---
title: "Azure AI Searchの使い方｜インデックス作成・ベクトル検索・ハイブリッド検索の実装と料金ティアの選び方"
url: "https://www.issoh.co.jp/tech/details/20080/"
published: 2026-11-22
updated: 2026-11-22
categories: ["AI"]
publisher: "株式会社一創"
---

# Azure AI Searchの使い方｜インデックス作成・ベクトル検索・ハイブリッド検索の実装と料金ティアの選び方

Azure AI Searchは、Microsoftが提供するフルマネージドの検索サービスで、全文検索・ベクトル検索・ハイブリッド検索を1つのインデックスに対して実行できます。社内文書を生成AIに答えさせるRAG（検索拡張生成）では、Azure OpenAIと組み合わせる検索基盤として採用例が多いサービスです。この記事では、料金ティアとServerless課金の違い、REST APIでベクトルフィールド付きのインデックスを作る手順、テキストのまま検索できるvectorizerの設定、ハイブリッド検索とセマンティックランカーを組み合わせたクエリ、Pythonから呼び出すコードまでを、2026年11月時点のMicrosoft Learnの記載に沿って説明します。

## まとめ：Azure AI Searchでベクトル検索とハイブリッド検索を組む手順と料金ティアの決め方

- **名称**：旧Azure Cognitive Searchで、2026年11月時点のMicrosoft Learnでは「Foundry IQ（Azure AI Search）」と表記されています。APIのエンドポイント（`*.search.windows.net`）とSDK名は従来のままです。
- **料金**：検証はFree（50MB・インデックス3個）、本番はBasicかS1から始めます。量の読めない用途には2026年9月13日に課金が始まったServerlessも選べますが、他のティアとの相互移行はできません。
- **実装の順番**：インデックス定義（ベクトルフィールドとHNSW設定）→ドキュメント投入→vectorizerの設定→ハイブリッド検索→必要ならセマンティックランカー、の順に組むと切り分けがしやすくなります。
- **検索の既定値**：RAG用途の第一候補はハイブリッド検索です。セマンティックランカーを併用するときはベクトル側の`k`を50にします。
- **判断**：データとLLMがAzureにあり、権限連動の検索やSharePoint・Blobからの取り込みが必要なら採用します。Google CloudやAWSが主のシステムなら、各クラウドの同等サービスを先に検討します。

## Azure AI SearchからFoundry IQへの改称と検索機能

Azure AI Searchは2023年11月にAzure Cognitive Searchから改称され、2026年11月時点では[Microsoft Learnの概要ページ](https://learn.microsoft.com/ja-jp/azure/search/search-what-is-azure-search)が「Foundry IQ（Azure AI 検索）」という表記に切り替わっています。旧称のAzure Cognitive Searchから数えると、名称の変更は2度です。サービスの実体とREST APIの作法は連続しているので、以前の名称で書かれた記事のサンプルコードも、利用するAPIバージョンに合わせて読み替えれば、多くはそのまま実装の参考になります。検索では「Cognitive Search」「AI Search」「Foundry IQ」の3つの名前が混在している点だけ押さえておきます。

### クラシック検索とエージェント検索（ナレッジベース）の2つのAPI階層の違い

現在のAzure AI Searchには、抽象度の違う2つのAPIがあります。1つは、1つのインデックスに1回のリクエストで問い合わせる「クラシック検索」です。もう1つは、複数のデータソース（ナレッジソース）を束ねたナレッジベースに対し、LLMがクエリを分解して並列に検索し、結果をまとめて返す「エージェント検索（agentic retrieval）」です。後者は一般提供済みですが一部機能はプレビューで、対応リージョンにも制限があります。

概要ページは、エージェントやチャットボットを作らない通常のアプリなら、インデックスへの直接クエリでほとんどの要件を低いコストで満たせると説明しています。この記事で扱うのは、RAGの検索部分を自分で実装するときに使うクラシック検索です。Azure上のエージェント実行基盤側の話は[Foundry Agent Service（旧Azure AI Agent Service）の移行・料金・Python実装](https://www.issoh.co.jp/tech/details/4297/)にまとめています。

