 각 문서를 고유하게 식별하는 필드 또는 메타데이터 속성을 제공합니다. 모든 검색 인덱스에는 문서 키가 필요합니다. 문서 키 요구 사항을 충족하려면 인덱스에서 해당 문서를 고유하게 식별할 수 있는 하나의 필드 또는 속성이 원본 문서에 있어야 합니다. 이 원본 필드는 검색 인덱스에서 Edm.String 및 key=true 형식의 인덱스 필드에 매핑해야 합니다.

  2. 벡터 데이터(단정밀도 부동 소수점 숫자 배열)를 원본 필드에 제공합니다.

    벡터 필드는 포함 모델에서 생성된 숫자 데이터를 포함하며, 필드당 하나의 포함이 있습니다. 텍스트 문서의 경우 text-embedding-ada-002, 이미지의 경우 Image Retrieval REST API와 같은 Azure OpenAI의 포함 모델을 사용하는 것이 좋습니다. 인덱스 최상위 벡터 필드만 지원됩니다. 벡터 하위 필드는 현재 지원되지 않습니다.

  3. 전체 텍스트 검색 또는 의미 체계 순위를 쿼리 응답 및 동일한 요청에 포함하는 하이브리드 쿼리 시나리오에 대해 사람이 읽을 수 있는 영숫자 콘텐츠를 다른 필드에 제공합니다.

검색 인덱스는 지원하려는 모든 쿼리 시나리오에 대한 필드와 콘텐츠를 포함해야 합니다. 제품 이름, 버전, 메타데이터 또는 주소를 검색하거나 필터링한다고 가정합니다. 이 경우 유사성 검색은 특히 유용하지 않습니다. 키워드 검색, 지리적 검색 또는 필터를 선택하는 것이 좋습니다. 벡터 및 비 벡터 데이터의 포괄적인 필드 컬렉션을 포함하는 검색 인덱스는 최대 유연성을 쿼리 생성 및 응답 구성에 제공합니다.

벡터 필드와 비 벡터 필드를 포함하는 문서 페이로드의 간단한 예제는 이 문서의 벡터 데이터 로드 섹션에 있습니다.

벡터 검색 구성 추가

벡터 구성은 인덱싱하는 동안 사용되는 벡터 검색 알고리즘과 매개 변수를 지정하여 벡터 노드 간에 "가장 인접한 항목" 정보를 만듭니다.

  • HNSW(Hierarchical Navigable Small World)
  • exhaustive KNN

필드에서 HNSW를 선택하면 쿼리 시 exhaustive KNN을 선택할 수 있습니다. 그러나 다른 방향은 작동하지 않습니다. exhaustive를 선택하면 근사 검색을 사용하도록 설정하는 추가 데이터 구조가 없으므로 나중에 HNSW 검색을 요청할 수 없습니다.

미리 보기에서 안정적인 버전으로의 마이그레이션 지침을 찾고 있나요? 단계는 REST API 업그레이드를 참조하세요.

2023-11-01 REST API 버전은 다음과 같은 벡터 구성을 지원합니다.

  • vectorSearch 알고리즘, hnsw 및 exhaustiveKnn 가장 인접한 항목(인덱싱 및 채점 매개 변수 포함)
  • vectorProfiles(여러 알고리즘 구성 조합의 경우)

콘텐츠 벡터화 전략이 있어야 합니다. 안정적인 버전은 기본 제공 포함에 대한 벡터라이저를 제공하지 않습니다.

  1. 인덱스 만들기 또는 업데이트 API를 사용하여 인덱스를 만듭니다.

  2. 포함 공간을 만드는 데 사용되는 검색 알고리즘을 지정하는 vectorSearch 섹션을 인덱스에 추가합니다.

     "vectorSearch": {
     "algorithms": [
         {
             "name": "my-hnsw-config-1",
             "kind": "hnsw",
             "hnswParameters": {
                 "m": 4,
                 "efConstruction": 400,
                 "efSearch": 500,
                 "metric": "cosine"
             }
         },
         {
             "name": "my-hnsw-config-2",
             "kind": "hnsw",
             "hnswParameters": {
                 "m": 8,
                 "efConstruction": 800,
                 "efSearch": 800,
                 "metric": "cosine"
             }
         },
         {
             "name": "my-eknn-config",
             "kind": "exhaustiveKnn",
             "exhaustiveKnnParameters": {
                 "metric": "cosine"
             }
         }

     ],
     "profiles": [
       {
         "name": "my-default-vector-profile",
         "algorithm": "my-hnsw-config-2"
       }
     ]
 }

    주요 정보:

