Azure AI Search でベクトルクエリを作成する

[アーティクル]
09/24/2024

この記事では、Azure AI 検索でベクトルインデックスがある場合の、次の方法について説明します。

ベクトルフィールドにクエリを実行する
複数のベクトルフィールドに一度でクエリを実行する
ベクトルの重みを設定する
垂直統合を使用したクエリ
しきい値を設定してスコアの低い結果を除外する (プレビュー)

この記事では、図示するために REST を使用しています。他の言語のコードサンプルの場合、ベクトルクエリを含むエンドツーエンドのソリューションについては、azure-search-vector-samples GitHub リポジトリを参照してください。

Azure portal で Search エクスプローラーを使うこともできます。

前提条件

任意のリージョンおよび任意のレベルの Azure AI Search。
Azure AI 検索のベクトルインデックス。インデックスの vectorSearch セクションを調べて、ベクトルインデックスを確認します。
必要に応じて、クエリ中のテキストからベクトルまたは画像からベクトルへの組み込み変換のために、インデックスにベクトライザーを追加することもできます。
これらの例を自分で実行する場合の REST クライアントとサンプルデータを含む Visual Studio Code。 REST クライアントの使用を開始するには、「クイックスタート: REST を使用した Azure AI Search」を参照してください。

クエリ文字列入力をベクトルに変換する

ベクトルフィールドに対してクエリを実行するには、クエリ自体がベクトルである必要があります。

ユーザーのテキストクエリ文字列をそのベクトル表現に変換するための 1 つのアプローチは、アプリケーションコード内で埋め込みライブラリまたは API を呼び出すことです。 ソースドキュメントに埋め込みを生成するために使用したのと同じ埋め込みを常に使用することをお勧めします。 azure-search-vector-samples リポジトリで、埋め込みを生成する方法を示すコードサンプルを見つけることができます。

2 番目のアプローチは、(一般提供されるようになった) 垂直統合を使うことです。Azure AI 検索がクエリのベクトル化の入力と出力を処理します。

Azure OpenAI 埋め込みモデルのデプロイに送信されるクエリ文字列の REST API の例を次に示します:

POST https://{{openai-service-name}}.openai.azure.com/openai/deployments/{{openai-deployment-name}}/embeddings?api-version={{openai-api-version}}
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "input": "what azure services support generative AI'"
}

デプロイされたモデルの呼び出しが成功した場合、予想される応答は 202 です。

応答の本文の "埋め込み" フィールドは、クエリ文字列 "input" のベクトル表現です。テスト目的で、次のいくつかのセクションで示す構文を使用して、クエリ要求の "embedding" 配列の値を "vectorQueries.vector" にコピーします。

デプロイされたモデルに対するこの POST 呼び出しの実際の応答には、1536 個の埋め込みが含まれています。ここでは、読みやすくするために最初のいくつかのベクトルのみにトリミングされています。

{
    "object": "list",
    "data": [
        {
            "object": "embedding",
            "index": 0,
            "embedding": [
                -0.009171937,
                0.018715322,
                ...
                -0.0016804502
            ]
        }
    ],
    "model": "ada",
    "usage": {
        "prompt_tokens": 7,
        "total_tokens": 7
    }
}

このアプローチでは、アプリケーションコードはモデルへの接続、埋め込みデータの生成、応答の処理を担当します。

ベクトルクエリ要求

このセクションでは、ベクトルクエリの基本的な構造を説明します。 Azure portal、REST API、または Azure SDK を使用して、ベクトルクエリを作成できます。 2023-07-01-Preview から移行する場合、重大な変更があります。詳細については、「最新の REST API にアップグレードする」を参照してください。

2024-07-01 は Search POST の安定バージョンの REST API です。このバージョンでは次の内容がサポートされます。

vectorQueries はベクトル検索のコンストラクトです。
vectorQueries.kind をベクトル配列の vector に設定します。または、入力が文字列でありベクトライザーを使用している場合は text に設定します。
vectorQueries.vector はクエリです (テキストや画像のベクトル表現)。
vectorQueries.weight (省略可能) によって、検索操作に含まれる各ベクトルクエリの相対的な重みを指定します (「ベクトルの重み付け」を参照)。
exhaustive (省略可能) では、HNSW のフィールドにインデックスを付けた場合でも、クエリ時に完全な KNN を呼び出します。

