Azure OpenAI Embeddings
Azure OpenAI Embeddings convierte textos en una huella numérica de su significado usando un modelo de OpenAI desplegado en tu propia cuenta de Microsoft Azure. Con esa huella, NappAI puede encontrar los documentos que dicen algo parecido a lo que buscas aunque usen otras palabras, por ejemplo en una base de conocimiento.
El componente se conecta a una base de datos vectorial, que lo usa tanto para guardar tus documentos como para buscar en ellos. Úsalo si tu empresa trabaja con Azure OpenAI y quiere que los textos se procesen en su propio recurso de Azure.
Cuándo usarlo
- Dar a un agente el conocimiento de tus manuales, contratos o preguntas frecuentes, guardándolos en una base de datos vectorial.
- Montar un buscador interno que encuentre documentos por su significado y no solo por palabras exactas.
- Tu empresa ya tiene un recurso de Azure OpenAI con un modelo de embeddings desplegado.
Configuración
| Campo | Qué hace |
|---|---|
| Credential (obligatorio) | La credencial del servicio Azure OpenAI API. Elige una con Seleccionar una credencial o crea una con Crear nueva credencial. Consulta Credenciales. |
| Azure Endpoint (obligatorio) | La dirección de tu recurso de Azure OpenAI, por ejemplo https://example-resource.azure.openai.com/. La encuentras en el portal de Azure. |
| Deployment Name (obligatorio) | El nombre que diste en Azure al despliegue del modelo de embeddings. |
Opciones avanzadas
| Campo | Qué hace |
|---|---|
| API Version | La versión del servicio de Azure OpenAI que se usa. Por defecto: 2023-08-01-preview. |
| Dimensions | El tamaño de la huella, en cantidad de números. Solo algunos modelos lo admiten. Vacío, se usa el tamaño propio del modelo. |
Procesamiento por lotes
Con el interruptor Batch Mode activado, el componente se ejecuta una vez por cada elemento de la lista que conectes en Batch Input y devuelve todos los resultados juntos en una lista. Parallel Executions indica cuántos elementos se procesan a la vez (de 1 a 5). Skip if Empty Batch Input salta el componente si la lista llega vacía, y Skip Branch if Empty Output detiene los componentes siguientes si el resultado está vacío. Más información en Conceptos clave.
Resultado
- Embeddings: el modelo que calcula las huellas, listo para usar. Conéctalo a la entrada Embedding de una base de datos vectorial: Astra DB, Cassandra, Chroma DB, Couchbase, Elasticsearch, FAISS, Milvus, MongoDB Vector Store, PGVector, Pinecone, Qdrant, Redis, Supabase Vector Store, Upstash, Vectara, Weaviate Cloud (v4). También lo aceptan otros componentes con una entrada de este tipo, como Semantic Text Splitter o Text Embedder.
Ejemplo
Una clínica dental, Clínica Sonrisa Norte, quiere que su asistente responda con sus protocolos de atención al paciente.
- En un flujo de carga, divide los documentos en fragmentos con Recursive Character Text Splitter y pásalos a Chroma DB con Operation en
Add. - Añade Azure OpenAI Embeddings y conecta su salida Embeddings a la entrada Embedding de Chroma DB.
- En el flujo del asistente, usa la misma colección de Chroma DB con el mismo componente Azure OpenAI Embeddings para buscar los fragmentos que responden a cada pregunta.