Azure Search での "コグニティブ検索" とは?What is "cognitive search" in Azure Search?

コグニティブ検索は Azure Search の AI 機能であり、画像や BLOB などの構造化されていないデータ ソースからテキストを抽出し、コンテンツを充実させて Azure Search インデックス内で検索しやすくするために使用されます。Cognitive search is an AI feature in Azure Search, used to extract text from images, blobs, and other unstructured data sources - enriching the content to make it more searchable in an Azure Search index. 抽出とエンリッチメントは、インデックス作成パイプラインにアタッチされたコグニティブ スキルによって実装されています。Extraction and enrichment are implemented through cognitive skills attached to an indexing pipeline. すべてのエンリッチメントは次のようにサポートされています。AI enrichments are supported in the following ways:

  • 自然言語処理スキルには、エンティティ認識言語検出キー フレーズ抽出、テキスト操作、およびセンチメント検出が含まれます。Natural language processing skills include entity recognition, language detection, key phrase extraction, text manipulation, and sentiment detection. これらのスキルによって、構造化されていないテキストが、インデックス内の検索とフィルターが可能なフィールドにマップされた新しい形式を想定できます。With these skills, unstructured text can assume new forms, mapped as searchable and filterable fields in an index.

  • 画像処理スキルには、光学式文字認識 (OCR) およびビジュアル フィーチャーの特定 (例: 顔検出、画像の解釈、画像の認識 (有名な人やランドマーク)、色や画像の向きなどの属性) が含まれます。Image processing skills include Optical Character Recognition (OCR) and identification of visual features, such as facial detection, image interpretation, image recognition (famous people and landmarks) or attributes like colors or image orientation. Azure Search のすべてのクエリ機能を使用して、検索可能な画像コンテンツのテキスト表現を作成できます。You can create text-representations of image content, searchable using all the query capabilities of Azure Search.

コグニティブ検索パイプラインの図Cognitive search pipeline diagram

Azure Search のコグニティブ スキルは、Cognitive Services API の機械学習モデル (Computer Visionテキスト分析) に基づいています。Cognitive skills in Azure Search are based on machine learning models in Cognitive Services APIs: Computer Vision and Text Analysis.

自然言語および画像処理はデータ インジェスト フェーズで適用され、結果は Azure Search における検索可能なインデックス内のドキュメントの構成の一部になります。Natural language and image processing is applied during the data ingestion phase, with results becoming part of a document's composition in a searchable index in Azure Search. データは Azure データ セットとして調達され、必要な組み込みのスキルを使用してインデックス パイプライン経由でプッシュされます。Data is sourced as an Azure data set and then pushed through an indexing pipeline using whichever built-in skills you need. アーキテクチャは拡張可能なため、組み込みのスキルでは不十分な場合は、カスタム スキルを作成して追加し、カスタム処理を統合できます。The architecture is extensible so if the built-in skills are not sufficient, you can create and attach custom skills to integrate custom processing. 例としては、金融、科学出版物、医療などの専門分野を対象としたカスタム エンティティ モジュールまたはドキュメント分類子が挙げられます。Examples might be a custom entity module or document classifier targeting a specific domain such as finance, scientific publications, or medicine.

注意

処理の頻度を増やしたり、ドキュメントを追加したり、AI アルゴリズムを追加したりすることによってスコープを拡大する場合は、請求対象の Cognitive Services リソースをアタッチする必要があります。As you expand scope by increasing the frequency of processing, adding more documents, or adding more AI algorithms, you will need to attach a billable Cognitive Services resource. Cognitive Services の API を呼び出すとき、および Azure Search のドキュメントクラッキング段階の一部として画像抽出するときに、料金が発生します。Charges accrue when calling APIs in Cognitive Services, and for image extraction as part of the document-cracking stage in Azure Search. ドキュメントからのテキストの抽出には、料金はかかりません。There are no charges for text extraction from documents.

組み込みスキルの実行は、既存の Cognitive Services の従量課金制の価格で課金されます。Execution of built-in skills is charged at the existing Cognitive Services pay-as-you go price. 画像抽出の価格は、Azure Search の価格のページで説明されています。Image extraction pricing is described on the Azure Search pricing page.