次の例では、文字列「フルテキスト検索をサポートする Azure サービス」をベクトルで表現しています。クエリは contentVector フィールドを対象にしています。クエリでは、k の結果が返されます。実際のベクトルには 1536 個の埋め込みがあるため、この例では読みやすくするためにトリミングされています。

POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2024-07-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "count": true,
    "select": "title, content, category",
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "exhaustive": true,
            "fields": "contentVector",
            "weight": 0.5,
            "k": 5
        }
    ]
}

2024-05-01-preview は Search - POST の最新プレビューバージョンの API です。 2024-07-01 と同じベクトルクエリ構文がサポートされ、ハイブリッド検索のための追加パラメーターと、弱い結果を除外するための最小しきい値が備わっています。

このプレビューでは、以下が追加されました。

スコアの低い結果を除外するための threshold。
ハイブリッドクエリへの入力をより細かく制御するための Hybridsearch.MaxTextRecallSize。

POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2024-05-01-preview
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "count": true,
    "select": "title, content, category",
    "hybridSearch": {
        "maxTextRecallSize": 100,
        "countAndFacetMode": "countAllResults"
        }
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "fields": "contentVector",
            "k": 5,
            "exhaustive": true,
            "weight": 2,
            "threshold": {
                "kind": "vectorSimilarity",
                "value": 0.8
            },

        }
    ]

ベクトルクエリ応答

Azure AI Search では、クエリ応答は既定ですべての retrievable フィールドで構成されます。ただし、retrievable フィールドのサブセットを select ステートメントに一覧表示することで、検索結果を制限することは一般的です。

ベクトルクエリでは、応答のフィールドをベクトル化する必要があるかどうかを注意深く検討してください。ベクトルフィールドは人間が判読できないので、応答を Web ページにプッシュする場合は、結果を代表する非ベクトルフィールドを選択する必要があります。たとえば、contentVector に対してクエリが実行された場合、代わりに content を返すことができます。

結果にベクトルフィールドが必要な場合は、ここに応答構造の例を示します。 contentVector は埋め込みの文字列配列で、ここでは簡潔にするために切り捨てています。検索スコアは関連性を示します。その他の非ベクトルフィールドもコンテキストのために含まれています。

{
    "@odata.count": 3,
    "value": [
        {
            "@search.score": 0.80025613,
            "title": "Azure Search",
            "category": "AI + Machine Learning",
            "contentVector": [
                -0.0018343845,
                0.017952163,
                0.0025753193,
                ...
            ]
        },
        {
            "@search.score": 0.78856903,
            "title": "Azure Application Insights",
            "category": "Management + Governance",
            "contentVector": [
                -0.016821077,
                0.0037742127,
                0.016136652,
                ...
            ]
        },
        {
            "@search.score": 0.78650564,
            "title": "Azure Media Services",
            "category": "Media",
            "contentVector": [
                -0.025449317,
                0.0038463024,
                -0.02488436,
                ...
            ]
        }
    ]
}

重要なポイント:

k は、返されるニアレストネイバー結果の数を決定します。この場合は 3 です。ベクタークエリは常に k 結果を返します。少なくとも k ドキュメントが存在すると仮定すると、類似度の低いドキュメントがある場合でも、アルゴリズムはクエリベクターに最も近い k を検出します。
@search.score はベクトル探索アルゴリズムによって決定されます。
検索結果のフィールドは、すべての retrievable フィールド、または select 句のフィールドです。ベクトルクエリの実行中は、ベクトルデータのみで一致が行われます。ただし、応答には、インデックスに任意の retrievable フィールドを含めることができます。ベクトルフィールド結果をデコードする機能はないため、非ベクトルテキストフィールドを含めることは、人間が値を判読するのに役立ちます。

