Dicas para um melhor desempenho na Pesquisa de IA do Azure

Este artigo é uma coleção de dicas e práticas recomendadas para aumentar o desempenho de consulta e indexação para pesquisa de palavras-chave. Saber quais são os fatores com maior probabilidade de afetar o desempenho da pesquisa pode ajudá-lo a evitar ineficiências e a tirar o máximo partido do seu serviço de pesquisa. Alguns fatores-chave incluem:

• Composição do índice (esquema e tamanho)
• Design de consulta
• Capacidade de serviço (camada e número de réplicas e partições)

Tamanho e esquema do índice

As consultas são executadas mais rapidamente em índices menores. Isso é em parte uma função de ter menos campos para verificar, mas também é devido à forma como o sistema armazena em cache o conteúdo para consultas futuras. Após a primeira consulta, algum conteúdo permanece na memória onde é pesquisado de forma mais eficiente. Como o tamanho do índice tende a crescer com o tempo, uma prática recomendada é revisitar periodicamente a composição do índice, tanto o esquema quanto os documentos, para procurar oportunidades de redução de conteúdo. No entanto, se o índice for de tamanho correto, a única outra calibração que você pode fazer é aumentar a capacidade: adicionando réplicas ou atualizando a camada de serviço. A seção "Dica: atualize para uma camada S2 padrão" discute a decisão de aumento de escala versus dimensionamento.

A complexidade do esquema também pode afetar negativamente a indexação e o desempenho da consulta. A atribuição excessiva de campo aumenta as limitações e os requisitos de processamento. Tipos complexos levam mais tempo para indexar e consultar. As próximas seções exploram cada condição.

Dica: Seja seletivo na atribuição de campo

Um erro comum que administradores e desenvolvedores cometem ao criar um índice de pesquisa é selecionar todas as propriedades disponíveis para os campos, em vez de selecionar apenas as propriedades necessárias. Por exemplo, se um campo não precisar ser pesquisável em texto completo, ignore esse campo ao definir o atributo pesquisável.

O suporte para filtros, facetas e classificação pode quadruplicar os requisitos de armazenamento. Se você adicionar sugestões, os requisitos de armazenamento aumentam ainda mais. Para obter uma ilustração sobre o impacto dos atributos no armazenamento, consulte Atributos e tamanho do índice.

Resumidamente, as ramificações da atribuição excessiva incluem:

• Degradação do desempenho de indexação devido ao trabalho extra necessário para processar o conteúdo no campo e, em seguida, armazená-lo dentro do índice invertido de pesquisa (defina o atributo "pesquisável" apenas em campos que contenham conteúdo pesquisável).

• Cria uma superfície maior que cada consulta tem que cobrir. Todos os campos marcados como pesquisáveis são digitalizados numa pesquisa de texto completo.

• Aumenta os custos operacionais devido ao armazenamento extra. A filtragem e a classificação exigem espaço adicional para armazenar cadeias de caracteres originais (não analisadas). Evite definir filtrável ou classificável em campos que não precisam dele.

• Em muitos casos, a atribuição excessiva limita as capacidades do campo. Por exemplo, se um campo for facial, filtrável e pesquisável, você só poderá armazenar 16 KB de texto dentro de um campo, enquanto um campo pesquisável pode conter até 16 MB de texto.

Dica: considere alternativas para tipos complexos

Tipos de dados complexos são úteis quando os dados têm uma estrutura aninhada complicada, como os elementos pai-filho encontrados em documentos JSON. A desvantagem dos tipos complexos são os requisitos de armazenamento extra e os recursos adicionais necessários para indexar o conteúdo, em comparação com os tipos de dados não complexos.

Em alguns casos, você pode evitar essas compensações mapeando uma estrutura de dados complexa para um tipo de campo mais simples, como uma Coleção. Como alternativa, você pode optar por nivelar uma hierarquia de campo em campos de nível raiz individuais.

Design de consulta

A composição e a complexidade da consulta são um dos fatores mais importantes para o desempenho, e a otimização da consulta pode melhorar drasticamente o desempenho. Ao criar consultas, pense nos seguintes pontos:

• Número de campos pesquisáveis. Cada campo pesquisável adicional resulta em mais trabalho para o serviço de pesquisa. Você pode limitar os campos que estão sendo pesquisados no momento da consulta usando o parâmetro "searchFields". É melhor especificar apenas os campos que mais lhe interessam para melhorar o desempenho.