### 全文・ベクトル・ハイブリッド・セマンティックランカーの4種類の検索と役割分担

検索の種類ごとに得意な問い合わせが違うため、どれを組み合わせるかを先に決めます。

| 検索の種類       | 仕組み               | 向いている問い合わせ     |
| ----------- | ----------------- | -------------- |
| 全文検索        | 転置インデックスとBM25     | 型番・社内用語・固有名詞   |
| ベクトル検索      | 埋め込みの近傍探索（HNSW）   | 言い換え・曖昧な質問文    |
| ハイブリッド検索    | 上記2つを並列実行しRRFで統合  | RAG全般の既定値      |
| セマンティックランカー | 上位50件を言語モデルで再順位付け | 上位数件の精度を上げたい場合 |

ベクトル検索だけでは「FS-2000の保守期限」のような型番を含む質問で取りこぼしが出やすく、全文検索だけでは「パスワードを忘れたとき」と「認証情報の再発行」を同じ意図として扱えません。両者を1回のリクエストで並列実行するハイブリッド検索が、RAGでの出発点になります。RAGそのものの仕組みは[RAGとは？仕組みとLLM・ファインチューニング・従来の検索との違い](https://www.issoh.co.jp/column/details/12919/)で、再順位付けモデルの種類は[リランクモデル（リランカー）の種類と選び方](https://www.issoh.co.jp/tech/details/4413/)で扱っています。

## Free・Basic・Standardの上限とServerlessの課金方式

[価格モデルとサービスレベルのページ](https://learn.microsoft.com/ja-jp/azure/search/search-sku-tier)によると、課金モデルは容量を固定で確保するDedicatedと、使った分だけ払うServerlessの2つです。Dedicatedはレプリカ数×パーティション数で数える検索ユニット（SU）単位の時間課金、Serverlessはコンピューティングユニット（CU）の使用時間とインデックスの保存容量（GB/月）で課金されます。

### Free・Basic・S1・Serverlessの索引数・容量・ベクトル上限の比較

主な上限を[サービス制限のページ](https://learn.microsoft.com/ja-jp/azure/search/search-limits-quotas-capacity)から抜き出しました。容量はサービスの作成日とリージョンで変わり、下表は2024年4月以降に作成した東日本・西日本などの新しいサービスの値です。

| 項目        | Free   | Basic        | S1            | Serverless  |
| --------- | ------ | ------------ | ------------- | ----------- |
| 保存容量      | 50MB   | 15GB/パーティション | 160GB/パーティション | 1インデックス10GB |
| パーティション上限 | なし（共有） | 3            | 12            | 設定不要        |
| レプリカ上限    | なし（共有） | 3            | 12            | 設定不要        |
| インデックス数   | 3      | 15           | 50            | 10,000      |
| ベクトル索引の上限 | –      | 5GB/パーティション  | 35GB/パーティション  | 1インデックス3GB  |

Freeは1サブスクリプションに1つだけ作れ、ほかの利用者と基盤を共有するため拡張できず、長く使わないと削除されることがあります。動作確認には十分ですが、本番の検証環境としては使えません。ベクトル次元数の上限はどのティアも1フィールド4,096次元で、text-embedding-3-small（1,536次元）やtext-embedding-3-large（最大3,072次元）はそのまま入ります。

### SUの掛け算で月額が増える仕組みと、作成後に変えられるティアの範囲

Dedicatedの月額は「ティアの単価×SU数」で決まります。1パーティション・1レプリカの1SUから始まり、可用性のためにレプリカを3つに増やせば料金も3倍です。SLAが付くのは、クエリだけなら2レプリカ以上、クエリと索引更新の両方なら3レプリカ以上の構成です。単価はリージョンごとに違うため、金額は[Azureの価格ページ](https://azure.microsoft.com/ja-jp/pricing/details/search/)で東日本リージョンを選んで確認します。

ティアの変更は、2026年11月時点ではBasicとStandard（S1〜S3）の間なら既存サービスのまま切り替えられます。それ以外の変更、たとえばFreeからBasicへ上げる場合やStorage Optimizedへ移る場合は、新しいサービスを作ってインデックスを作り直します。Serverlessは他のティアとの相互移行ができないため、後でDedicatedへ移す可能性があるなら最初からBasicかS1で始めるほうが手戻りがありません。

## 検証環境の準備：サービス作成からRBAC・APIキー認証の設定までの手順

ここからは、Azure CLIでBasicのサービスを作り、REST APIで操作できる状態にします。検証だけなら`--sku free`でも以降の手順は通ります。