複数のベクトルフィールド

"vectorQueries.fields" プロパティを複数のベクトルフィールドに設定できます。ベクトルクエリは fields リストで指定した各ベクトルフィールドに対して実行されます。複数のベクトルフィールドにクエリを実行する場合、それぞれのベクトルフィールドに同じ埋め込みモデルからの埋め込みが含まれていること、クエリも同じ埋め込みモデルから生成されていることを確認してください。

POST https://{{search-service-name}}.search.windows.net/indexes/{{index-name}}/docs/search?api-version=2024-07-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "count": true,
    "select": "title, content, category",
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "exhaustive": true,
            "fields": "contentVector, titleVector",
            "k": 5
        }
    ]
}

複数のベクトルクエリ

マルチクエリベクトル検索では、検索インデックス内の複数のベクトルフィールドに対して複数のクエリが送信されます。このクエリ要求の一般的な例は、同じモデルが画像とテキストコンテンツをベクトル化できるマルチモーダルベクトル検索に CLIP などのモデルを使用する場合です。

次のクエリ例では、myImageVector と myTextVector の両方の類似性を検索しますが、それぞれ 2 つの異なるクエリ埋め込みを送信し、それぞれ並列で実行します。このクエリでは、Reciprocal Rank Fusion (RRF) を使用してスコア付けされた結果が生成されます。

vectorQueries でベクトルクエリの配列が指定されます。
vector には、検索インデックス内の画像ベクトルとテキストベクトルが含まれています。各インスタンスは個別のクエリです。
fields でターゲットとなるベクトルフィールドが指定されます。
k は、結果に含めるニアレストネイバーの数です。

{
    "count": true,
    "select": "title, content, category",
    "vectorQueries": [
        {
            "kind": "vector",
            "vector": [
                -0.009154141,
                0.018708462,
                . . . 
                -0.02178128,
                -0.00086512347
            ],
            "fields": "myimagevector",
            "k": 5
        },
        {
            "kind": "vector"
            "vector": [
                -0.002222222,
                0.018708462,
                -0.013770515,
            . . .
            ],
            "fields": "mytextvector",
            "k": 5
        }
    ]
}

検索インデックスに画像ファイルのフィールドが含まれていると仮定すると、検索結果にはテキストと画像の組み合わせが含まれます (検索インデックスには画像が格納されません)。

垂直統合を使用したクエリ

このセクションでは、テキストまたは画像クエリをベクトルに変換する垂直統合を呼び出すベクトルクエリについて説明します。この機能には、安定版の 2024-07-01 REST API、Search エクスプローラー、またはそれ以降の Azure SDK パッケージを使うことをお勧めします。

検索インデックスのベクトルフィールドに、ベクトル化が設定されて割り当て済みであることが前提条件です。ベクトル化では、クエリ時に使用された接続情報が埋め込みモデルに指定されます。

Azure Portal
REST API

Search エクスプローラーでは、クエリ時の垂直統合がサポートされています。インデックスにベクトルフィールドが含まれており、ベクトライザーを使用している場合は、テキストからベクトルへの組み込み変換を使用できます。

Azure アカウントを使用して Azure portal にサインインし、Azure AI Search サービスに移動します。
左側のメニューで [検索管理]>[インデックス] を展開し、インデックスを選択します。 Search エクスプローラーは、インデックスページの最初のタブです。
ベクトルプロファイルをチェックして、ベクトライザーがあることを確認します。
Search エクスプローラーで、クエリビューの既定の検索バーにテキスト文字列を入力できます。組み込みベクトライザーにより、文字列がベクトルに変換され、検索が実行されて、結果が返されます。

または、[表示]>[JSON ビュー] を選択して、クエリを表示または変更することもできます。ベクトルが存在する場合、Search エクスプローラーによって自動的にベクトルクエリが設定されます。 JSON ビューを使うと、検索や応答で使用されるフィールドを選択したり、フィルターを追加したり、ハイブリッドなどのより高度なクエリを作成したりできます。 JSON の例は、このセクションの [REST API] タブで説明しています。

