"Bilişsel arama" Azure Search nedir?What is "cognitive search" in Azure Search?

Bilişsel arama, Azure Search, resimler, BLOB'ları ve diğer yapılandırılmamış veri kaynakları Azure Search dizini daha aranabilir yapmak için içerik zenginleştirilmesi - metin ayıklamak için kullanılan bir yapay ZEKA özelliğidir.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. Ayıklama ve zenginleştirme aracılığıyla uygulanır bilişsel beceriler bir dizinleme işlem hattına bağlı.Extraction and enrichment are implemented through cognitive skills attached to an indexing pipeline. Yapay ZEKA zenginleştirmelerinin aşağıdaki yollarla desteklenir:AI enrichments are supported in the following ways:

  • Doğal dil işleme yetenekleri dahil varlık tanıma, dil algılama, anahtar ifade ayıklama, metin düzenleme ve duyarlılık algılama.Natural language processing skills include entity recognition, language detection, key phrase extraction, text manipulation, and sentiment detection. Bu becerilere sahip yapılandırılmamış metin aranabilir ve filtrelenebilir alanlara bir dizin olarak eşlenmiş yeni biçimlerini kabul edilebilir.With these skills, unstructured text can assume new forms, mapped as searchable and filterable fields in an index.

  • Görüntü işleme yetenekleri dahil optik karakter tanıma (OCR) tanımlama ve görsel özellikleriyüz algılama, görüntü yorumu, resim tanıma (gibi ünlü kişiler ve yer işareti) veya renk veya görüntü yönü gibi öznitelikleri.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. Resim içeriği, Azure Search'ün tüm sorgu özelliklerini kullanarak aranabilir metin temsilleridir oluşturabilirsiniz.You can create text-representations of image content, searchable using all the query capabilities of Azure Search.

Bilişsel arama işlem hattı diyagramıCognitive search pipeline diagram

Azure Search'te bilişsel beceriler makine öğrenimi modelleri, Bilişsel hizmetler API'lerini temel alır: Görüntü işleme ve metin analizi.Cognitive skills in Azure Search are based on machine learning models in Cognitive Services APIs: Computer Vision and Text Analysis.

Doğal dil ile görüntü işleme uygulanır veri alımı aşaması sırasında Azure Search'te arama yapılabilir bir dizin bir belgenin birleşimde parçası olma sonuçlarla.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. Veri kaynağı bir Azure veri kümesi ve ardından hangisi kullanarak bir dizini oluşturma ardışık düzeni gönderilen yerleşik yetenekler ihtiyacınız.Data is sourced as an Azure data set and then pushed through an indexing pipeline using whichever built-in skills you need. Yerleşik yetenek yeterli değilse oluşturabilir ekleme ve mimari Genişletilebilir olduğundan özel becerileri özel işleme tümleştirmek için.The architecture is extensible so if the built-in skills are not sufficient, you can create and attach custom skills to integrate custom processing. Örnekler, Finans, bilimsel yayınlar veya ilaç gibi belirli bir etki alanı hedefleyen bir özel varlık modül veya belge sınıflandırıcı olabilir.Examples might be a custom entity module or document classifier targeting a specific domain such as finance, scientific publications, or medicine.

Not

Kapsam işleme sıklığını artırarak daha fazla belgelerin eklenmesi genişletmeniz veya daha fazla yapay ZEKA algoritmalarının eklenmesi gerekir Faturalanabilir bir Bilişsel hizmetler kaynağı ekleme.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. API'leri, Bilişsel hizmetler ve Azure Search'te belge çözme aşamasının bir parçası olarak görüntü ayıklama çağırırken ücretler tahakkuk.Charges accrue when calling APIs in Cognitive Services, and for image extraction as part of the document-cracking stage in Azure Search. Metin ayıklama belgelerden için ücretlendirme yoktur.There are no charges for text extraction from documents.

