埋め込みモデルで意味検索を作り、RAG の中身を理解する

このラボでは、RAG の心臓部である「埋め込み（embedding）」と「類似度検索」を、検索サービスに頼らず Python だけで組み立てます。ブラックボックスになりがちなベクター検索の仕組みを、数値と結果を見ながら理解するのが目的です。

学習目標:

• Azure OpenAI に埋め込みモデル（embed）と小型チャット モデル（chat）をデプロイする
• 文章を埋め込みベクターに変換し、次元数と値の性質を確認する
• コサイン類似度で質問に最も近い規程文を探す（キーワードが一致しなくても見つかることを確認する）
• 文書をチャンクに分割し、チャンクの大きさで検索結果がどう変わるかを比べる
• 検索したチャンクを根拠としてチャット モデルに渡し、最小構成の RAG を完成させる

• Python の基本（リスト内包表記・辞書）
• 「Cloud Shell の Python から Azure OpenAI を呼び出す」ラボ相当の経験

• デプロイ embed（埋め込みモデル）と chat（小型モデル）が存在すること
• 意味検索スクリプトが、質問に対して妥当な規程文を上位に返すこと

1. Azure Portal にサインインしてラボ環境を確認する

• 学習者ポータルに表示されている URL / Username / Password で https://portal.azure.com にサインインする
• 「サインインの状態を維持しますか?」と表示されたら いいえ を選択する
• 本ラボ用のリソース グループ（名前が lab- で始まる）を開いて名前を控える

• 埋め込みの概要
• 埋め込みを生成する方法
• Azure AI Search のチャンク分割
• ベクター検索の概要
• numpy (PyPI)