Index - GET を使ってインデックス定義を返し、ベクトライザーの構成が存在することを確認します。インデックス定義で vectorizers を探します。デプロイ済みの埋め込みモデルが指定されているはずです。
Search - POST を使ってクエリ要求を行います。
- kind は text に設定されている必要があります。
- text にはテキスト文字列が必須です。ベクトルフィールドに割り当てられたベクトル化に渡されます。
- fields は検索するベクトルフィールドです。
- k は、返されるベクトルの一致の数です。

クエリ時にベクトル化されたクエリの単純な例を次に示します。テキスト文字列はベクトル化され、その後 descriptionVector フィールドにクエリを実行するときに使用されます。

POST https://{{search-service}}.search.windows.net/indexes/{{index}}/docs/search?api-version=2024-07-01
{
    "select": "title, genre, description",
    "vectorQueries": [
        {
            "kind": "text",
            "text": "mystery novel set in London",
            "fields": "descriptionVector",
            "k": 5
        }
    ]
}

こちらがテキストクエリの垂直統合を使用したハイブリッドクエリです。このクエリには、複数のクエリベクトルフィールド、複数の非ベクトルフィールド、フィルター、およびセマンティックランク付けが含まれます。ここでも、違いは vector ではなく、ベクトルクエリの kind と text 文字列です。

この例では、検索エンジンによって、インデックス内の descriptionVector、synopsisVector、authorBioVector に割り当てられたベクトル化に対して、3 つのベクトル化の呼び出しが実行されます。結果のベクトルは、対応するフィールドからドキュメントを取得するために使用されます。また、検索エンジンは、searchクエリ「ロンドンを舞台にしたミステリー小説」のキーワード検索を実行します。

POST https://{{search-service}}.search.windows.net/indexes/{{index}}/docs/search?api-version=2024-07-01
Content-Type: application/json
api-key: {{admin-api-key}}
{
    "search":"mystery novel set in London", 
    "searchFields":"description, synopsis", 
    "semanticConfiguration":"my-semantic-config", 
    "queryType":"semantic",
    "select": "title, author, synopsis",
    "filter": "genre eq 'mystery'",
    "vectorFilterMode": "postFilter",
    "vectorQueries": [
        {
            "kind": "text",
            "text": "mystery novel set in London",
            "fields": "descriptionVector, synopsisVector",
            "k": 50
        },
        {
            "kind": "text"
            "text": "living english author",
            "fields": "authorBioVector",
            "k": 50
        }
    ]
}

ベクトルでセマンティックランク付けを使用するときは常に、k が 50 に設定されていることを確認します。セマンティックランカーでは、入力として最大 50 個の一致が使用されます。 50 未満を指定すると、セマンティックランク付けモデルから必要な入力が奪われます。

全 4 つのクエリによるスコア付けされた結果は、RRF ランク付けを使用して結合されます。次に、結合された検索結果に対してセマンティックランク付けが呼び出されますが、searchFields に限り、意味的に最も "search":"mystery novel set in London" に関連のある結果が昇格されます。

Note

ベクトル化は、インデックス作成時とクエリ実行時に発生します。インデックスにデータのチャンキングとベクトル化が必要ない場合、インデクサーやスキルセット、データソースの作成などの手順をスキップできます。このワークフローでは、ベクトル化はクエリ時にのみ、テキスト文字列または画像を埋め込みに変換するために使用されます。この手順の検索インデックスでベクトライザーを定義できます。

ベクトルクエリ応答のランク付けされた結果の数

ベクタークエリは、結果で返される一致の数を決定する k パラメーターを指定します。検索エンジンは常に一致を k 個返します。 k がインデックス内のドキュメントの数より大きい場合は、ドキュメントの数によって返される内容の上限が決まります。