1. リソースグループとサービスを作成する（サービス名は全世界で一意）
2. APIキーとMicrosoft Entra ID（RBAC）の両方で認証できるように切り替える
3. 操作する利用者に「Search Service Contributor」と「Search Index Data Contributor」のロールを割り当てる
4. 検証用に管理キーを取得する（本番はロールとマネージドIDに寄せる）

```
az group create --name rg-search-demo --location japaneast

az search service create \
  --name issoh-search-demo \
  --resource-group rg-search-demo \
  --sku basic \
  --location japaneast \
  --partition-count 1 \
  --replica-count 1

# APIキーとEntra IDの両方を受け付ける設定に変える
az search service update \
  --name issoh-search-demo \
  --resource-group rg-search-demo \
  --auth-options aadOrApiKey \
  --aad-auth-failure-mode http401WithBearerChallenge

# 検証用の管理キー（本番ではRBACとマネージドIDを使う）
az search admin-key show \
  --service-name issoh-search-demo \
  --resource-group rg-search-demo
```

管理キーはインデックスの削除まで含む全権限を持つため、アプリに埋め込むのは避けます。アプリからの接続に使う認証手段は、読み取り専用のクエリキーか、「Search Index Data Reader」ロールを付与したマネージドIDのいずれかです。管理キーは1サービスに2つ、クエリキーは50個まで発行できます。

## REST APIでベクトルフィールド付きインデックスを作成するスキーマ定義

インデックスは、ドキュメントキー・本文などのテキストフィールド・ベクトルフィールドと、ベクトル検索の設定（アルゴリズムとプロファイル）で構成します。以下は、社内規程を500字前後に分割したチャンクを入れる想定の定義です。APIバージョンは2026年11月時点の一般提供版`2026-10-01`を使います（[ベクトルインデックス作成のドキュメント](https://learn.microsoft.com/ja-jp/azure/search/vector-search-how-to-create-index)）。

```
PUT https://issoh-search-demo.search.windows.net/indexes/policy-chunks?api-version=2026-10-01
Content-Type: application/json
api-key: （管理キー）

{
  "name": "policy-chunks",
  "fields": [
    { "name": "id", "type": "Edm.String", "key": true, "filterable": true },
    { "name": "title", "type": "Edm.String", "searchable": true, "retrievable": true, "analyzer": "ja.microsoft" },
    { "name": "content", "type": "Edm.String", "searchable": true, "retrievable": true, "analyzer": "ja.microsoft" },
    { "name": "department", "type": "Edm.String", "filterable": true, "facetable": true },
    {
      "name": "contentVector",
      "type": "Collection(Edm.Single)",
      "searchable": true,
      "retrievable": false,
      "stored": false,
      "dimensions": 1536,
      "vectorSearchProfile": "vp-hnsw"
    }
  ],
  "vectorSearch": {
    "algorithms": [
      { "name": "hnsw-1", "kind": "hnsw",
        "hnswParameters": { "m": 4, "efConstruction": 400, "efSearch": 500, "metric": "cosine" } }
    ],
    "profiles": [
      { "name": "vp-hnsw", "algorithm": "hnsw-1", "vectorizer": "aoai-embed" }
    ],
    "vectorizers": [
      { "name": "aoai-embed", "kind": "azureOpenAI",
        "azureOpenAIParameters": {
          "resourceUri": "https://（Azure OpenAIのリソース名）.openai.azure.com",
          "deploymentId": "text-embedding-3-small",
          "modelName": "text-embedding-3-small" } }
    ]
  },
  "semantic": {
    "configurations": [
      { "name": "sem-config",
        "prioritizedFields": {
          "titleField": { "fieldName": "title" },
          "prioritizedContentFields": [ { "fieldName": "content" } ] } }
    ]
  }
}
```

日本語の本文には`ja.microsoft`アナライザーを指定しないと、全文検索側の単語分割が英語向けになり、ハイブリッド検索の片翼が弱くなります。`department`のように絞り込みに使う項目は`filterable`を付けておき、部署ごとの権限で検索範囲を絞るフィルターに使います。

### HNSWのm・efConstruction・efSearchと次元数の選定基準

1つ目は、`dimensions`を埋め込みモデルの出力と必ず一致させることです。text-embedding-ada-002は1,536次元固定、text-embedding-3-smallは1〜1,536、text-embedding-3-largeは1〜3,072の範囲で指定でき、一致しないドキュメントは投入時にエラーになります。2つ目は、HNSWの既定値（`m`\=4、`efConstruction`\=400、`efSearch`\=500）から始めることです。値を上げると再現率は上がりますが、ハイブリッドクエリのドキュメントは、遅延や429エラーが出たら`efSearch`を128〜192程度まで下げ、レプリカの追加はその後にするよう案内しています。