事前構築されたスキルを使用するコグニティブ検索は、次のアプリケーション シナリオに適しています。Cognitive search, using pre-built skills, is well suited for the following application scenarios:

  • フルテキスト検索を必要とするスキャンされたドキュメント (JPEG)。Scanned documents (JPEG) that you want to make full-text searchable. 光学式文字認識 (OCR) スキルをアタッチして、JPEG ファイルからのテキストの識別、抽出、取り込みを行うことができます。You can attach an optical character recognition (OCR) skill to identify, extract, and ingest text from JPEG files.

  • 画像とテキストが組み合わされた PDF。PDFs with combined image and text. PDF のテキストは、コグニティブ検索を使用せずに Azure Search のインデックス作成中に抽出できますが、画像と自然言語の処理を追加すると、標準のインデックス作成よりも優れた結果が得られやすくなります。Text in PDFs can be extracted during Azure Search indexing without the use of cognitive search, but the addition of image and natural language processing can often produce a better outcome than a standard indexing provides.

  • 言語検出と状況に応じたテキスト翻訳を適用する多言語コンテンツ。Multi-lingual content against which you want to apply language detection and possibly text translation.

  • 大きなドキュメントでは表示されない固有の意味またはコンテキストを持つコンテンツを含む、非構造化または半構造化ドキュメント。Unstructured or semi-structured documents containing content that has inherent meaning or context that is hidden in the larger document.

    多くの場合、BLOB には、単一の "フィールド" にパックされた大規模なコンテンツが含まれています。Blobs in particular often contain a large body of content that is packed into a singled "field". 画像と自然言語処理のスキルをインデクサーにアタッチすることによって、生のコンテンツに現存するが、それ以外に個別のフィールドとして表示されない新しい情報を作成することができます。By attaching image and natural language processing skills to an indexer, you can create new information that is extant in the raw content, but not otherwise surfaced as distinct fields. キー フレーズ抽出、感情分析、エンティティ認識 (人、組織、場所) などの、すぐに使用できる組み込みのコグニティブなスキルが役立ちます。Some ready-to-use built-in cognitive skills that can help: key phrase extraction, sentiment analysis, and entity recognition (people, organizations, and locations).

    また、事前構築されたスキルのテキスト分割、マージ、シェイプ操作を通じて、コンテンツを再構築することもできます。Additionally, pre-built skills can also be used restructure content through text split, merge, and shape operations.

カスタム スキルは、フォームの認識や、カスタム スキル Web インターフェイスで指定してラップするモデルを使用するカスタム エンティティ検出などの、より複雑なシナリオに対応できます。Custom skills can support more complex scenarios, such as recognizing forms, or custom entity detection using a model that you provide and wrap in the custom skill web interface. カスタム スキルの例としては、Forms RecognizerBing Entity Search API の統合、カスタム エンティティ認識などがあります。Several examples of custom skills include Forms Recognizer, integration of the Bing Entity Search API, and custom entity recognition.

コグニティブ検索パイプラインは、データ ソースをクロールし、エンドツーエンドのインデックス処理を提供する、Azure Search インデクサーを使用します。A cognitive search pipeline is based on Azure Search indexers that crawl data sources and provide end-to-end index processing. インデクサーに接続されたスキルは、ユーザーが定義したスキルセットに従ってドキュメントをインターセプトし、エンリッチメントします。Skills are now attached to indexers, intercepting and enriching documents according to the skillset you define. インデックスが作成されると、Azure Search でサポートされているすべての種類のクエリから検索を要求してコンテンツにアクセスできます。Once indexed, you can access content via search requests through all query types supported by Azure Search. インデクサーを使い慣れていない場合は、このセクションで手順を示します。If you are new to indexers, this section walks you through the steps.

手順 1:接続とドキュメント解読フェーズStep 1: Connection and document cracking phase

パイプラインの先頭には、非構造化テキストまたはテキスト以外のコンテンツ (画像、スキャンされたドキュメントの JPEG ファイルなど) があります。At the start of the pipeline, you have unstructured text or non-text content (such as image and scanned document JPEG files). データは、インデクサーによってアクセスできる Azure のデータ ストレージ サービスに存在する必要があります。Data must exist in an Azure data storage service that can be accessed by an indexer. インデクサーは、ソース ドキュメントを "解読" してソース データからテキストを抽出できます。Indexers can "crack" source documents to extract text from source data.

