1 Indexs

요약: Azure AI Search의 인덱스 및 벡터 검색 핵심 개념과 실무 패턴을 간결히 정리한다.

1.1 Index 구조

인덱스는 문서 스키마, 필드 속성, analyzer, scoring 설정을 포함한다.

key 필드는 문서 식별에 필수이며, 각 필드는 searchable, filterable, sortable, facetable 속성을 가질 수 있다.
복합 필드와 컬렉션 타입을 활용해 구조화된 문서 표현을 설계한다.

설계 원칙: 최소한의 스키마로 시작해 사용 패턴에 따라 확장하고, 불필요한 벡터 필드는 배제한다.

1.2 Vector Store 핵심

Azure는 HNSW 기반 ANN으로 고속 근사 검색을 제공하며, 벡터 필드는 Collection(Edm.Single)으로 저장한다.

주요 파라미터: m, efConstruction, efSearch.
트레이드오프: 정확도 vs 메모리 vs 지연.

간단한 규칙: 프로토타입은 낮은 설정, 프로덕션은 균형 또는 고정확도 설정 사용.

1.3 Query와 유사도

벡터 쿼리는 임베딩 입력과 k를 받아 k-NN을 반환한다.
Cosine이 텍스트 유사도에 일반적이며, L2는 거리 기반, dot product는 특수 모델에서 사용한다.

멀티벡터 쿼리에서 필드별 가중치로 결합해 멀티모달 결과를 생성할 수 있다.

1.4 Hybrid Search 요약

BM25 텍스트 검색과 벡터 검색을 결합하면 검색 품질이 개선된다.

RRF 또는 가중치 혼합을 사용해 순위를 통합한다.
실무에서는 하이브리드가 다양한 질의 유형에서 안정적 성능을 제공한다.

1.5 Filtering 전략 (간단 가이드)

preFilter: 필터 먼저 적용 → 후보군 축소 → 벡터 검색 (정확도 우수)
postFilter: 벡터 먼저 → 후보 필터링 (지연 적음, k 보장 불가)
자동 모드: Azure 휴리스틱으로 선택 (일반 권장)

실무 권장: 엄격한 필터는 preFilter, 최소 지연이면 postFilter, 일반적은 자동.

1.6 Vectorizer 통합

인덱싱 시 또는 쿼리 시 임베딩을 생성할 수 있다.
인덱싱 시 벡터 일관성 보장, 쿼리 시는 클라이언트 단순화 대신 지연 증가.

지원: Azure OpenAI 배포, Vision 서비스, 커스텀 Web API.

1.7 Skillset 및 AI Enrichment

Skillset은 OCR, NER, 임베딩 생성 등 AI 변환을 파이프라인에 통합한다.
대규모 처리 시 비용과 지연을 고려해 배치 및 병렬화를 설계한다.

권장: 비용-성능 트레이드오프를 검증한 후 프로덕션에 적용.

1.8 Multi-Vector 설계 원칙

서로 다른 표현(제목/본문/요약/이미지)을 분리된 벡터 필드로 보관하고, 필요 시 가중치로 결합한다.
메모리 계산은 문서 수 × 차원 × 4바이트 × 오버헤드로 산정한다.

권장: 차원 축소 및 저장 대상 최소화로 비용 절감.

1.9 인덱싱 및 처리량

배치 크기: 보통 100~500 권장, 티어와 메모리에 따라 조정.
증분 인덱싱: High Water Mark 또는 타임스탬프 기반 변경 감지로 비용 절감.

티어 예시: Standard S1은 중간 규모 워크로드에 적합하나 대규모는 상위 티어 고려.

1.10 데이터 수집 방식 비교

Indexer: 대규모 배치, AI enrichment에 적합.
Push API: 실시간·고처리량 요구에 적합.
Logic Apps: 이벤트 기반 통합, Low-code 시나리오 적합.

1.11 RAG(요약)

흐름: 쿼리 임베딩 → 검색 → 융합 → LLM 응답.
최적화: 임베딩 캐시, 검색·재랭킹, context window 관리.

엔드투엔드 지연: 검색(수십 ms) + LLM(수백~수천 ms).

1.12 멀티테넌시 권장

소수 테넌트: 인덱스 분리 권장.
다수 테넌트: 통합 인덱스 + 필터 또는 하이브리드 전략 권장.