    • 구성의 이름입니다. 이름은 인덱스 내에서 고유해야 합니다.
    • profiles는 더 풍부한 정의를 수용하는 추상화 계층을 추가합니다. 프로필은 vectorSearch에 정의된 다음, 각 벡터 필드에서 이름으로 참조됩니다.
    • "hnsw" 및 "exhaustiveKnn"은 인덱싱하는 동안 벡터 콘텐츠를 구성하는 데 사용되는 ANN(가장 인접한 항목 근사화) 알고리즘입니다.
    • "m"(양방향 링크 수) 기본값은 4입니다. 범위는 4~10입니다. 값이 낮을수록 결과에서 노이즈가 줄어듭니다.
    • "efConstruction" 기본값은 400입니다. 범위는 100~1,000입니다. 인덱싱하는 동안 사용되는 가장 인접한 항목의 수입니다.
    • "efSearch" 기본값은 500입니다. 범위는 100~1,000입니다. 검색하는 동안 사용되는 가장 인접한 항목의 수입니다.
    • "metric"은 Azure OpenAI를 사용하는 경우 "cosine"이어야 하고, 그렇지 않은 경우 사용하는 포함 모델과 연결된 유사성 메트릭을 사용해야 합니다. 지원되는 값은 cosine, dotProduct, euclidean입니다.

필드 컬렉션에 벡터 필드 추가

필드 컬렉션은 문서 키 필드, 벡터 필드 및 하이브리드 검색 시나리오에 필요한 다른 모든 필드를 포함해야 합니다.

벡터 필드는 Collection(Edm.Single) 형식과 단정밀도 부동 소수점 값입니다. 이 형식의 필드에는 dimensions 속성도 있으며 벡터 구성을 지정합니다.

일반적으로 사용 가능한 기능만 원하는 경우 이 버전을 사용합니다.

  1. 인덱스를 만들려면 인덱스 만들기 또는 업데이트를 사용합니다.

  2. 다음 특성을 사용하여 벡터 필드를 정의합니다. 필드당 하나의 생성된 포함을 저장할 수 있습니다. 각 벡터 필드는 다음과 같습니다.

    • type 해야 Collection(Edm.Single)합니다.
    • dimensions는 포함 모델에서 생성된 차원의 수입니다. text-embedding-ada-002의 경우 1536입니다.
    • vectorSearchProfile은 인덱스의 다른 위치에 정의된 프로필의 이름입니다.
    • searchable은 true여야 합니다.
    • retrievable은 true 또는 false일 수 있습니다. true는 원시 벡터(1,536개)를 일반 텍스트로 반환하고 스토리지 공간을 소비합니다. 벡터 결과를 다운스트림 앱에 전달하는 경우 true로 설정합니다.
    • filterable, facetable, sortable은 false여야 합니다.

  3. 벡터 쿼리에서 사전 필터링 또는 사후 필터링을 호출하려면 filterable이 true로 설정된 "title"과 같은 필터링 가능한 비 벡터 필드를 컬렉션에 추가합니다.

  4. 인덱싱하는 텍스트 콘텐츠의 내용과 구조를 정의하는 다른 필드를 추가합니다. 최소한 문서 키가 필요합니다.

    쿼리 또는 응답에 유용한 필드도 추가해야 합니다. 다음 예제에서는 벡터와 동일한 제목 및 콘텐츠("titleVector", "contentVector")에 대한 벡터 필드를 보여줍니다. 검색 결과에서 정렬, 필터링 및 읽기에 유용한 동일한 텍스트 콘텐츠에 대한 필드("title", "title")도 제공합니다.

    다음 예제에서는 필드 컬렉션을 보여줍니다.

    PUT https://my-search-service.search.windows.net/indexes/my-index?api-version=2023-11-01&allowIndexDowntime=true
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "name": "{{index-name}}",
    "fields": [
        {
            "name": "id",
            "type": "Edm.String",
            "key": true,
            "filterable": true
        },
        {
            "name": "title",
            "type": "Edm.String",
            "searchable": true,
            "filterable": true,
            "sortable": true,
            "retrievable": true
        },
        {
            "name": "titleVector",
            "type": "Collection(Edm.Single)",
            "searchable": true,
            "retrievable": true,
            "dimensions": 1536,
            "vectorSearchProfile": "my-default-vector-profile"
        },
        {
            "name": "content",
            "type": "Edm.String",
            "searchable": true,
            "retrievable": true
        },
        {
            "name": "contentVector",
            "type": "Collection(Edm.Single)",
            "searchable": true,
            "retrievable": true,
            "dimensions": 1536,
            "vectorSearchProfile": "my-default-vector-profile"
        }
    ],
    "vectorSearch": {
        "algorithms": [
            {
                "name": "my-hnsw-config-1",
                "kind": "hnsw",
                "hnswParameters": {
                    "m": 4,
                    "efConstruction": 400,
                    "efSearch": 500,
                    "metric": "cosine"
                }
            }
        ],
        "profiles": [
            {
                "name": "my-default-vector-profile",
                "algorithm": "my-hnsw-config-1"
            }
        ]
    }
}

인덱싱을 위한 벡터 데이터 로드

인덱싱을 위해 제공하는 콘텐츠는 인덱스 스키마를 준수해야 하며 문서 키에 대한 고유한 문자열 값을 포함해야 합니다. 사전 벡터화된 데이터는 영숫자 콘텐츠가 포함된 다른 필드와 공존할 수 있는 하나 이상의 벡터 필드에 로드됩니다.