ドキュメントの解読フェーズDocument cracking phase

サポートされているソースには、Azure Table Storage、Azure Table Storage、Microsoft Azure SQL Database、および Microsoft Azure Cosmos DB などがあります。Supported sources include Azure blob storage, Azure table storage, Azure SQL Database, and Azure Cosmos DB. テキスト ベースのコンテンツは、次のファイル タイプから抽出できます:PDF、Word、PowerPoint、CSV ファイル。Text-based content can be extracted from the following file types: PDFs, Word, PowerPoint, CSV files. 詳細な一覧については、サポートされている形式に関するページをご覧ください。For the full list, see Supported formats.

手順 2:認知スキルとエンリッチメント フェーズStep 2: Cognitive skills and enrichment phase

エンリッチメントは、アトミック操作を実行する認知スキルを使用して実行されます。Enrichment is through cognitive skills performing atomic operations. たとえば、PDF からテキスト コンテンツを作成した場合、エンティティの認識言語検出またはキー フレーズ抽出を適用して、ソースではネイティブで使用できない新しいフィールドを生成できます。For example, once you have text content from a PDF, you can apply entity recognition language detection, or key phrase extraction to produce new fields in your index that are not available natively in the source. パイプラインで使用される技術を総称してスキルセットと呼びます。Altogether, the collection of skills used in your pipeline is called a skillset.

エンリッチメント フェーズEnrichment phase

スキルセットは、定義済みの認知スキルまたはユーザーが定義施設続するカスタム スキルとして作成されます。A skillset is based on predefined cognitive skills or custom skills you provide and connect to the skillset. スキルセットは、単純なものから複雑なものまで設定でき、処理の種類だけでなく、演算の順序も決定します。A skillset can be minimal or highly complex, and determines not only the type of processing, but also the order of operations. スキルセットに加え、インデクサーの一部として定義されたフィールド マッピングによってエンリッチメント パイプラインが指定されます。A skillset plus the field mappings defined as part of an indexer fully specifies the enrichment pipeline. これらのコンポーネントの統合方法については、スキルセットの定義に関する記事を参照してください。For more information about pulling all of these pieces together, see Define a skillset.

内部的には、パイプラインは、エンリッチメントされたドキュメントのコレクションを生成します。Internally, the pipeline generates a collection of enriched documents. エンリッチメントされたドキュメントのどの部分を、検索インデックス内のインデックスを作成可能なフィールドにマップするかをユーザーが決定できます。You can decide which parts of the enriched documents should be mapped to indexable fields in your search index. たとえば、キー フレーズ抽出およびエンティティ認識スキルを適用した場合、これらの新しいフィールドはエンリッチメントされたドキュメントの一部になり、インデックス上のフィールドにマッピングできます。For example, if you applied the key phrases extraction and the entity recognition skills, then those new fields would become part of the enriched document, and they can be mapped to fields on your index. 入出力の構造の詳細については、注釈を参照してください。See Annotations to learn more about input/output formations.

knowledgeStore 要素を追加してエンリッチメントを保存するAdd a knowledgeStore element to save enrichments

検索サービス REST api-version=2019-05-06 では、Azure ストレージ接続を提供する knowledgeStore 定義とエンリッチメントの格納方法について説明するプロジェクションによってスキルセットが拡張されます。Search service REST api-version=2019-05-06 extends skillsets with a knowledgeStore definition that provides an Azure storage connection and projections that describe how the enrichments are stored.

スキルセットにナレッジ ストアを追加すると、フルテキスト検索以外のシナリオにエンリッチメントの表現を投影できるようになります。Adding a knowledge store to a skillset gives you the ability to project a representation of your enrichments for scenarios other than full text search. 詳細については、ナレッジ ストアの概要に関するページを参照してください。For more information, see What is knowledge store.

手順 3:検索インデックスとクエリ ベースのアクセスStep 3: Search index and query-based access

処理が完了したら、エンリッチメントされたドキュメントで構成された、Azure Search で完全にテキスト検索が可能な検索インデックスを取得できます。When processing is finished, you have a search index consisting of enriched documents, fully text-searchable in Azure Search. インデックスをクエリすることで、開発者やユーザーは、パイプラインによって生成されるエンリッチメントされたコンテンツにアクセスできます。Querying the index is how developers and users access the enriched content generated by the pipeline.

[検索] アイコン付きのインデックスIndex with search icon

インデックスは、Azure Search のために作成する他のコンポーネント同様、カスタム アナライザーで補完したり、ファジー検索クエリを呼び出したり、フィルターを設定して検索したり、スコアリング プロファイルを使って検索結果の形式を調整することができます。The index is like any other you might create for Azure Search: you can supplement with custom analyzers, invoke fuzzy search queries, add filtered search, or experiment with scoring profiles to reshape the search results.