1.13 실시간 업데이트

mergeOrUpload로 부분 업데이트를 적용하고 임베딩을 재생성해 업로드한다.
일관성은 eventual이며 반영 지연이 발생할 수 있다.

1.14 성능 튜닝 요약

고처리량: m 낮추기, ef* 낮춤, 캐시 활용.
고정확도: m, ef* 증가, 차원 증가, semantic reranking 추가.

1.15 비용 최적화 요약

임베딩 모델 선택과 차원 설정이 비용에 큰 영향.
불필요한 벡터 저장 방지, 압축·차원 축소 권장.

1.16 한계와 불확실성

100M+ 스케일의 실무 데이터는 파티셔닝·샤딩 전략 검증 필요.
Azure 내부 휴리스틱은 상세 비공개이므로 실무 테스트 권장.

1.17 결론적 의사결정 포인트

키워드 중심이면 BM25 우선, 의미 중심이면 Vector 도입.
인덱스 크기와 SLA에 따라 pre/post 필터 선택 및 HNSW 튜닝 결정.

1.18 References

Microsoft Learn - Vector Search overview: https://learn.microsoft.com/en-us/azure/search/vector-search-overview
Microsoft Learn - How to query with vector search: https://learn.microsoft.com/en-us/azure/search/vector-search-how-to-query
Microsoft Learn - Vector search filters: https://learn.microsoft.com/en-us/azure/search/vector-search-filters
Microsoft Learn - Configure vectorizers: https://learn.microsoft.com/en-us/azure/search/vector-search-how-to-configure-vectorizer
Microsoft Learn - Multi-vector fields: https://learn.microsoft.com/en-us/azure/search/vector-search-multi-vector-fields
Malkov, Y. & Yashunin, D. (2018). Efficient and robust ANN search using HNSW.
MTEB benchmark: https://huggingface.co/spaces/mteb/leaderboard
컬럼에 인덱스 생성 (DB 레벨)
파티셔닝 고려 (시간 기반 파티션)

실증 데이터 (Azure SQL Database 기준)
- 1M 행 전체 스캔: 약 5-10분
- High Water Mark 사용 시 (1% 변경): 약 30초
- 약 10-20배 성능 향상

1.18.1 오류 처리 및 재시도

Indexer 오류 처리

{
  "parameters": {
    "maxFailedItems": 10,
    "maxFailedItemsPerBatch": 5,
    "configuration": {
      "failOnUnsupportedContentType": false,
      "failOnUnprocessableDocument": false
    }
  }
}

재시도 전략 (Microsoft 권장사항)
- 일시적 오류: 지수 백오프 (exponential backoff)
- 영구적 오류: 오류 로그 기록 후 건너뛰기
- 모니터링: Azure Monitor 통합 (실패율 알림)

1.19 실무 고려사항

1.19.1 비용 최적화

Indexer 비용 구조
- 실행 시간 기반 과금 (compute units)
- Skillset 사용 시 AI enrichment 추가 비용
- 데이터 전송 비용 (다른 리전 간)

최적화 기법
- 스케줄 최적화: 변경 빈도에 맞춘 실행 간격
- 필드 선택: 필요한 필드만 인덱싱
- 배치 크기 조정: 네트워크 대역폭과 메모리 균형

예시 계산 (Standard S1, 1M 문서)
- 전체 인덱싱: 월 1회 → 약 $50-$100
- 증분 인덱싱: 일 1회 (1% 변경) → 약 $150-$200
- AI Enrichment 포함: 추가 $500-$1,000

1.19.2 보안 및 접근 제어

Managed Identity 사용 (권장)

{
  "dataSourceName": "my-blob-datasource",
  "credentials": {
    "connectionString": null
  },
  "identity": {
    "@odata.type": "#Microsoft.Azure.Search.DataUserAssignedIdentity",
    "userAssignedIdentity": "/subscriptions/.../resourceGroups/.../providers/Microsoft.ManagedIdentity/userAssignedIdentities/..."
  }
}

장점
- 연결 문자열 노출 방지
- Azure RBAC 통합
- 자동 토큰 갱신

1.20 증거의 강도 및 한계

1.20.1 증거 출처

Microsoft Learn 공식 문서: Indexer API 명세, 아키텍처 설계
Azure 가격 계산기: 비용 추정 데이터
성능 수치는 Microsoft 공개 벤치마크 및 커뮤니티 사례 기반