3つ目は、ベクトル索引が使用する容量を確認します。ベクトルは検索のためにメモリ上に置かれ、Basicは1パーティション5GBが上限です。1,536次元の単精度ベクトルは1件あたり約6KBなので、索引に付随するデータの容量まで含めると、数十万チャンクが容量上限に近づく目安です。`stored`をfalseにして結果に返さない設定や、`scalarQuantization`によるint8への圧縮で容量を抑えられます。埋め込みの作り方自体は[Pythonでembeddingを生成する方法](https://www.issoh.co.jp/tech/details/4081/)で扱っています。

## ドキュメント投入とテキストのままベクトル検索するvectorizerの設定

ドキュメントは、REST APIで送るプッシュ方式か、BlobやSharePointなどから自動で取り込むインデクサー（プル方式）で入れます。プッシュ方式では、アプリ側で埋め込みを計算してから送ります。1回のリクエストで送れるのは1,000件・16MBまでです。

```
POST https://issoh-search-demo.search.windows.net/indexes/policy-chunks/docs/index?api-version=2026-10-01
Content-Type: application/json
api-key: （管理キー）

{
  "value": [
    {
      "@search.action": "mergeOrUpload",
      "id": "travel-policy-003",
      "title": "出張旅費規程 第3条",
      "content": "国内出張の宿泊費は1泊あたりの上限額の範囲で実費を支給する。",
      "department": "総務",
      "contentVector": [0.0123, -0.0451, 0.0087]
    }
  ]
}
```

上の`contentVector`は紙面の都合で3要素に省略しています。実際には1,536個の数値を入れます。

### vectorizerで検索文の埋め込み計算をAzure AI Search側に任せる設定

先のインデックス定義に入れた`vectorizers`が、検索時に質問文を埋め込みへ変換する設定です。[vectorizerの構成ドキュメント](https://learn.microsoft.com/ja-jp/azure/search/vector-search-how-to-configure-vectorizer)のとおり、クエリで`"kind": "text"`を指定すると、アプリ側で埋め込みAPIを呼ばずにテキストのまま検索できます。

注意点は、索引時と検索時で同じ埋め込みモデルを使うことです。vectorizerのモデルを差し替えても、投入済みのベクトルは再計算されません。Azure AI SearchのサービスIDには、Azure OpenAI側で「Cognitive Services OpenAI User」ロールを付けます。Azure OpenAI Serviceの位置付けと料金は[Azure OpenAI Serviceとは？ChatGPTとの違い・できること・料金](https://www.issoh.co.jp/column/details/2983/)で整理しています。

## ハイブリッド検索とセマンティックランカーを組み合わせるクエリの書き方

ハイブリッド検索は、`search`（全文検索の文字列）と`vectorQueries`（ベクトル検索）を同じリクエストに書くだけで有効になります。両者は並列に実行され、Reciprocal Rank Fusion（RRF）で1つの順位にまとめられます（[ハイブリッドクエリのドキュメント](https://learn.microsoft.com/ja-jp/azure/search/hybrid-search-how-to-query)）。

```
POST https://issoh-search-demo.search.windows.net/indexes/policy-chunks/docs/search?api-version=2026-10-01
Content-Type: application/json
api-key: （クエリキー）

{
  "search": "出張の宿泊費の上限",
  "vectorQueries": [
    { "kind": "text", "text": "出張の宿泊費の上限", "fields": "contentVector", "k": 50 }
  ],
  "filter": "department eq '総務'",
  "vectorFilterMode": "preFilter",
  "queryType": "semantic",
  "semanticConfiguration": "sem-config",
  "captions": "extractive",
  "select": "id, title, content",
  "top": 5
}
```

`k`はベクトル検索がRRFへ渡す件数、`top`は最終的に返す件数です。セマンティックランカーは統合後の上位50件までしか見ないため、併用するときは`k`を50にして入力を十分に渡し、返す件数は`top`で絞ります。`preFilter`は既定の動作で、部署などの条件で先に母集団を絞ってからベクトル検索をかけます。