インデックスは、フィールド、属性、スコアリング プロファイルやシノニム マップなどの特定のインデックスに関連づけられているその他のコンストラクトを定義するインデックス スキーマから生成されます。Indexes are generated from an index schema that defines the fields, attributes, and other constructs attached to a specific index, such as scoring profiles and synonym maps. インデックスが定義され、作成されたら、新規あるいは更新されたソース ドキュメントに対応してインデックスを増分できます。Once an index is defined and populated, you can index incrementally to pick up new and updated source documents. 特定の変更では、完全な再構築が必要です。Certain modifications require a full rebuild. スキーマ デザインが安定するまで、小規模のデータ セットを使用することをお勧めします。You should use a small data set until the schema design is stable. 詳細については、「インデックスの再構成と再構築」をご覧ください。For more information, see How to rebuild an index.

主要機能および概念Key features and concepts

概念Concept 説明Description リンクLinks
スキルセットSkillset スキルのコレクションを含む最上位の名前付きリソースです。A top-level named resource containing a collection of skills. スキルセットはエンリッチメント パイプラインです。A skillset is the enrichment pipeline. スキルセットは、インデクサーによるインデックス作成時に呼び出されます。It is invoked during indexing by an indexer. スキルセットを定義するDefine a skillset
認知スキルCognitive skill 認知スキルは、エンリッチメント パイプラインでのアトミック変換です。An atomic transformation in an enrichment pipeline. 多くの場合、構造を抽出または推論し、ユーザーによる入力データの理解を補佐するコンポーネントです。Often, it is a component that extracts or infers structure, and therefore augments your understanding of the input data. ほとんどの場合、テキスト形式で出力され、画像入力からテキストを抽出または生成する自然言語処理または画像処理で処理されます。Almost always, the output is text-based and the processing is natural language processing or image processing that extracts or generates text from image inputs. スキルからの出力は、インデックス内のフィールドにマッピングするか、または下流のエンリッチメントの入力として使用できます。Output from a skill can be mapped to a field in an index, or used as an input for a downstream enrichment. スキルは、定義済みか、Microsoft が提供、またはカスタム スキルとしてお客様が作成および展開できます。A skill is either predefined and provided by Microsoft, or custom: created and deployed by you. 定義済みのスキルPredefined skills
データの抽出Data extraction 一般的に、そのままでは情報を提供しないソースからデータ (エンティティ) を抽出するために使用されるエンティティ認知スキルであるコグニティブ検索に関連する、さまざまな処理について説明します。Covers a broad range of processing, but pertaining to cognitive search, the entity recognition skill is most typically used to extract data (an entity) from a source that doesn't provide that information natively. エンティティ認識スキルEntity Recognition Skill
画像処理Image processing ランドマークを認識する、あるいは画像からテキストを抽出する能力など、画像からテキストを推測します。Infers text from an image, such as the ability to recognize a landmark, or extracts text from an image. 一般的な例としては、スキャンしたドキュメント (JPEG) ファイルから文字を認識する OCR や道路標識を含む写真の番地を認識する能力が含まれます。Common examples include OCR for lifting characters from a scanned document (JPEG) file, or recognizing a street name in a photograph containing a street sign. 画像の分析スキルまたはOCR スキルImage Analysis Skill or OCR Skill
自然言語処理Natural language processing テキスト入力に関する洞察や情報を取得するテキスト処理。Text processing for insights and information about text inputs. 言語の検出、センチメント分析、およびキー フレーズの抽出は自然言語処理に分類されるスキルです。Language detection, sentiment analysis, and key phrase extraction are skills that fall under natural language processing. キー フレーズ抽出スキル言語検出スキル感情分析スキルKey Phrase Extraction Skill, Language Detection Skill, Sentiment Analysis Skill
ドキュメントの解読Document cracking インデックス作成時にテキスト以外のソースからテキスト コンテンツを抽出または作成する処理。The process of extracting or creating text content from non-text sources during indexing. 光学式文字認識 (OCR) はこの例ですが、インデクサーがアプリケーション ファイルからコンテンツを抽出するため、一般的に、コア インデクサー機能を指します。Optical character recognition (OCR) is an example, but generally it refers to core indexer functionality as the indexer extracts content from application files. ソース ファイルの場所を規定するデータソースと、フィールドをマッピングを規定するインデクサー定義は、いずれも、ドキュメント解読処理で重要な要因です。The data source providing source file location, and the indexer definition providing field mappings, are both key factors in document cracking. インデクサーを参照してください。See Indexers
シェーパーShaping テキスト フラグメントをより大きな構造に統合したり、逆に大きなテキスト フラグメントを下流プロセスで処理できるよう管理可能なサイズに分割します。Consolidate text fragments into a larger structure, or conversely break down larger text chunks into a manageable size for further downstream processing. シェーパー スキルテキスト マージャー スキルテキスト 分割スキルShaper Skill, Text Merger Skill, Text Split Skill
エンリッチメントされたドキュメントEnriched documents 処理中に生成される一時的な内部構造。最終出力は検索インデックスに反映されます。A transitory internal structure, generated during processing, with final output reflected in a search index. どのエンリッチメントが実行されるかは、スキルセットによって決まります。A skillset determines which enrichments are performed. フィールド マッピングにより、どのデータ要素をインデックスに追加するかが決定されます。Field mappings determine which data elements are added to the index. オプションで、Storage Explorer、Power BI などのツールや、Azure Blob Storage に接続するその他のツールを使用して、エンリッチメントされたドキュメントを永続化して探索するためのナレッジ ストアを作成できます。Optionally, you can create a knowledge store to persist and explore enriched documents using tools like Storage Explorer, Power BI, or any other tool that connects to Azure Blob storage. ナレッジ ストア (プレビュー) に関するページを参照してください。See Knowledge store (preview).
IndexerIndexer 検索可能なデータとメタデータを外部データ ソースから抽出し、ドキュメント解読のために、インデックスとデータ ソース間のフィールド対フィールドのマッピングに基づいてインデックスを作成するクローラーです。A crawler that extracts searchable data and metadata from an external data source and populates an index based on field-to-field mappings between the index and your data source for document cracking. コグニティブ検索エンリッチメントのために、インデクサーはスキルセットを呼び出し、インデックス内のターゲット フィールドとエンリッチメント出力を関連付けるフィールド マッピングを含みます。For cognitive search enrichments, the indexer invokes a skillset, and contains the field mappings associating enrichment output to target fields in the index. インデクサーの定義には、パイプライン操作のためのすべての指示と参照が含まれ、ユーザーがインデクサーを実行すると、パイプラインが呼び出されます。The indexer definition contains all of the instructions and references for pipeline operations, and the pipeline is invoked when you run the indexer. インデクサーIndexers
データ ソースData Source Azure でサポートされる型の外部データ ソースに接続するために、インデクサーによって使用されるオブジェクト。An object used by an indexer to connect to an external data source of supported types on Azure. インデクサーを参照してください。See Indexers
IndexIndex フィールド構造と使用状況を定義するインデックス スキーマから構築された Azure Search で永続化された検索インデックスです。A persisted search index in Azure Search, built from an index schema that defines field structure and usage. Azure Search のインデックスIndexes in Azure Search