Yerleşik yetenek yürütülmesi sırasında mevcut ücretlendirilir Bilişsel hizmetler ödeme-olarak-, Git fiyat.Execution of built-in skills is charged at the existing Cognitive Services pay-as-you go price. Görüntü ayıklama fiyatlandırma üzerinde açıklanmıştır Azure fiyatlandırma sayfasını arama.Image extraction pricing is described on the Azure Search pricing page.

Bilişsel arama işlem hattı dayanır Azure Search dizin oluşturucular gezinme veri kaynakları ve uçtan uca dizin işleme sağlar.A cognitive search pipeline is based on Azure Search indexers that crawl data sources and provide end-to-end index processing. Becerileri, artık kesintiye dizin oluşturucular için bağlı olan ve belgeleri becerilerine göre zenginleştirilmesi tanımlayın.Skills are now attached to indexers, intercepting and enriching documents according to the skillset you define. Dizine sonra içerik arama istekleri aracılığıyla tüm erişebileceğiniz sorgu türü Azure arama tarafından desteklenen.Once indexed, you can access content via search requests through all query types supported by Azure Search. Dizin oluşturucular için yeni başladıysanız, bu bölümdeki adımlarda size yol gösterir.If you are new to indexers, this section walks you through the steps.

1. adım: Bağlantı ve belge aşaması çözmeStep 1: Connection and document cracking phase

İşlem hattı başlangıcında, sahip olduğunuz yapılandırılmamış metin veya metin olmayan içerik (örneğin, görüntü ve taranan belgeleri JPEG dosyaları).At the start of the pipeline, you have unstructured text or non-text content (such as image and scanned document JPEG files). Verileri bir Azure veri depolama hizmetindeki bir dizin oluşturucu tarafından erişilebilen mevcut olması gerekir.Data must exist in an Azure data storage service that can be accessed by an indexer. Dizin oluşturucular "kaynak belgelerini veri kaynağından metin ayıklamak için çözebilir".Indexers can "crack" source documents to extract text from source data.

Aşama çözme belgeDocument cracking phase

Azure blob depolama, Azure tablo depolama, Azure SQL veritabanı ve Azure Cosmos DB desteklenen kaynakları içerir.Supported sources include Azure blob storage, Azure table storage, Azure SQL Database, and Azure Cosmos DB. Aşağıdaki dosya türlerinden bir metin tabanlı içeriğin açılmasını: PDF, Word, PowerPoint, CSV dosyaları.Text-based content can be extracted from the following file types: PDFs, Word, PowerPoint, CSV files. Tam liste için bkz. desteklenen biçimler.For the full list, see Supported formats.

2. adım: Bilişsel beceriler ve zenginleştirme aşamasıStep 2: Cognitive skills and enrichment phase

Zenginleştirme olduğunu adım bilişsel beceriler atomik işlemler gerçekleştirme.Enrichment is through cognitive skills performing atomic operations. Örneğin, bir PDF gelen metin içeriğini aldıktan sonra varlık tanıma, dil algılama veya yerel olarak kaynak olarak mevcut olmayan yeni dizininize alanların üretmek için anahtar ifade ayıklama uygulayabilirsiniz.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. Tamamen becerileri, işlem hattında kullanılan koleksiyonu olarak da adlandırılır bir beceri kümesi.Altogether, the collection of skills used in your pipeline is called a skillset.

Zenginleştirme aşamasıEnrichment phase

Bir beceri kümesi dayanır bilişsel beceriler önceden tanımlanmış veya özel becerileri sağlayın ve beceri kümesi için bağlanın.A skillset is based on predefined cognitive skills or custom skills you provide and connect to the skillset. Bir beceri kümesi en az veya çok karmaşık olabilir ve yalnızca işlem türü, aynı zamanda işlemlerin sırasını belirler.A skillset can be minimal or highly complex, and determines not only the type of processing, but also the order of operations. Bir beceri kümesi ayrıca bir Dizin Oluşturucu bölümünde zenginleştirme işlem hattı tam olarak belirten olarak tanımlanan alan eşlemeleri.A skillset plus the field mappings defined as part of an indexer fully specifies the enrichment pipeline. Bu parçaların hepsini bir araya getirmek hakkında daha fazla bilgi için bkz. bir beceri kümesi tanımlama.For more information about pulling all of these pieces together, see Define a skillset.

