AI901-Concept#55-1
注: この問題は、同じ前提を持つ一連の問題の一部です。それぞれの問題には異なる解決策が提示されます。
前提
ある企業が社内 FAQ 約 5 万件を対象に、ユーザーの質問に最も関連する FAQ を自動取得する検索システムを Microsoft Foundry SDK と Azure OpenAI で構築しています。キーワード一致では言い換えや概念検索が拾えないため、意味検索が必要です。
解決策
Azure OpenAI の text-embedding-3-small で全 FAQ を事前にベクトル化して Azure AI Search の vector index に登録し、ユーザーの質問もリアルタイムで embedding 化して cosine 類似度で上位 5 件を返します。
この解決策は目的を満たしますか?
解説
【判定: はい】の理由
本構成は Microsoft 公式が推奨する RAG / セマンティック検索の標準パターンです。事前にコンテンツ側を embedding 化して vector index に登録 (offline indexing) し、クエリ側はリアルタイムで embedding 化して類似検索する設計により、5 万件規模でも数十ミリ秒オーダーで応答可能です。Azure AI Search は vector ベクトル + テキスト 両方のハイブリッド検索も提供し、再現性と再ランキングを最適化できます。Foundry SDK との統合も容易で、エンタープライズ RAG の典型実装になります。
【「いいえ」が違う理由】
本ソリューションはキーワード一致では取得できない言い換え検索を実現する適切な設計で、技術的にも公式パターンに沿います。「目的を満たさない」と判定する根拠はありません。
本構成は Microsoft 公式が推奨する RAG / セマンティック検索の標準パターンです。事前にコンテンツ側を embedding 化して vector index に登録 (offline indexing) し、クエリ側はリアルタイムで embedding 化して類似検索する設計により、5 万件規模でも数十ミリ秒オーダーで応答可能です。Azure AI Search は vector ベクトル + テキスト 両方のハイブリッド検索も提供し、再現性と再ランキングを最適化できます。Foundry SDK との統合も容易で、エンタープライズ RAG の典型実装になります。
【「いいえ」が違う理由】
本ソリューションはキーワード一致では取得できない言い換え検索を実現する適切な設計で、技術的にも公式パターンに沿います。「目的を満たさない」と判定する根拠はありません。
コメント