どこから始めるかWhere do I start?

手順 1:Azure Search リソースの作成Step 1: Create an Azure Search resource

手順 2:クイック スタートや例を試して実際に体験するStep 2: Try some quickstarts and examples for hands-on experience

学習目的には無料のサービスをお勧めしますが、無料のトランザクションの数は 1 日あたり 20 のドキュメントまでに制限されます。We recommend the Free service for learning purposes, however the number of free transactions is limited to 20 documents per day. 1 日でクイックスタートとチュートリアルの両方を実行するには、両方の演習が制限内に収まるように、より小さなファイル セット (10 ドキュメント) を使用するか、クイックスタートまたはチュートリアルで使用したインデクサーを削除してください。To run both the quickstart and tutorial in one day, use a smaller file set (10 documents) so that you can fit in both exercises, or delete the indexer you used in the quickstart or tutorial.

手順 3:API を確認するStep 3: Review the API

REST api-version=2019-05-06 は、要求または .NET SDK 上で使用できます。You can use REST api-version=2019-05-06 on requests or the .NET SDK.

この手順では、REST API を使用してコグニティブ検索ソリューションを構築します。This step uses the REST APIs to build a cognitive search solution. コグニティブ検索用に追加または拡張された API は 2 つのみです。Only two APIs are added or extended for cognitive search. その他の API では、一般的に使用可能なバージョンと同じ構文です。Other APIs have the same syntax as the generally available versions.