Dahili olarak, işlem hattı bir zenginleştirilmiş bir belge koleksiyonu oluşturur.Internally, the pipeline generates a collection of enriched documents. Hangi parçalarının zenginleştirilmiş belgeleri search dizininizi dizinlenebilir alanlarına eşlenmelidir karar verebilirsiniz.You can decide which parts of the enriched documents should be mapped to indexable fields in your search index. Örneğin, anahtar ifadeleri ayıklama ve varlık tanıma yetenekleri uyguladıysanız, ardından bu yeni alanlar zenginleştirilmiş belgeyi bir parçası olacak ve dizininizi alanlarında eşlenebilir.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. Bkz: ek açıklamaları giriş/çıkış formations hakkında daha fazla bilgi edinmek için.See Annotations to learn more about input/output formations.

Zenginleştirmelerinin kaydetmek için bir knowledgeStore öğesi ekleyinAdd a knowledgeStore element to save enrichments

Arama hizmeti REST API-version = 2019-05-06 uzmanlık becerileri ile bir Azure depolama bağlantı ve zenginleştirmelerinin nasıl depolandığını anlatan tahminleri sağlayan bir knowledgeStore tanımı genişletir.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.

Bir beceri kümesi için bir Bilgi Bankası depolama ekleme senaryoları dışında tam metin araması, zenginleştirmelerinin gösterimini proje olanağı sağlar.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. Daha fazla bilgi için ne bilgi deposudur.For more information, see What is knowledge store.

3. adım: Arama dizini ve sorgu tabanlı erişimStep 3: Search index and query-based access

İşleme tamamlandığında, zenginleştirilmiş belgeler, metin-Azure Search'te arama yapılabilen oluşan bir arama dizini sahip.When processing is finished, you have a search index consisting of enriched documents, fully text-searchable in Azure Search. Dizini sorgulama geliştiriciler ve kullanıcılar nasıl işlem hattı tarafından oluşturulan zenginleştirilmiş içeriğin eriştiği.Querying the index is how developers and users access the enriched content generated by the pipeline.

Arama simgesine diziniyleIndex with search icon

Diğer Azure arama için oluşturacağınız gibi dizinidir: ek ile özel çözümleyiciler, belirsiz arama sorguları çağırmak, filtrelenen arama Ekle veya arama sonuçlarını şekillendirmek için Puanlama modelleri ile denemeler yapın.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.

Dizinler, alanların özniteliklerini tanımlayan bir dizin şemasını oluşturulur ve diğer yapıları Puanlama profilleri gibi belirli bir dizine eklenmiş ve eş anlamlı eşler.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. Dizin tanımlanan doldurulmuş sonra yeni ve güncelleştirilmiş kaynak belgeleri seçmek için artımlı olarak dizine ekleyebilir.Once an index is defined and populated, you can index incrementally to pick up new and updated source documents. Bazı değişiklikleri tam yeniden derleme gerektirir.Certain modifications require a full rebuild. Şema tasarımına tutarlı olana kadar küçük bir veri kümesi kullanmanız gerekir.You should use a small data set until the schema design is stable. Daha fazla bilgi için bkz. Yeniden dizin derleme.For more information, see How to rebuild an index.

