Azure AI Vector Search розширює можливості пошуку, використовуючи векторні вбудовування для розуміння семантичного значення запитів і документів. У поєднанні з Copilot Studio це забезпечує взаємодію з вашими даними за допомогою природної мови, роблячи його потужним інструментом для AI-керованих застосунків. Цей посібник проведе вас крізь увесь процес налаштування — від підключення джерел даних до активації розширених функцій пошуку.

Перш ніж розпочати, переконайтеся, що у вас є:

Azure Synapse Link з’єднує ваше середовище Dataverse з Azure, дозволяючи експортувати дані до облікового запису сховища для подальшої обробки. Але спершу потрібно розгорнути службу Azure Synapse Analytics.

Створення робочої області Azure Synapse Analytics:

У порталі Azure перейдіть до «Створити ресурс» і створіть робочу область Synapse Analytics, налаштувавши такі параметри.

Скріншот 1

Скріншот 1 – роз’яснення:

• Група ресурсів – тут можна створити нову групу.
• Керована група ресурсів – контейнер, який зберігає допоміжні ресурси, створені Azure Synapse Analytics для вашої робочої області.
• Назва робочої області – назва робочої області Synapse Analytics.
• Регіон – регіон розгортання служби бажано має збігатися з регіоном середовища Dataverse. Втім, також можуть підійти й інші відносно близькі регіони (можливі додаткові витрати на передавання даних).
• Назва облікового запису – назва сховища для Data Lake Storage, можна створити тут.
• Назва файлової системи – назва файлової системи для Data Lake Storage, можна створити тут.

Скріншот 2

Скріншот 2:

• Type your SQL Server admin login.
• Choose a SQL Password.

2. Створіть новий Azure Synapse Link:

• Перейдіть до порталу Power Apps. У лівому меню виберіть Azure Synapse Link.

• Натисніть «New link» і задайте такі параметри:

1. Позначка «Connect to your Azure Synapse Analytics Workspace» має бути встановлена.
2. Підписка – поточна підписка Azure.
3. Група ресурсів, назва робочої області, обліковий запис сховища – параметри з раніше створеної робочої області Azure Synapse Analytics.

Виберіть таблиці, які потрібно експортувати. Примітка: відображатимуться лише ті таблиці, для яких увімкнено відстеження змін.

• Також доступні розширені параметри:

1. «Append only» – може використовуватися для створення нової копії даних в Azure Synapse Analytics під час змін у даних Dataverse, замість перезапису наявних записів.
2. Partition (Розбиття на розділи) – за замовчуванням Azure Synapse Link для Dataverse розбиває дані щомісяця на основі стовпця «createdOn». Для таблиць без стовпця «createdOn» дані розподіляються у нові файли після кожних 5 000 000 записів.

• Є кілька варіантів ціноутворення, а також параметри масштабування. Але для наведеного прикладу ми обрали безкоштовний тарифний план без масштабування.

Служба Azure OpenAI використовується для надання моделей векторизації (embedding models) для перетворення даних в Azure AI Search. Моделі векторизації забезпечують семантичний пошук, перетворюючи текст у векторні подання.

Налаштування служби Azure OpenAI:

• Створіть екземпляр служби Azure OpenAI у порталі Azure та задайте такі параметри:

1. Група ресурсів – та сама група ресурсів, що й для Azure Synapse Analytics та Azure AI Search.

2. Регіон – регіон розгортання служби. Бажано, щоб він збігався з регіоном середовища Dataverse та служби Azure Synapse Analytics. Втім, можуть підійти й інші відносно близькі регіони (можливі додаткові витрати на передавання даних).

• Розгорніть потрібну модель векторизації через портал Azure AI Foundry. У цьому випадку використовується модель «text-embedding-3-small».

Насамперед потрібно перевірити, у якому сховищі/контейнері BLOB зберігаються наші дані. Хоча ми створили «crm120910-filesystem» у межах робочої області Azure Synapse Analytics, служба Azure Synapse Link створила власний контейнер для даних Dataverse. Файл «2025-07.csv» містить наші поточні дані Dataverse, які необхідно розібрати та передати до служби Azure AI Search.

1. Імпорт та векторизація даних:

• В Azure AI Search відкрийте «Import and vectorize data».
• Виберіть «Azure Data Lake Storage», а потім «RAG».

Тепер налаштуйте такі параметри:

1. Обліковий запис сховища – назва сховища Data Lake.
2. Контейнер BLOB – контейнер BLOB із нашими даними Dataverse.
3. Режим розбору (Parsing mode) – «Delimited text», оскільки дані зберігаються у форматі CSV.
4. Символ-роздільник (Delimiter character) – кома для розділення даних CSV.
5. Заголовки-роздільники (Delimiter headers) – назви заголовків CSV. Оскільки Azure Synapse Link не зберігає заголовки безпосередньо, ми повинні надати їх вручну. Вони включають усі поля Dataverse з обраної таблиці, а також деякі системні стовпці.