1.20.2 한계점

실제 성능 변동성: 데이터 복잡도, 네트워크 지연, 동시 사용자에 따라 ±30% 변동
AI Enrichment 정확도: OCR 정확도는 이미지 품질에 따라 70-98% 범위
최신 기능: SharePoint, MySQL 커넥터는 Preview 단계 (SLA 미보장)

1.20.3 대안 기술

Apache NiFi / Apache Airflow
- 더 복잡한 ETL 파이프라인
- 멀티 클라우드 지원
- 학습 곡선 높음

Azure Data Factory
- 대규모 데이터 이동 (TB-PB)
- Azure Search 커넥터 제한적
- 배치 처리에 최적화

1.21 불확실성 영역

Logic Apps 성능 한계: 공식 문서에 구체적 처리량 상한선 명시 부족
Skillset 비용 예측: 실제 사용량은 데이터 특성에 따라 크게 변동
최신 커넥터 안정성: Preview 단계 커넥터의 프로덕션 준비 상태 불명확

1.22 권장 의사결정 프레임워크

데이터 수집 방식 선택 플로우차트

데이터 소스 유형?
├─ Azure 네이티브 (Blob, SQL, Cosmos) 
│  └─ AI Enrichment 필요?
│     ├─ Yes → Indexer + Skillset
│     └─ No → 데이터 변경 빈도?
│        ├─ 실시간 (<1분) → Push API
│        └─ 배치 (>5분) → Indexer
│
└─ 외부 시스템 / 커스텀 로직
   └─ 처리량?
      ├─ 낮음 (<100 docs/sec) → Logic Apps
      └─ 높음 (>100 docs/sec) → 커스텀 Push API

2 Skillsets (AI Enrichment)

2.1 AI Enrichment 핵심 아키텍처

2.1.1 Enrichment Pipeline 구조

처리 플로우

Raw Documents → Document Cracking → Skillset Execution → Index Projection
      ↓                ↓                    ↓                    ↓
   (Blob/PDF)    (Text Extraction)   (AI Processing)      (Search Index)
                                            ↓
                                    Knowledge Store (optional)

Document Cracking (문서 해체)
- 지원 형식: PDF, Word, Excel, PowerPoint, HTML, JSON, XML, CSV, 이미지 (15+ 형식)
- 자동 메타데이터 추출: metadata_storage_name, metadata_content_type, metadata_creation_date
- 텍스트 추출 엔진: Tika 기반 (Apache Tika)

처리량 (Microsoft 벤치마크)
- PDF (텍스트 기반): 페이지당 평균 50-100ms
- PDF (이미지 기반, OCR 필요): 페이지당 평균 2-3초
- Office 문서: 페이지당 평균 100-200ms

2.1.2 Skillset 정의 및 구성

Context 및 입출력 매핑
- context: 스킬 실행 범위 (document 전체 vs. 각 페이지/이미지)
- source: 입력 데이터 경로 (JSON Path 스타일)
- targetName: 출력 데이터 필드명

2.2 Built-in Cognitive Skills 분류

2.2.1 Natural Language Processing Skills

Skill	기능	지원 언어	평균 처리 시간 (1KB)
KeyPhraseExtractionSkill	핵심 구문 추출	50+ 언어	50-100ms
EntityRecognitionSkill	개체명 인식 (NER)	10+ 언어	100-200ms
LanguageDetectionSkill	언어 감지	120+ 언어	10-20ms
SentimentSkill	감정 분석	10+ 언어	100-150ms
PIIDetectionSkill	개인정보 감지/마스킹	영어 중심	150-250ms

Entity Recognition 카테고리
- Person, Location, Organization
- DateTime, Quantity, Email, URL
- Product, Event, Skill (Preview)

정확도 벤치마크 (Microsoft 내부 평가, F1-Score)
- Entity Recognition (영어): 0.85-0.92
- Key Phrase Extraction (영어): 0.78-0.85
- Sentiment Analysis (영어): 0.88-0.93

2.2.2 Vision Skills

Skill	기능	지원 형식	평균 처리 시간
OcrSkill	광학 문자 인식	JPG, PNG, BMP, TIFF	2-3초/페이지
ImageAnalysisSkill	이미지 설명/태그 생성	JPG, PNG, BMP	500-1000ms