### RRFのスコアが0.03前後になる理由と、k・top・セマンティックの調整順序

ハイブリッド検索の`@search.score`は、ベクトル検索単体のコサイン類似度（0.8前後など）に比べて0.03程度と小さく出ます。[RRFの説明ページ](https://learn.microsoft.com/ja-jp/azure/search/hybrid-search-ranking)のとおり、RRFは各検索での順位の逆数を足し合わせる計算なので、値が小さいのは仕様です。「スコアが低いから閾値で切る」という実装をすると、正しい結果まで捨ててしまいます。

精度の調整は、まず`k`を30〜50、`top`を10〜20のバランス型で測り、セマンティックランカーは測定で改善が確認できたときだけ有効にする順序をドキュメントが勧めています。セマンティックランカーは課金機能で、既定のFreeプランには月ごとの無料枠があり、使い切ると課金エラーが返ります。無料枠を超えて使うにはBasic以上のサービスでStandardプランへ切り替えます（[セマンティックランカーの課金設定](https://learn.microsoft.com/ja-jp/azure/search/semantic-how-to-enable-disable)）。

## PythonのSDKからハイブリッド検索を呼び出してRAGの検索部分に組み込むコード

アプリからはSDKを使うほうが、リトライや認証の扱いが簡単です。`pip install azure-search-documents azure-identity`でインストールでき、2026年11月時点では安定版として12系が提供されています。以下は、マネージドIDまたは`az login`の資格情報で接続し、検索結果を生成AIへ渡す前の文脈文字列に整形する例です。

```
import os
from azure.identity import DefaultAzureCredential
from azure.search.documents import SearchClient
from azure.search.documents.models import VectorizableTextQuery

client = SearchClient(
    endpoint="https://issoh-search-demo.search.windows.net",
    index_name="policy-chunks",
    credential=DefaultAzureCredential(),  # 実行者に Search Index Data Reader を付与しておく
)

def retrieve(question: str, department: str, top: int = 5) -> str:
    vector_query = VectorizableTextQuery(
        text=question, k_nearest_neighbors=50, fields="contentVector"
    )
    results = client.search(
        search_text=question,
        vector_queries=[vector_query],
        filter=f"department eq '{department}'",
        query_type="semantic",
        semantic_configuration_name="sem-config",
        select=["id", "title", "content"],
        top=top,
    )
    # 出典を示せるようにidとタイトルを残して連結する
    return "\n\n".join(
        f"[{r['id']}] {r['title']}\n{r['content']}" for r in results
    )

print(retrieve("出張の宿泊費の上限はいくらですか", "総務"))
```

`filter`に利用者の入力をそのまま埋め込むとOData式の注入につながるため、部署名は認証情報から決まる値だけを使います。返した文脈に`id`を残しておくと、生成AIの回答に出典を付けられ、誤答が出たときに検索結果をたどる手がかりにもなるため、調査が容易です。チャンク分割から本番運用までの進め方を含めて、RAGの構築や既存チャットボットの検索精度の改善を外部に相談したい場合は、当社の[RAG構築支援](https://www.issoh.co.jp/service/ai/rag/)で検索基盤の設計から対応しています。

## Azure AI SearchとVertex AI Search・Bedrockの選定条件

Azure AI Searchを採用するのは、次の条件が2つ以上そろうときです。LLMにAzure OpenAIを使う、文書がBlob・SharePoint・OneLakeにある、利用者ごとの閲覧権限を検索結果に反映したい、型番や社内用語を含む質問が多くハイブリッド検索が要る、の4つです。権限連動の取り込みは、BlobやADLS Gen2、インデックス化したSharePointについて`2026-10-01`で一般提供になっています。

見送るのは、システムの主軸がGoogle CloudやAWSにある場合と、件数が数千件程度で既存のデータベースのベクトル検索機能で足りる場合です。前者はクラウドをまたぐ通信と認証の管理が増えるため、Google側なら[Vertex AI Search（現Agent Search）のデータストア作成・検索API・料金](https://www.issoh.co.jp/tech/details/18414/)、AWS側なら[Amazon BedrockでRAGを実装する手順](https://www.issoh.co.jp/tech/details/4204/)を先に比べます。専用のベクトルデータベースと料金体系を比べたい場合は[ベクトルデータベースの価格と3タイプの料金体系比較](https://www.issoh.co.jp/column/details/16480/)が参考になります。