REST APIREST API 説明Description
データ ソースの作成Create Data Source エンリッチメントされたドキュメントを作成するために使用されるソース データを提供する外部データ ソースを識別するリソースです。A resource identifying an external data source providing source data used to create enriched documents.
スキルセットの作成 (api-version=2019-05-06)Create Skillset (api-version=2019-05-06) この API は、コグニティブ検索に固有のものです。This API is specific to cognitive search. これは、エンリッチメント パイプラインでインデックス作成時に使用される定義済みのスキルカスタム コグニティブなスキルの使用を調整するリソースです。It is a resource coordinating the use of predefined skills and custom cognitive skills used in an enrichment pipeline during indexing.
インデックスの作成Create Index Azure Search インデックスを表すスキーマです。A schema expressing an Azure Search index. ソース データ内のフィールドやエンリッチメント フェーズで作成されたフィールドにマッピングされるインデックス内のフィールド (たとえば、エンティティ認識によって作成された組織名のためのフィールド)。Fields in the index map to fields in source data or to fields manufactured during the enrichment phase (for example, a field for organization names created by entity recognition).
インデクサーの作成 (api-version=2019-05-06)Create Indexer (api-version=2019-05-06) データ ソース、スキルセット、ソースからのフィールドの関連付け、ターゲット インデックスまでの中間データ構造、およびインデックス自体などの、インデックス作成時に使用されるコンポーネントを定義するリソースです。A resource defining components used during indexing: including a data source, a skillset, field associations from source and intermediary data structures to target index, and the index itself. インデクサーを実行すると、データの取り込みやエンリッチメントがトリガーされます。Running the indexer is the trigger for data ingestion and enrichment. 出力は、インデックス スキーマを基に作成され、ソース データが入力され、スキルセットでエンリッチメントされた検索インデックスです。The output is a search index based on the index schema, populated with source data, enriched through skillsets. この既存の API は、スキルセット プロパティを含めることで、コグニティブ検索シナリオ用に拡張されています。This existing API is extended for cognitive search scenarios with the inclusion of a skillset property.

チェックリスト:一般的なワークフローChecklist: A typical workflow

  1. 代表的なサンプルに Azure ソース データをサブセット化します。Subset your Azure source data into a representative sample. インデックスの作成には時間がかかるため、代表的な少量のデータ セットから始め、ソリューションの成熟度に応じて段階的に構築します。Indexing takes time so start with a small, representative data set and then build it up incrementally as your solution matures.

  2. データ取得のための接続文字列を指定するデータ ソース オブジェクトを Azure Search で作成します。Create a data source object in Azure Search to provide a connection string for data retrieval.

  3. エンリッチメント手順に従ってスキルセットを作成します。Create a skillset with enrichment steps.

  4. インデックス スキーマを定義します。Define the index schema. フィールド コレクションには、ソース データからのフィールドが含まれます。The Fields collection includes fields from source data. エンリッチメント中に作成された、コンテンツのために生成された値を保管するための追加フィールドも削除する必要があります。You should also stub out additional fields to hold generated values for content created during enrichment.

  5. データ ソース、スキルセット、およびインデックスを参照するインデクサーを定義します。Define the indexer referencing the data source, skillset, and index.

  6. インデクサー内に outputFieldMappings を追加します。Within the indexer, add outputFieldMappings. このセクションでは、(手順 4 の) インデックス スキーマ内の入力フィールドに、(手順 3 の) スキルセットからの出力をマッピングします。This section maps output from the skillset (in step 3) to the inputs fields in the index schema (in step 4).

  7. Azure Search のインデクサーを表現するため、前の手順で作成した Create Indexer 要求を (要求本文にインデクサー定義を含む POST 要求) 送信します。Send Create Indexer request you just created (a POST request with an indexer definition in the request body) to express the indexer in Azure Search. この手順では、パイプラインを呼び出しインデクサーを実行する方法について説明します。This step is how you run the indexer, invoking the pipeline.

  8. クエリを実行して結果を評価し、スキルセット、スキーマ、またはインデクサー構成を更新するためにコードを編集します。Run queries to evaluate results and modify code to update skillsets, schema, or indexer configuration.

  9. パイプラインを再構築する前にインデクサーをリセットします。Reset the indexer before rebuilding the pipeline.

特定の疑問点または問題に関する詳細については、トラブルシューティングのヒントを参照してください。For more information about specific questions or problems, see Troubleshooting tips.

次の手順Next steps