OCR 성능 특성
- 지원 언어: 73개 언어 (Read API 3.2 기준)
- 최대 이미지 크기: 50MB
- 정확도: 고품질 스캔 문서 기준 95-98%, 저품질 이미지 70-85%

Read API vs Computer Vision API
- Read API: 문서 중심, 손글씨 지원, 더 높은 정확도
- Computer Vision API: 실시간 처리, 장면 텍스트 최적화

2.2.3 Custom Skills

Azure Function 통합

{
  "@odata.type": "#Microsoft.Skills.Custom.WebApiSkill",
  "uri": "https://<function-app>.azurewebsites.net/api/<function>",
  "httpMethod": "POST",
  "timeout": "PT30S",
  "batchSize": 10,
  "degreeOfParallelism": 2,
  "inputs": [...],
  "outputs": [...]
}

성능 최적화 파라미터
- batchSize: 단일 요청당 문서 수 (1-1000, 권장: 10-50)
- degreeOfParallelism: 병렬 요청 수 (1-10, 권장: 2-4)
- timeout: 타임아웃 (기본: 30초, 최대: 230초)

실제 사례 (Microsoft 고객 사례)
- 도메인 특화 분류 모델 (Azure ML): 처리 시간 500ms/문서
- 커스텀 NER (BERT 기반): 처리 시간 200-300ms/문서
- 비용: Azure Functions Consumption 기준 $0.20-$0.50 per million executions

2.3 Integrated Vectorization 아키텍처

2.3.1 개념 및 작동 원리

Integrated Vectorization은 인덱싱 파이프라인 내에서 자동으로 텍스트를 벡터로 변환하는 기능입니다 (2023년 11월 GA).

전통적 방식 vs Integrated Vectorization

측면	전통적 방식	Integrated Vectorization
임베딩 생성	외부에서 사전 생성	인덱싱 시 자동 생성
코드 복잡도	높음 (별도 파이프라인)	낮음 (선언적 설정)
동기화	수동 관리 필요	자동 동기화
비용	임베딩 API + 스토리지	Azure Search 통합 과금

2.3.2 Vectorizer 구성

지원 Vectorizer 종류

Azure OpenAI Embeddings: text-embedding-ada-002, text-embedding-3-small, text-embedding-3-large
- Dimensions: 1536 (ada-002), 512/1536/3072 (embedding-3)
Azure AI Vision Multimodal Embeddings: 텍스트 + 이미지 동시 임베딩 (Dimensions: 1024)
Custom Web API: 커스텀 임베딩 모델 통합

Vectorizer 정의 예시

{
  "name": "my-vectorizer",
  "kind": "azureOpenAI",
  "azureOpenAIParameters": {
    "resourceUri": "https://<resource>.openai.azure.com",
    "deploymentId": "text-embedding-ada-002",
    "apiKey": "<api-key>",
    "authIdentity": null
  }
}

2.3.3 Vectorization Skill

처리 특성
- 텍스트 청킹 자동 처리 (OpenAI 토큰 제한: 8191 tokens)
- 배치 처리: 최대 16 documents per request
- Rate limiting: Azure OpenAI 할당량에 의존

2.3.4 성능 및 비용 분석

임베딩 생성 비용 (Azure OpenAI 기준)
- text-embedding-ada-002: $0.0001 per 1K tokens
- text-embedding-3-small: $0.00002 per 1K tokens
- text-embedding-3-large: $0.00013 per 1K tokens

처리량 제약
- Token per minute (TPM) 제한: 모델 및 할당량에 따라 120K-350K TPM
- 1M 문서 (평균 500 tokens/doc) 인덱싱:
- 처리 시간: 120K TPM 기준 약 35-40분
- 비용: ada-002 기준 약 $50

병목 지점 분석
- Rate Limiting: Azure OpenAI TPM 제한이 주요 병목
- Network Latency: 평균 50-100ms 추가 지연
- Indexer Throttling: 동시 실행 제한 (S1: 3 indexers, S2: 6 indexers)

2.4 Knowledge Store 통합

2.4.1 개념 및 사용 사례

Knowledge Store는 AI enrichment 결과를 Azure Storage에 영구 저장하는 기능입니다.