フルテキスト検索に慣れている場合、インデックスに用語または語句が含まれていなければ、結果が 0 になると予想されます。ただし、ベクター検索では、検索操作は最も近い近傍を識別し、最も近い近隣ノードが類似していない場合でも常に k 個の結果を返します。そのため、特にプロンプトを使用して境界を設定していない場合は、無意味なクエリやトピック外のクエリの結果を取得できます。関連性の低い結果は類似度スコアが悪くなりますが、近いものがない場合でも"ニアレスト" ベクトルです。そのため、意味のある結果のない応答でも k 結果を返すことができますが、各結果の類似性スコアは低くなります。

フルテキスト検索を含むハイブリッドアプローチでは、この問題を軽減できます。もう 1 つの軽減策は、クエリが純粋な単一ベクタークエリの場合にのみ、検索スコアに最小しきい値を設定することです。ハイブリッドクエリは、RRF 範囲が非常に小さく揮発性であるため、最小しきい値には役立たない。

結果数に影響するクエリパラメーターは次のとおりです:

ベクトルのみのクエリの結果として "k": n
"search" パラメーターを含むハイブリッドクエリの結果として "top": n

"k" と "top" はどちらも省略可能です。指定しない場合、応答の結果の既定の数は 50 です。 "top" と "skip" を設定して、より多くの結果をページングしたり、既定値を変更したりできます。

ベクトルクエリで使用されるランキングアルゴリズム

結果のランク付けは、次のいずれかによって計算されます:

類似性メトリック
検索結果のセットが複数ある場合の Reciprocal Rank Fusion (RRF)。

類似性メトリック

ベクトルのみのクエリのインデックス vectorSearch セクションで指定された類似性メトリック。有効な値は、cosine、euclidean、dotProduct です。

Azure OpenAI 埋め込みモデルではコサイン類似性が使用されるため、Azure OpenAI 埋め込みモデルを使用している場合は、cosine が推奨されるメトリックです。その他のサポートされているランク付けメトリックには、euclidean と dotProduct があります。

RRF の使用

クエリが複数のベクトルフィールドを対象とし、複数のベクトルクエリを並行して実行する場合、またはクエリがベクトル検索とフルテキスト検索のハイブリッドである場合、セマンティックランク付けの有無にかかわらず、複数のセットが作成されます。

クエリの実行中は、ベクトルクエリは 1 つの内部ベクトルインデックスのみを対象とすることができます。そのため、ベクトルフィールドと複数のベクトルクエリの場合、検索エンジンは、各フィールドのそれぞれのベクトルインデックスを対象とする複数のクエリを生成します。出力は、RRF を使用して融合される各クエリのランク付けされた結果のセットです。詳細については、「Reciprocal Rank Fusion (RRF) を使用した関連性スコアリング」を参照してください。

ベクトルの重み付け

検索操作に含まれる各ベクトルクエリの相対的な重みを指定するには、weight クエリパラメーターを追加します。この値は、同じ要求内の 2 つ以上のベクトルクエリによって、またはハイブリッドクエリのベクトル部分から生成された、複数のランク付けリストの結果を結合するときに使用されます。

既定値は 1.0 で、値は 0 より大きい正の数値である必要があります。

重みは、各ドキュメントの逆ランク融合スコアを計算するときに使用されます。計算は、それぞれの結果セット内のドキュメントのランクスコアに対する weight 値の乗数です。

次の例は、2 つのベクトルクエリ文字列と 1 つのテキスト文字列を含むハイブリッドクエリです。重みはベクトルクエリに割り当てられます。最初のクエリは 0.5、つまり半分の重みであり、要求での重要度が低下します。 2 番目のベクトルクエリは重要度が 2 倍になります。

POST https://[service-name].search.windows.net/indexes/[index-name]/docs/search?api-version=2024-07-01

    { 
      "vectorQueries": [ 
        { 
          "kind": "vector", 
          "vector": [1.0, 2.0, 3.0], 
          "fields": "my_first_vector_field", 
          "k": 10, 
          "weight": 0.5 
        },
        { 
          "kind": "vector", 
          "vector": [4.0, 5.0, 6.0], 
          "fields": "my_second_vector_field", 
          "k": 10, 
          "weight": 2.0
        } 
      ], 
      "search": "hello world" 
    }