밀어넣기 또는 끌어오기 방법론을 데이터 수집에 사용할 수 있습니다.

인덱스 문서(2023-11-01), 인덱스 문서(2023-10-01-Preview) 또는 문서 추가, 업데이트 또는 삭제(2023- 07-01-Preview)를 사용하여 벡터 데이터가 포함된 문서를 밀어넣습니다.

POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/index?api-version=2023-11-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "value": [
        {
            "id": "1",
            "title": "Azure App Service",
            "content": "Azure App Service is a fully managed platform for building, deploying, and scaling web apps. You can host web apps, mobile app backends, and RESTful APIs. It supports a variety of programming languages and frameworks, such as .NET, Java, Node.js, Python, and PHP. The service offers built-in auto-scaling and load balancing capabilities. It also provides integration with other Azure services, such as Azure DevOps, GitHub, and Bitbucket.",
            "category": "Web",
            "titleVector": [
                -0.02250031754374504,
                 . . . 
                        ],
            "contentVector": [
                -0.024740582332015038,
                 . . .
            ],
            "@search.action": "upload"
        },
        {
            "id": "2",
            "title": "Azure Functions",
            "content": "Azure Functions is a serverless compute service that enables you to run code on-demand without having to manage infrastructure. It allows you to build and deploy event-driven applications that automatically scale with your workload. Functions support various languages, including C#, F#, Node.js, Python, and Java. It offers a variety of triggers and bindings to integrate with other Azure services and external services. You only pay for the compute time you consume.",
            "category": "Compute",
            "titleVector": [
                -0.020159931853413582,
                . . .
            ],
            "contentVector": [
                -0.02780858241021633,
                 . . .
            ],
            "@search.action": "upload"
        }
        . . .
    ]
}

벡터 콘텐츠에 대한 인덱스 확인

유효성 검사를 위해 Azure Portal의 검색 탐색기 또는 REST API 호출을 사용하여 인덱스를 쿼리할 수 있습니다. Azure AI 검색에서는 벡터를 사람이 읽을 수 있는 텍스트로 변환할 수 없으므로 동일한 문서에서 일치 증거를 제공하는 필드를 하도록 시도합니다. 예를 들어 벡터 쿼리에서 "titleVector" 필드를 대상으로 하는 경우 검색 결과에 대해 "title"을 선택할 수 있습니다.

결과에 포함되려면 필드를 "retrievable" 특성으로 지정해야 합니다.

검색 탐색기를 사용하여 인덱스를 쿼리할 수 있습니다. 검색 탐색기에는 쿼리 보기(기본값)와 JSON 보기의 두 가지 보기가 있습니다.

  • JSON 보기를 벡터 쿼리에 사용하고 실행하려는 벡터 쿼리의 JSON 정의를 붙여넣습니다.

  • 인덱스에 벡터가 포함되어 있는지 빠르게 확인하려면 기본 쿼리 보기를 사용합니다. 쿼리 보기는 전체 텍스트 검색을 위한 것입니다. 벡터 쿼리에는 사용할 수 없지만 빈 검색(search=*)을 보내 콘텐츠를 확인할 수 있습니다. 벡터 필드를 포함한 모든 필드의 콘텐츠는 일반 텍스트로 반환됩니다.

벡터 저장소 업데이트

벡터 저장소를 업데이트하려면 스키마를 수정하고 필요한 경우 문서를 다시 로드하여 새 필드를 채웁다. 스키마 업데이트용 API에는 인덱스 만들기 또는 업데이트(REST), .NET용 Azure SDK의 CreateOrUpdateIndex, Python용 Azure SDK의 create_or_update_index 및 다른 Azure SDK의 유사한 메서드가 포함됩니다.

인덱스 업데이트에 대한 표준 지침은 인덱스 삭제 및 다시 빌드에 나와 있습니다.

주요 사항은 다음과 같습니다.

  • 기존 필드를 업데이트하고 삭제하려면 삭제 및 다시 빌드가 필요한 경우가 많습니다.

  • 그러나 다시 빌드할 필요 없이 기존 스키마를 다음과 같은 수정 사항이 적용되도록 업데이트할 수 있습니다.

    • 필드 컬렉션에 새 필드를 추가합니다.
    • 새 필드에 할당되었지만 이미 벡터화된 기존 필드에는 할당되지 않은 새 벡터 구성을 추가합니다.
    • 기존 필드에서 "조회 가능"(값은 true 또는 false)을 변경합니다. 벡터 필드는 검색 및 조회가 가능해야 하지만 삭제 및 다시 빌드가 불가능한 상황에서 벡터 필드에 대한 액세스를 사용하지 않도록 설정하려면 조회 가능 항목을 false로 설정하면 됩니다.

다음 단계

다음 단계에서는 검색 인덱스에서 벡터 데이터를 쿼리하는 것이 좋습니다.

azure-search-Vector 리포지토리의 코드 샘플에서는 스키마 정의, 벡터화, 인덱싱 및 쿼리를 포함하는 엔드투엔드 워크플로를 보여줍니다.

Python, C# 및 JavaScript에 대한 데모 코드가 있습니다.