Azure AI Vector Search расширяет возможности поиска, используя векторные встраивания для понимания семантического значения запросов и документов. В сочетании с Copilot Studio это обеспечивает взаимодействие с вашими данными на естественном языке, делая решение мощным инструментом для приложений на базе искусственного интеллекта. В этом руководстве пошагово показан процесс настройки всего набора — от подключения источников данных до включения расширенных функций поиска.

Прежде чем начать, убедитесь, что у вас есть

Azure Synapse Link подключает вашу среду Dataverse к Azure, позволяя экспортировать данные в учетную запись хранилища для дальнейшей обработки. Но сначала необходимо развернуть службу Azure Synapse Analytics.

1. Создание рабочей области Azure Synapse Analytics:

В портале Azure перейдите в раздел «Создать ресурс» и создайте рабочую область Synapse Analytics, задав следующие параметры.

Скриншот 1

Скриншот 1:

• Группа ресурсов – здесь можно создать новую группу.
• Управляемая группа ресурсов – контейнер, который хранит вспомогательные ресурсы, создаваемые Azure Synapse Analytics для вашей рабочей области.
• Имя рабочей области – имя рабочей области Synapse Analytics.
• Регион – регион развертывания службы. Желательно, чтобы он совпадал с регионом среды Dataverse. Однако могут подойти и другие относительно близкие регионы (могут взиматься дополнительные расходы за передачу данных).
• Имя учетной записи – имя хранилища для Data Lake Storage, можно создать здесь.
• Имя файловой системы – имя файловой системы для Data Lake Storage, можно создать здесь.

Скриншот 2

Скриншот 2:

• Введите ваш SQL Server admin login.
• Выберите SQL Password.

2. Создайте новый Azure Synapse Link:

• Перейдите в портал Power Apps. В левом меню выберите «Azure Synapse Link».

• Нажмите «New link» и задайте следующие параметры:
• Галочка «Connect to your Azure Synapse Analytics Workspace» должна быть установлена.
• Подписка – текущая подписка Azure.
• Группа ресурсов, имя рабочей области, учетная запись хранилища – параметры из ранее созданной рабочей области Azure Synapse Analytics.
• Выберите таблицы, которые хотите экспортировать.

Примечание: будут отображаться только те таблицы, для которых включено отслеживание изменений.

1. «Append only» – может использоваться для создания новой копии данных в Azure Synapse Analytics при изменении данных Dataverse, вместо перезаписи существующих записей.

2. Partition (разделение) – по умолчанию Azure Synapse Link для Dataverse разбивает данные помесячно на основе столбца «createdOn». Для таблиц без столбца «createdOn» данные разбиваются на новые файлы каждые 5 000 000 записей.

• Существует несколько вариантов тарифов, а также параметры масштабирования. Но для следующего примера мы выбрали бесплатный тарифный план без масштабирования.

Сервис Azure OpenAI используется для предоставления моделей встраивания (embedding models) для векторизации данных в Azure AI Search. Модели встраивания позволяют выполнять семантический поиск, преобразуя текст в векторные представления.

1. Настройка сервиса Azure OpenAI:

Создайте экземпляр сервиса Azure OpenAI в портале Azure и задайте следующие параметры:

• Группа ресурсов – та же группа ресурсов, что и для Azure Synapse Analytics и Azure AI Search.
• Регион – регион развертывания службы. Желательно, чтобы он совпадал с регионом среды Dataverse и службы Azure Synapse Analytics. Однако могут подойти и другие относительно близкие регионы (могут применяться дополнительные расходы за передачу данных).

• Разверните нужную модель встраивания через портал Azure AI Foundry. В данном случае используется модель «text-embedding-3-small».

Сначала нужно проверить, в каком хранилище/контейнере BLOB находятся наши данные. Хотя мы создали «crm120910-filesystem» в рабочей области Azure Synapse Analytics, служба Azure Synapse Link создала собственный контейнер для данных Dataverse. Файл «2025-07.csv» содержит наши актуальные данные Dataverse, которые необходимо разобрать и передать в службу Azure AI Search.

1. Импорт и векторизация данных:

В Azure AI Search откройте «Import and vectorize data». Выберите «Azure Data Lake Storage», а затем «RAG».

Теперь настройте следующие параметры:

1. Учетная запись хранилища (Storage account) – имя хранилища Data Lake.

2. Контейнер BLOB (Blob container) – контейнер BLOB с нашими данными Dataverse.

3. Режим разбора (Parsing mode) – «Delimited text», так как данные хранятся в формате CSV.

4. Символ-разделитель (Delimiter character) – запятая для разделения данных CSV.