Önemli özellikler ve kavramlarKey features and concepts

KavramConcept AçıklamaDescription BağlantılarLinks
Beceri kümesiSkillset Bir üst düzey becerileri koleksiyonunu içeren kaynak adı.A top-level named resource containing a collection of skills. Bir beceri kümesi zenginleştirme işlem hattı ' dir.A skillset is the enrichment pipeline. Bir dizin oluşturucu tarafından dizin oluşturma sırasında çağrılır.It is invoked during indexing by an indexer. Bir beceri kümesi tanımlamaDefine a skillset
Bilişsel beceriCognitive skill Bir işlem hattındaki zenginleştirme atomik bir dönüştürme.An atomic transformation in an enrichment pipeline. Genellikle, bu ayıklar veya yapısı algılar ve bu nedenle Anlayışınızı giriş verileri çoğaltan bir bileşendir.Often, it is a component that extracts or infers structure, and therefore augments your understanding of the input data. Neredeyse her zaman, çıktı metin tabanlı ve işleme doğal dil işleme veya ayıklar ya da metin, görüntü girişler oluşturur, görüntü işleme.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. Bir beceri çıktısını bir alanda dizin eşlendi veya bir aşağı akış zenginleştirme için girdi olarak kullanılan.Output from a skill can be mapped to a field in an index, or used as an input for a downstream enrichment. Bir beceri ya da önceden tanımlanmış ve Microsoft veya özel tarafından sağlanan: oluşturulur ve sizin tarafınızdan dağıtılır.A skill is either predefined and provided by Microsoft, or custom: created and deployed by you. Önceden tanımlanmış becerilerPredefined skills
Veri ayıklamaData extraction Arka planda işleme ancak bilişsel arama, varlık tanıma beceri ilişkin çeşitli en yaygın veri (varlık) bu bilgileri yerel olarak sağlamaz bir kaynaktan ayıklamak için kullanılır.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. Varlık tanıma beceriEntity Recognition Skill
Görüntü işlemeImage processing Bir görüntüden bir önemli yer tanıma özelliği gibi metin çıkarsar veya bir görüntüden metin ayıklar.Infers text from an image, such as the ability to recognize a landmark, or extracts text from an image. Ortak örnekler OCR taranan belgeleri (JPEG) dosyasından karakterleri kaldırarak ya da bir sokak ad Cadde işareti içeren bir fotoğraf algılamayı içerir.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. Görüntü analizi beceri veya OCR beceriImage Analysis Skill or OCR Skill
Doğal dil işlemeNatural language processing Öngörü ve metin girişi hakkında bilgi işleme metin.Text processing for insights and information about text inputs. Dil algılama ve yaklaşım analizi anahtar ifade ayıklama doğal dil işleme altında kalan becerileri var.Language detection, sentiment analysis, and key phrase extraction are skills that fall under natural language processing. Anahtar tümcecik ayıklama beceri, dil algılama beceri, yaklaşım analizi beceriKey Phrase Extraction Skill, Language Detection Skill, Sentiment Analysis Skill
Belge çözmeDocument cracking Ayıklama veya dizin oluşturma sırasında metin olmayan kaynaklardan gelen metin içeriğini oluşturma işlemi.The process of extracting or creating text content from non-text sources during indexing. Optik karakter tanıma (OCR) bir örnek verilmiştir, ancak genellikle dizin oluşturucu uygulama dosyalarından içeriği ayıklar gibi için çekirdek dizin oluşturucu işlevi başvuruyor.Optical character recognition (OCR) is an example, but generally it refers to core indexer functionality as the indexer extracts content from application files. Kaynak dosya konumu ve alan eşlemelerini sağlama dizin oluşturucu tanımı sağlayarak veri kaynağı çözme belgedeki her iki anahtar etkenler şunlardır.The data source providing source file location, and the indexer definition providing field mappings, are both key factors in document cracking. Bkz: dizin oluşturucularSee Indexers
ŞekillendirmeShaping Metin parçaları daha büyük bir yapısına birleştirmek veya tersine daha da aşağı akış işleme için yönetilebilir bir boyutu daha büyük metin parçalara ayırmanız.Consolidate text fragments into a larger structure, or conversely break down larger text chunks into a manageable size for further downstream processing. Shaper beceri, metin birleşme beceri, beceri metni BölShaper Skill, Text Merger Skill, Text Split Skill
Zenginleştirilmiş belgeleriEnriched documents Bir arama dizinini yansıtılan son çıktı işleme sırasında oluşturulan geçici iç, bir yapıya sahiptir.A transitory internal structure, generated during processing, with final output reflected in a search index. Hangi zenginleştirmelerinin gerçekleştirilen bir beceri kümesi belirler.A skillset determines which enrichments are performed. Alan eşlemelerini hangi veri öğeleri dizine eklenen belirleyin.Field mappings determine which data elements are added to the index. İsteğe bağlı olarak, Depolama Gezgini, Power BI veya Azure Blob depolama alanına bağlanan herhangi bir aracı gibi araçları kullanarak zenginleştirilmiş belgeleri keşfedin ve kalıcı hale getirmek için bir Bilgi Bankası deposu oluşturabilirsiniz.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. Bkz: bilgi store (Önizleme).See Knowledge store (preview).
DizinleyiciIndexer Bir dış veri kaynağından aranabilir verileri ve meta verileri ayıklayan ve dizin ve belge çözme ve veri kaynağı arasındaki alan alan eşlemeleri göre bir dizini dolduran bir Gezgin.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. Bilişsel arama zenginleştirmelerinin için dizin oluşturucu bir beceri kümesi çağırır ve zenginleştirme çıkış dizini hedef alanlara ilişkilendirme alan eşlemeleri içerir.For cognitive search enrichments, the indexer invokes a skillset, and contains the field mappings associating enrichment output to target fields in the index. Dizin Oluşturucu tanımı tüm yönergeleri ve işlem hattı işlemleri için başvurular içerir ve dizin oluşturucu programını çalıştırdığınızda, işlem hattı çağrılır.The indexer definition contains all of the instructions and references for pipeline operations, and the pipeline is invoked when you run the indexer. Dizin OluşturucularIndexers
Veri KaynağıData Source Azure'da desteklenen türlerin bir dış veri kaynağına bağlanmak için bir dizin oluşturucu tarafından kullanılan nesne.An object used by an indexer to connect to an external data source of supported types on Azure. Bkz: dizin oluşturucularSee Indexers
Dizin oluşturmaIndex Azure Search, alan yapısı ve kullanım tanımlayan bir dizin şemasını yerleşik bir kalıcı arama dizin.A persisted search index in Azure Search, built from an index schema that defines field structure and usage. Azure Search'te dizinlerIndexes in Azure Search