ベクトルの重み付けは、ベクトルにのみ適用されます。この例のテキストクエリ ("hello world") の暗黙的な重みは、1.0 またはニュートラルな重みです。ただし、ハイブリッドクエリでは、maxTextRecallSize を設定することで、テキストフィールドの重要度を増減できます。

しきい値を設定してスコアの低い結果を除外する (プレビュー)

ニアレストネイバー検索では要求された k 個の近傍が常に返されるため、検索結果で k の数の要件を満たす一環として、スコアの低い複数の一致が取得される可能性があります。スコアの低い検索結果を除外するには、最小スコアに基づいて結果を除外する threshold クエリパラメーターを追加できます。フィルター処理は、複数のリコールセットの結果を融合する前に発生します。

このパラメーターはまだプレビュー段階です。プレビューバージョンの REST API 2024-05-01-preview を使うことをお勧めします。

この例では、結果の数が k を下回る場合でも、0.8 未満のスコアのすべての一致がベクトル検索結果から除外されます。

POST https://[service-name].search.windows.net/indexes/[index-name]/docs/search?api-version=2024-05-01-preview 
    Content-Type: application/json 
    api-key: [admin key] 

    { 
      "vectorQueries": [ 
        { 
          "kind": "vector", 
          "vector": [1.0, 2.0, 3.0], 
          "fields": "my-cosine-field", 
          "threshold": { 
            "kind": "vectorSimilarity", 
            "value": 0.8 
          } 
        }
      ]
    }

ハイブリッド検索用の MaxTextSizeRecall (プレビュー)

ベクトルクエリは、非ベクトルフィールドを含むハイブリッドコンストラクトでよく使用されます。ハイブリッドクエリの結果における BM25 ランクの結果の出現が多すぎる、または少なすぎる場合、maxTextRecallSize を設定して、ハイブリッドランク付けに対して提供された BM25 ランクの結果を増減させることができます。

このプロパティは、"search" コンポーネントと "vectorQueries" コンポーネントの両方を含むハイブリッド要求でのみ設定できます。

このパラメーターはまだプレビュー段階です。プレビューバージョンの REST API 2024-05-01-preview を使うことをお勧めします。

詳細については、maxTextRecallSize の設定 - ハイブリッドクエリの作成に関する記事を参照してください。

次のステップ

次の手順として、Python、C#、JavaScript のベクトルクエリコードの例を確認してください。

次の方法で共有

Azure AI Search でベクトルクエリを作成する

前提条件

クエリ文字列入力をベクトルに変換する

ベクトルクエリ要求

ベクトルクエリ応答

複数のベクトルフィールド

複数のベクトルクエリ

垂直統合を使用したクエリ

ベクトルクエリ応答のランク付けされた結果の数

ベクトルクエリで使用されるランキングアルゴリズム

類似性メトリック

RRF の使用

ベクトルの重み付け

しきい値を設定してスコアの低い結果を除外する (プレビュー)

ハイブリッド検索用の MaxTextSizeRecall (プレビュー)

次のステップ

フィードバック

その他のリソース

次の方法で共有

Azure AI Search でベクトル クエリを作成する

前提条件

クエリ文字列入力をベクトルに変換する

ベクトル クエリ要求

ベクトル クエリ応答

複数のベクトル フィールド

複数のベクトル クエリ

垂直統合を使用したクエリ

ベクトル クエリ応答のランク付けされた結果の数

ベクトル クエリで使用されるランキング アルゴリズム

類似性メトリック

RRF の使用

ベクトルの重み付け

しきい値を設定してスコアの低い結果を除外する (プレビュー)

ハイブリッド検索用の MaxTextSizeRecall (プレビュー)

次のステップ

フィードバック

その他のリソース

Azure AI Search でベクトルクエリを作成する

ベクトルクエリ要求

ベクトルクエリ応答

複数のベクトルフィールド

複数のベクトルクエリ

ベクトルクエリ応答のランク付けされた結果の数

ベクトルクエリで使用されるランキングアルゴリズム