5. Заголовки (Delimiter headers) – названия заголовков CSV. Так как Synapse Link не сохраняет заголовки напрямую, их нужно указать вручную. Они включают все поля Dataverse из выбранной таблицы, а также некоторые системные столбцы.

• Затем настройте следующие параметры:

1. Столбец для векторизации (Column to vectorize) – в данном примере векторизуется поле «name» продукта, которое используется в Azure AI Search.
2. Тип (Kind) – служба AI, используемая для предоставления моделей встраивания.
3. Служба Azure OpenAI (Azure OpenAI service) – так как мы используем и создаём службу Azure OpenAI.
4. Развертывание модели (Model-deployment) – модель встраивания из указанной AI-службы. Здесь используется модель, которую мы ранее создали в Azure OpenAI через портал Azure AI Foundry.

• Затем можно выбрать, какие поля индексировать, и задать параметр расписания. Индексация используется для предоставления этих полей в результатах поиска. Как видно, изменить поле «name» у ранее добавленных продуктов нельзя, так как оно используется как векторизованное поле.

2. Устранение проблем с индексатором.

После импорта данных автоматически создаются «Index», «Indexer» и «Skillset».

• Возможно, индексатор не заработает с первой попытки. Существуют некоторые проблемы с импортом CSV-файлов, которые можно устранить с помощью обходных решений.

• Чтобы исправить ошибки «chunk_id» / «Could not parse document», нужно убедиться, что в определении индексатора есть функция отображения (mapping function), как указано в документации.
  

• Поэтому необходимо отредактировать JSON внутри индексатора и добавить функцию отображения (mapping function).

• После этого исправления нужно сбросить и заново запустить индексатор. Индексация может занять некоторое время в зависимости от фактического объёма данных.

Убедитесь, что ваш векторный поиск работает должным образом.

1. Использование Search Explorer:

• В Azure AI Search откройте «Search Explorer».
• Введите тестовый запрос для поиска ваших проиндексированных данных.

2. Анализ результатов:

• Результаты будут отображать элементы на основе семантической схожести (например, синонимов).
• Скройте векторные значения с помощью **«Query options»**, чтобы получить более чистый вывод.

В ответе отображаются данные:

1. «chunk» — это векторизованное поле. В данном случае — поле «name» продукта.

2. «description» — поле из таблицы, которое мы индексировали.

3. Кроме того, поиск предоставляет относительные оценки (relative scores) для результатов. Проверьте их, чтобы оценить релевантность результатов.

1. Добавление Azure AI Search в Copilot Studio:

Сначала нужно добавить подключение Azure AI Search в портале Power Apps.

URL конечной точки (endpoint URL) можно найти на странице «Overview» службы Azure AI Search.

Административный ключ (Admin key) находится в разделе Azure AI Search Settings → Keys → Primary Admin Key.

• Затем мы можем добавить Azure AI Search в Copilot Studio либо как источник знаний (Knowledge source), либо как инструмент (Tool, ранее Actions). Тестирование показывает, что при использовании Azure AI Search как источника знаний данные в ответном сообщении пользователю частично сокращаются. А при использовании его как инструмента с коннектором «Vectorized search vector» появляется возможность вручную задавать параметры, например количество top-N результатов поиска.

После добавления «Vectorized search vector» как инструмента можно настроить подключение и основные входные параметры:

• Search Text – текст, который используется как запрос для векторного поиска (так же, как мы тестировали поиск вручную).
• Index Name – имя индекса, которое используется для поиска. Его можно найти в службе Azure AI Search → Indexes.
• Top Searches – количество top-N результатов, которые нужно получить в результате векторного поиска.
• Selected Fields – поля, которые нужно получить в результате векторного поиска (в данном случае это поля из нашей разобранной таблицы Dataverse в формате CSV).
• «chunk» – как уже отмечалось, это векторизованное поле; в данном случае — имя продукта.
• «description» – поле описания из таблицы.

Теперь этот инструмент можно использовать либо напрямую (если включена генеративная оркестрация), либо внутри тем. Кроме того, в ответе у каждого результата есть показатель «score».

• Важно отметить, что если мы используем этот инструмент (plugin action) внутри темы, у него не будет выходных данных для дальнейшего использования в этой же теме; он просто отправляет сгенерированное сообщение на основе результатов ответа векторного поиска.

Теперь у вас настроено надёжное решение для поиска, объединяющее Azure AI Vector Search и Copilot Studio. Этот набор обеспечивает расширенный, контекстно-ориентированный поиск, выходящий за рамки простого сопоставления ключевых слов. Изучите дополнительные возможности настройки — например, изменение параметров поиска или добавление новых источников данных, чтобы адаптировать решение под ваши потребности.