--- title: "Налаштування Azure AI Vector Search із Copilot Studio: покрокова інструкція" canonical: https://ontargit.com/ua/azure-ai-vector-search-copilot-studio-guide/ date: 2025-09-16 10:00:09 description: "Azure AI Vector Search із Copilot Studio забезпечує семантичний пошук, природні запити до даних, відкриваючи можливості для розумніших AI-керованих застосунків." keywords: "azure ai vector search,dataverse" categories: [Azure, Блог, Технічна стаття] --- Azure AI Vector Search розширює можливості пошуку, використовуючи векторні вбудовування для розуміння семантичного значення запитів і документів. У поєднанні з [Copilot Studio ](https://ontargit.com/ua/microsoft-power-platform-ua/microsoft-copilot-studio-ua/)це забезпечує взаємодію з вашими даними за допомогою природної мови, роблячи його потужним інструментом для [AI](https://azure.microsoft.com/en-us/resources/cloud-computing-dictionary/what-is-artificial-intelligence#self-driving-cars)-керованих застосунків. Цей посібник проведе вас крізь увесь процес налаштування — від підключення джерел даних до активації розширених функцій пошуку. # Зміст ## Передумови Перш ніж розпочати, переконайтеся, що у вас є: - __ активна підписка Azure, - __ доступ до середовища Dataverse (частина Microsoft Power Platform), - __ необхідні дозволи для створення й керування ресурсами Azure. ## Крок 1: Налаштування Azure Synapse Link для Dataverse 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. ## Крок 2: Налаштування Azure AI Search Azure AI Search індексує та векторизує ваші дані, роблячи їх доступними для пошуку з розширеними можливостями. **Створення екземпляра Azure AI Search:** У порталі Azure створіть новий ресурс Azure AI Search. Налаштуйте такі параметри: 1. Група ресурсів – та сама група ресурсів, що й для Azure Synapse Analytics. 2. Назва служби для екземпляра Azure AI Search. 3. Розташування – 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). - Є кілька варіантів ціноутворення, а також параметри масштабування. Але для наведеного прикладу ми обрали безкоштовний тарифний план без масштабування. **2.Імпорт даних:** - Перейдіть до розділу «Import data» у вашому екземплярі Azure AI Search. - Виберіть «Azure Blob Storage» як джерело даних. - Укажіть обліковий запис сховища та контейнер BLOB, куди Synapse Link експортує дані Dataverse (наприклад, обліковий запис сховища «Data Lake»). **3.Налаштування параметрів розбору:** Встановіть «Parsing mode» у значення «Delimited text», оскільки дані зберігаються у форматі CSV. Використовуйте кому (,) як «Delimiter character». Оскільки CSV-файли Synapse Link не містять заголовків, введіть назви стовпців вручну, щоб вони відповідали вашим полям Dataverse та системним стовпцям. **Порада з усунення несправностей:** Після імпорту індекс, індексатор та набір навичок створюються автоматично (сторінка 16). Якщо індексатор не виконує роботу, перевірте проблеми з імпортом CSV і за потреби застосуйте обхідні рішення (сторінка 17). ## Крок 3: Налаштування служби Azure OpenAI 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». ## Крок 4: Імпорт та векторизація даних в Azure AI Search 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. 1. - 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). Copy to Clipboard Syntax Highlighter“fieldMappings”: [ { “sourceFieldName”: “AzureSearch_DocumentKey”, “targetFieldName”: “chunk_id”, “mappingFunction”: { “name”: “base64Encode”, “parameters”: null } } ], - Після цього виправлення потрібно скинути та повторно запустити індексатор. Процес індексації може зайняти певний час, залежно від фактичного обсягу даних. ## Крок 5: Тестування векторного пошуку в Azure AI Search 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. ## Крок 6: Інтеграція з Copilot Studio 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. ## Висновок 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. # Часті запитання ### Що таке Azure AI Vector Search? Сервіс, який забезпечує семантичний пошук, використовуючи векторні вбудовування для розуміння контексту та значення у запитах. ### Навіщо робити інтеграцію з Copilot Studio? Вона забезпечує взаємодію з даними природньою мовою, роблячи результати пошуку більш інтуїтивними та зручними для користувача.   ### Які поширені проблеми індексації? Однією з поширених проблем є некоректні ключі документів. Це можна виправити, застосувавши функцію відображення “base64Encode” у визначенні індексатора. ### Чи можу я використовувати кілька джерел даних? Так, Azure AI Search підтримує об’єднання кількох структурованих і неструктурованих джерел даних.