Далі налаштуйте такі параметри:

1. Стовпець для векторизації (Column to vectorize) – у цьому прикладі векторизується поле «name» продукту, яке використовується Azure AI Search.
2. Тип (Kind) – служба AI, що використовується для надання моделей векторизації.
3. Служба Azure OpenAI (Azure OpenAI service) – оскільки ми використовуємо й створюємо службу Azure OpenAI.
4. Розгортання моделі (Model-deployment) – модель векторизації зі служби AI. Тут використовується модель векторизації, яку ми створили раніше у межах Azure OpenAI через портал Azure AI Foundry.

• Далі можна вибрати, які поля індексувати, та задати параметр розкладу. Індексація використовується для надання цих полів у результатах пошуку. Як бачимо, ми не можемо змінити поле «name» у вже доданих продуктах, оскільки воно використовується як векторизоване поле.

2. Усунення проблем з індексатором:

• Після імпорту даних автоматично створюються «Index», «Indexer» та «Skillset».

• Можливо, індексатор не запрацює з першої спроби. Існують певні проблеми з імпортом CSV-файлів, які можна виправити за допомогою обхідних рішень.

• Щоб виправити помилки «chunk_id» / «Could not parse document», необхідно переконатися, що у визначенні індексатора є функція відображення (mapping function), як зазначено в документації.

• Отже, потрібно відредагувати JSON всередині індексатора та додати функцію відображення (mapping function).

• Після цього виправлення потрібно скинути та повторно запустити індексатор. Процес індексації може зайняти певний час, залежно від фактичного обсягу даних.

Переконайтеся, що ваш векторний пошук працює належним чином.

1. Використання Search Explorer:

• У Azure AI Search відкрийте «Search Explorer».
• Введіть тестовий запит для пошуку проіндексованих даних.

2. Аналіз результатів:

• Результати відображатимуть елементи на основі семантичної подібності (наприклад, синонімів).
• Сховайте векторні значення за допомогою **«Query options»**, щоб отримати чистіший вивід.
• У відповіді відображаються дані:

1. «chunk» — це фактично векторизоване поле. У цьому випадку — поле «name» продукту.

2. «description — поле з цієї таблиці, яке ми індексували.

3. Крім того, пошук надає відносні оцінки (relative scores) для результатів. Перевірте їх, щоб оцінити релевантність результатів.

Copilot Studio покращує можливості пошуку завдяки використанню природньої мови.

1. Додайте Azure AI Search до Copilot Studio:

• Спершу потрібно додати з’єднання Azure AI Search у порталі Power Apps.
• URL-адресу кінцевої точки (endpoint URL) можна знайти на сторінці «Overview» служби Azure AI Search.
• Адміністративний ключ (Admin key) можна знайти в Azure AI Search Settings → Keys → Primary Admin Key.

• Потім ми можемо додати Azure AI Search у Copilot Studio як джерело знань (Knowledge source) або як інструмент (Tool, раніше Actions). Тестування показало, що при використанні Azure AI Search як джерела знань дані у відповіді до користувача скорочуються. Натомість використання його як інструмента разом із конектором «Vectorized search vector» дає змогу вручну налаштовувати параметри, наприклад, кількість топ-N результатів пошуку.

Після додавання «Vectorized search vector» як інструмента можна налаштувати з’єднання та основні вхідні параметри:

• Search Text – текст, який використовується як запит для векторного пошуку (аналогічно до того, як ми тестували пошук вручну).
• Index Name – назва індексу, що використовується для пошуку. Її можна знайти у службі Azure AI Search → Indexes.
• Top Searches – кількість топ-N результатів, які потрібно отримати у результаті векторного пошуку.
• Selected Fields – поля, які потрібно отримати у результаті векторного пошуку (у цьому випадку це поля з нашої розібраної таблиці Dataverse у форматі CSV).
• «chunk» – як уже зазначалося, це векторизоване поле; у цьому випадку — назва продукту.
• «description» – поле з описом із таблиці.

Тепер ми можемо використовувати цей інструмент або безпосередньо (якщо ввімкнено генеративну оркестрацію), або всередині тем. Крім того, відповідь має «оцінку» для кожного результату.

• Варто зауважити, що якщо ми використовуємо цей інструмент (plugin action) всередині теми, він не матиме вихідних даних для подальшого використання у цієї ж теми; він лише надсилає згенероване повідомлення на основі результатів відповіді векторного пошуку.

Тепер ви налаштували потужне рішення для пошуку, яке поєднує Azure AI Vector Search і Copilot Studio. Такий набір забезпечує розширений, контекстно-орієнтований пошук, що виходить за межі простого співставлення ключових слів. Досліджуйте подальші можливості налаштування – наприклад, зміну параметрів пошуку чи додавання нових джерел даних, щоб адаптувати рішення під власні потреби.