Nereden başlamalıyım?Where do I start?

1. adım: Bir Azure Search kaynağı oluşturunStep 1: Create an Azure Search resource

2. adım: Bazı hızlı başlangıç kılavuzlarımız ve örnekler için uygulamalı deneyim deneyinStep 2: Try some quickstarts and examples for hands-on experience

Öğrenme amacıyla ücretsiz hizmeti öneririz, ancak bu ücretsiz işlem sayısı günde 20 belgelere sınırlı olduğunu unutmayın.We recommend the Free service for learning purposes, but be aware that the number of free transactions is limited to 20 documents per day. Hızlı Başlangıç ve öğretici bir gün içinde çalıştırmak için daha küçük bir dosya kullanın (10 belgeleri) her iki alıştırmalarda sığacak şekilde ayarlayın.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.

3. adım: API gözden geçirinStep 3: Review the API

REST kullanarak api-version=2019-05-06 istekleri veya .NET SDK'sı.You can use REST api-version=2019-05-06 on requests or the .NET SDK.

Bu adım, bir bilişsel arama çözümü oluşturmak için REST API'lerini kullanır.This step uses the REST APIs to build a cognitive search solution. Yalnızca iki API eklendiğinde veya bilişsel arama için genişletilmiş.Only two APIs are added or extended for cognitive search. Diğer API'leri genel kullanıma sunulan sürümleri aynı söz dizimini sahip.Other APIs have the same syntax as the generally available versions.