• Quantidade de dados que estão sendo retornados. A recuperação de uma grande quantidade de conteúdo pode tornar as consultas mais lentas. Ao estruturar uma consulta, devolva apenas os campos que necessita para compor a página de resultados e, em seguida, obtenha os campos restantes com a API de Procura assim que um utilizador selecionar uma correspondência.

• Utilização de pesquisas parciais de termos. Pesquisas parciais de termos, como pesquisa de prefixo, pesquisa difusa e pesquisa de expressão regular, são mais caras computacionalmente do que as pesquisas de palavras-chave típicas, pois exigem varreduras completas de índice para produzir resultados.

• Número de facetas. Adicionar facetas às consultas requer agregações para cada consulta. Pedir uma “contagem” mais elevada de uma faceta também requer trabalho adicional do serviço. Em geral, adicione apenas as facetas que planeia compor na aplicação e evite pedir uma contagem elevada das facetas, a menos que seja necessário.

• Valores de pulo altos. Definir o parâmetro $skip para um valor elevado (por exemplo, para milhares) aumenta a latência de pesquisa porque o motor está a obter e a classificar um maior volume de documentos para cada pedido. Por motivos de desempenho, é melhor evitar valores $skip elevados e utilizar outras técnicas, como a filtragem, para obter grandes números de documentos.

• Limite os campos de cardinalidade elevada. Um campo de cardinalidade alta refere-se a uma tabela facial ou campo filtrável que tem um número significativo de valores exclusivos e, como resultado, consome recursos significativos ao calcular resultados. Por exemplo, definir um campo ID do Produto ou Descrição como facetable e filtrável contaria como cardinalidade alta porque a maioria dos valores de documento para documento são exclusivos.

Dica: use funções de pesquisa em vez de sobrecarregar os critérios de filtro

Como uma consulta usa critérios de filtro cada vez mais complexos, o desempenho da consulta de pesquisa diminuirá. Considere o exemplo a seguir que demonstra o uso de filtros para cortar resultados com base em uma identidade de usuário:

$filter= userid eq 123 or userid eq 234 or userid eq 345 or userid eq 456 or userid eq 567

Nesse caso, as expressões de filtro são usadas para verificar se um único campo em cada documento é igual a um dos muitos valores possíveis de uma identidade de usuário. É mais provável que você encontre esse padrão em aplicativos que implementam filtragem de segurança (verificando um campo contendo uma ou mais IDs principais em relação a uma lista de IDs principais que representam o usuário que emite a consulta).

Uma maneira mais eficiente de executar filtros que contêm um grande número de valores é usar search.in a função, como mostrado neste exemplo:

search.in(userid, '123,234,345,456,567', ',')

Dica: Adicione partições para consultas individuais lentas

Quando o desempenho da consulta está diminuindo em geral, a adição de mais réplicas frequentemente resolve o problema. Mas e se o problema for uma única consulta que demora muito tempo a concluir? Nesse cenário, adicionar réplicas não ajudará, mas mais partições poderão. Uma partição divide os dados entre recursos de computação extras. Duas partições dividem os dados ao meio, uma terceira partição os divide em terços, e assim por diante.

Um efeito colateral positivo da adição de partições é que consultas mais lentas às vezes têm um desempenho mais rápido devido à computação paralela. Observamos paralelização em consultas de baixa seletividade, como consultas que correspondem a muitos documentos ou facetas que fornecem contagens sobre um grande número de documentos. Como é necessário um cálculo significativo para pontuar a relevância dos documentos ou para contar o número de documentos, adicionar partições extras ajuda a concluir as consultas mais rapidamente.

Para adicionar partições, use o portal do Azure, PowerShell, CLI do Azure ou um SDK de gerenciamento.

Capacidade de serviço

Um serviço fica sobrecarregado quando as consultas demoram muito tempo ou quando o serviço começa a descartar solicitações. Se isso acontecer, você pode resolver o problema atualizando o serviço ou adicionando capacidade.