Azure OpenAIの「On Your Data」は、Microsoft Learnが2026年10月14日をサービス終了日と明記していた機能です。Azure AI Searchを裏側に使っていた構成では、移行先を決めることが先決です。移行の判断は[Azure OpenAI On Your Dataとは？廃止予定までの構成と移行の判断](https://www.issoh.co.jp/tech/details/16625/)で扱っています。検索部分をこの記事の方法で自前のクエリに置き換えれば、Azure AI Searchのインデックスはそのまま使い続けられます。

## よくある質問

Azure AI Searchの導入前によく確認される点をまとめます。

### Azure AI Searchは無料で使えますか？

Freeティアは無料で、作成できる上限は1つのAzureサブスクリプションにつき1サービスです。保存容量は50MB、インデックスは3個までで、ほかの利用者と基盤を共有するため拡張できず、長期間使わないと削除されることがあります。動作確認やチュートリアルであればFreeティアで足り、本番環境での運用や性能検証であればBasic以上が選択肢です。セマンティックランカーにも月ごとの無料枠があります。

### Azure Cognitive SearchとAzure AI Searchは別のサービスですか？

同じサービスです。2023年11月にAzure Cognitive SearchからAzure AI Searchへ改称され、2026年11月時点のMicrosoft Learnでは「Foundry IQ（Azure AI 検索）」と表記されています。エンドポイントのドメインやSDKのパッケージ名（azure-search-documents）は変わっていないため、既存のコードは名称変更の影響を受けません。古い記事を読むときは、APIバージョンの違いだけ確認します。

### ベクトル検索だけでなくハイブリッド検索を使うべき理由は何ですか？

ベクトル検索は言い換えに強い一方、型番・品番・社内略語のような文字列の一致が要る質問を取りこぼしやすいからです。ハイブリッド検索は全文検索とベクトル検索を並列に実行し、RRFで順位を統合するため、両方の弱点を補えます。Microsoftはベンチマークで、ハイブリッド検索にセマンティックランカーを組み合わせた構成が多くの場合で最も関連性の高い結果を返したと公表しています。

### Serverlessティアはどんな場合に選びますか？

アクセスが少ない時間帯が長い社内ツールや、テナントごとに小さなインデックスを多数持つSaaSのように、負荷が読めず波の大きい用途に向きます。課金開始日は2026年9月13日で、料金の算定に使うのは実際に使用したコンピューティング量と保存容量です。1インデックスの上限が10GB（ベクトルは3GB）で、送信側のプライベートリンクが使えず、ほかのティアとの相互移行もできないため、閉域接続が必要な基幹系ではDedicatedを選びます。

### 日本語の文書を検索するときに設定すべきことはありますか？

テキストフィールドに`ja.microsoft`または`ja.lucene`のどちらかが、日本語のテキストフィールドに指定するアナライザーです。既定の標準アナライザーのままだと日本語の単語分割が粗くなり、ハイブリッド検索の全文検索側が機能しにくくなります。アナライザーは既存フィールドでは後から変更できず、変更するにはインデックスの再作成が必要です。このため、テキストフィールドを最初に定義する段階でアナライザーを決めておきます。セマンティックランカーは日本語にも対応しています。

## 関連記事

- [Azure OpenAI On Your Dataとは？廃止予定までの構成と移行の判断](https://www.issoh.co.jp/tech/details/16625/)：Azure AI Searchを裏側に使う旧構成と移行の進め方
- [Vertex AI Search（現Agent Search）の使い方：データストア作成・検索API・料金](https://www.issoh.co.jp/tech/details/18414/)：Google Cloud側の同等サービスとの比較
- [RAGとは？仕組みとLLM・ファインチューニング・従来の検索との違い](https://www.issoh.co.jp/column/details/12919/)：検索拡張生成の全体像
- [リランクモデル（リランカー）とは？種類・2026年の代表モデルと選び方](https://www.issoh.co.jp/tech/details/4413/)：セマンティックランカーと同じ再順位付けの考え方
- [ベクトルデータベースの価格とおすすめ｜3タイプの料金体系比較とRAG用途の選び方](https://www.issoh.co.jp/column/details/16480/)：専用ベクトルDBとの費用比較

---

出典: [Azure AI Searchの使い方｜インデックス作成・ベクトル検索・ハイブリッド検索の実装と料金ティアの選び方](<https://www.issoh.co.jp/tech/details/20080/>)（株式会社一創）