REST APIREST API AçıklamaDescription
Veri Kaynağı OluşturmaCreate Data Source Zenginleştirilmiş belgeleri oluşturmak için kullanılan kaynak verileri sağlayan bir dış veri kaynağı tanımlayan bir kaynaktır.A resource identifying an external data source providing source data used to create enriched documents.
Beceri kümesi oluşturma (api sürümü 2019-05-06 =)Create Skillset (api-version=2019-05-06) Bir kaynak kullanımını koordine önceden tanımlanmış beceriler ve özel bilişsel beceriler dizin oluşturma sırasında bir zenginleştirme hattında kullanılan.A resource coordinating the use of predefined skills and custom cognitive skills used in an enrichment pipeline during indexing.
Dizin oluşturmaCreate Index Azure Search dizini ifade şema.A schema expressing an Azure Search index. Kaynak veri alanları veya alanları (örneğin, bir alan için kuruluş adlarını varlık tanıma tarafından oluşturulan) zenginleştirme aşaması sırasında üretilen dizin alanları eşleyin.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).
Create Indexer (api-version=2019-05-06)Create Indexer (api-version=2019-05-06) Bir kaynak dizin oluşturma sırasında kullanılan bileşenleri tanımlama: bir veri kaynağı, bir beceri kümesi, kaynak ve aracı veri yapılarını alan ilişkilendirme hedef dizin ve dizin de dahil olmak üzere.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. Dizin Oluşturucu veri alımı ve zenginleştirme tetikleyicisi çalışıyor.Running the indexer is the trigger for data ingestion and enrichment. Çıktı, uzmanlık becerileri ile zenginleştirilmiş kaynak verilerle doldurulmuş dizin şemasını temel arama dizinidir.The output is a search index based on the index schema, populated with source data, enriched through skillsets.

Denetim listesi: Tipik bir iş akışıChecklist: A typical workflow

  1. Alt Azure kaynak verilerinizi temsili bir örnek.Subset your Azure source data into a representative sample. Gerçekleştirilen işlemlerin zaman dizin ile küçük, temsili bir veri kümesi başlatın ve çözümünüzü geliştikçe daha sonra bunları artımlı olarak oluşturmak.Indexing takes time so start with a small, representative data set and then build it up incrementally as your solution matures.

  2. Oluşturma bir veri kaynağı nesnesi Azure Search veri alma için bir bağlantı dizesini belirtin.Create a data source object in Azure Search to provide a connection string for data retrieval.

  3. Oluşturma bir beceri kümesi zenginleştirme adımlarla.Create a skillset with enrichment steps.

  4. Tanımlama dizin şeması.Define the index schema. Alanları koleksiyon kaynak veri alanlarını içerir.The Fields collection includes fields from source data. Ek alanları zenginleştirme sırasında oluşturulan içeriği için oluşturulan değerleri tutmak için saplama.You should also stub out additional fields to hold generated values for content created during enrichment.

  5. Tanımlama dizin oluşturucu veri kaynağı, beceri kümesi ve dizin başvuruyor.Define the indexer referencing the data source, skillset, and index.

  6. Dizin oluşturucu içinde Ekle outputFieldMappings.Within the indexer, add outputFieldMappings. Bu bölüm, giriş alanları (4. adım) dizin şemasında becerilerine (3 adımda) çıktısını eşler.This section maps output from the skillset (in step 3) to the inputs fields in the index schema (in step 4).

  7. Gönderme dizin oluşturucu oluşturma oluşturduğunuz (Dizin Oluşturucu tanımını istek gövdesine sahip bir POST isteği) Azure Search dizin oluşturucu ifade etmek için istek.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. Bu adım, nasıl işlem hattı yürütmesini dizin oluşturucuyu Çalıştır ' dir.This step is how you run the indexer, invoking the pipeline.

  8. Sonuçları değerlendirin ve kod güncelleştirme olanakları, şema veya dizin oluşturucu yapılandırmasını değiştirmek için sorgular çalıştırın.Run queries to evaluate results and modify code to update skillsets, schema, or indexer configuration.

  9. Dizin oluşturucuyu Sıfırla işlem hattını yeniden önce.Reset the indexer before rebuilding the pipeline.

Belirli bir soru veya sorunlarınız hakkında daha fazla bilgi için bkz. sorun giderme ipuçları.For more information about specific questions or problems, see Troubleshooting tips.

Sonraki adımlarNext steps