A camada do seu serviço de pesquisa e o número de réplicas/partições também têm um grande impacto no desempenho. Cada camada progressivamente mais alta fornece CPUs mais rápidas e mais memória, o que tem um impacto positivo no desempenho.

Dica: crie um novo serviço de pesquisa de alta capacidade

Os serviços básicos e padrão criados em regiões suportadas após 3 de abril de 2024 têm mais armazenamento por partição do que os serviços mais antigos. Antes de atualizar para um nível mais alto e uma taxa faturável mais alta, revisite os limites de serviço de nível para ver se o mesmo nível em um serviço mais recente oferece o armazenamento necessário.

Dica: atualize para uma camada S2 padrão

A camada de pesquisa Standard S1 geralmente é onde os clientes começam. Um padrão comum para serviços S1 é que os índices crescem ao longo do tempo, o que requer mais partições. Mais partições levam a tempos de resposta mais lentos, portanto, mais réplicas são adicionadas para lidar com a carga da consulta. Como você pode imaginar, o custo de execução de um serviço S1 agora progrediu para níveis além da configuração inicial.

Nesta conjuntura, uma questão importante a fazer é se seria benéfico passar para um nível mais alto, em vez de aumentar progressivamente o número de partições ou réplicas do serviço atual.

Considere a topologia a seguir como um exemplo de um serviço que assumiu níveis crescentes de capacidade:

• Nível S1 padrão
• Tamanho do índice: 190 GB
• Contagem de partições: 8 (em S1, o tamanho da partição é de 25 GB por partição)
• Contagem de réplicas: 2
• Total de unidades de pesquisa: 16 (8 partições x 2 réplicas)
• Preço de varejo hipotético: ~$4.000 USD / mês (suponha 250 USD x 16 unidades de pesquisa)

Suponha que o administrador de serviço ainda esteja vendo taxas de latência mais altas e esteja considerando adicionar outra réplica. Isso mudaria a contagem de réplicas de 2 para 3 e, como resultado, alteraria a contagem de unidades de pesquisa para 24 e um preço resultante de US$ 6.000/mês.

No entanto, se o administrador optar por mudar para uma camada Standard S2, a topologia terá a seguinte aparência:

• Nível S2 padrão
• Tamanho do índice: 190 GB
• Contagem de partições: 2 (no S2, o tamanho da partição é de 100 GB por partição)
• Contagem de réplicas: 2
• Total de unidades de pesquisa: 4 (2 partições x 2 réplicas)
• Preço de varejo hipotético: ~$4,000 USD / mês (1,000 USD x 4 unidades de pesquisa)

Como este cenário hipotético ilustra, você pode ter configurações em camadas mais baixas que resultam em custos semelhantes como se você tivesse optado por uma camada mais alta em primeiro lugar. No entanto, os níveis mais altos vêm com armazenamento premium, o que torna a indexação mais rápida. Níveis mais altos também têm muito mais poder de computação, bem como memória extra. Pelos mesmos custos, você poderia ter uma infraestrutura mais poderosa suportando o mesmo índice.

Um benefício importante da memória adicionada é que mais do índice pode ser armazenado em cache, resultando em menor latência de pesquisa e um maior número de consultas por segundo. Com esse poder extra, o administrador pode nem precisar aumentar a contagem de réplicas e pode potencialmente pagar menos do que permanecer no serviço S1.

Dica: considere alternativas às consultas de expressão regular

Consultas de expressão regular ou regex podem ser particularmente caras . Embora possam ser muito úteis para pesquisas avançadas, a execução pode exigir muito poder de processamento, especialmente se a expressão regular for complicada ou se você estiver pesquisando uma grande quantidade de dados. Todos esses fatores contribuem para uma alta latência de pesquisa. Como atenuação, tente simplificar a expressão regular ou dividir a consulta complexa em consultas menores e mais gerenciáveis.

Próximos passos

Analise estes outros artigos relacionados ao desempenho do serviço:

• Analise o desempenho
• Indexar grandes conjuntos de dados no Azure AI Search
• Escolha uma camada de serviço
• Planejar ou adicionar capacidade
• Estudo de caso: Use a pesquisa cognitiva para apoiar cenários complexos de IA