저장 형식
- Object Projections: JSON Blobs (원본 문서 + enrichments)
- File Projections: 이미지, 정규화된 이미지
- Table Projections: Azure Table Storage (구조화된 데이터)

사용 사례
- 데이터 분석 (Power BI, Synapse Analytics 연동)
- ML 학습 데이터셋 구축
- 감사 및 규정 준수 (enrichment 추적)
- 다운스트림 애플리케이션 통합

비용 구조
- Azure Storage: Blob $0.018/GB/month, Table $0.045/GB/month
- 트랜잭션 비용: $0.004 per 10,000 operations
- 1M 문서 (평균 10KB/doc) Knowledge Store: 약 $180-$450/month

2.5 Skillset 고급 패턴 및 최적화

2.5.1 Incremental Enrichment (증분 처리)

캐싱 메커니즘 (2020년 GA)

{
  "cache": {
    "storageConnectionString": "DefaultEndpointsProtocol=https;...",
    "enableReprocessing": true
  }
}

작동 원리
- 각 스킬 출력을 Blob Storage에 캐싱
- 문서 변경 시 영향받는 스킬만 재실행
- 해시 기반 변경 감지 (content hash)

비용 절감 효과 (Microsoft 사례 연구)
- 초기 인덱싱: 100% 비용
- 10% 문서 변경 시 재인덱싱: 캐싱 미사용 100% vs 캐싱 사용 15-20%
- 스킬 정의 변경 시: 영향받는 스킬 다운스트림만 재실행

제약사항
- 캐시 스토리지 비용 추가 ($0.018/GB/month)
- Custom Web API Skill은 캐싱 미지원 (상태 없는 함수 가정)

2.5.2 병렬 처리 및 성능 튜닝

최적화 가이드라인

파라미터	기본값	권장 범위	영향
`batchSize`	50-100	10-1000	메모리 vs 처리량 트레이드오프
`degreeOfParallelism` (Custom Skill)	1	2-5	API 처리량 vs 부하
OCR `imageAction`	none	generateNormalizedImages	이미지 품질 vs 처리 시간

실제 벤치마크 (Standard S2, 100K 문서)
- 기본 설정: 6-8시간
- 최적화 후 (batchSize=500, parallel skills): 2-3시간
- 증분 처리 + 캐싱: 20-30분 (10% 변경 시)

2.6 실무 패턴 및 Best Practices

2.6.1 멀티모달 검색 파이프라인

처리 플로우
1. OCR로 이미지에서 텍스트 추출
2. 원본 텍스트 + OCR 텍스트 병합
3. 2000자 단위로 청킹 (토큰 제한 고려)
4. 각 청크를 벡터로 변환
5. 인덱스에 페이지 단위로 저장

2.6.2 오류 처리 전략

일반적 오류 및 해결책

오류 유형	원인	해결 방법
`ImageExtractionError`	손상된 이미지 파일	`failOnUnsupportedContentType: false`
`OcrTimeoutError`	대용량 이미지 (>50MB)	이미지 크기 사전 조정
`TokenLimitExceeded`	텍스트 청킹 부족	`SplitSkill` 추가
`RateLimitExceeded`	Azure OpenAI TPM 초과	Retry policy 설정, 배치 크기 감소

2.6.3 비용 최적화 체크리스트

스킬 선택성
- 필요한 스킬만 활성화 (모든 문서에 OCR 불필요)
- 언어별 조건부 실행

임베딩 모델 선택
- text-embedding-3-small vs ada-002: 5배 저렴, 성능 유사
- 차원 축소: 512-dim vs 1536-dim (스토리지 비용 3배 차이)

증분 처리 활용
- 캐싱 활성화 (재처리 비용 80% 절감)
- High Water Mark 기반 변경 감지

배치 크기 최적화
- 네트워크 오버헤드 vs 메모리 사용량 균형
- 권장: 100-500 documents/batch

예시 비용 분석 (1M 문서, 평균 5페이지/문서)
- OCR (이미지 중심): $5,000-$7,500
- Entity Recognition: $500-$1,000
- Embeddings (ada-002): $250-$500
- Knowledge Store: $200-$400/month
- 총 비용: 초기 $6,000-$9,000, 월 $200-$400

2.7 증거의 강도 및 한계

2.7.1 증거 출처

Microsoft Learn 공식 문서: Skillset API 명세, 아키텍처 가이드
Azure Pricing Calculator: 비용 추정 데이터
Microsoft Tech Community: 실제 고객 사례 및 벤치마크
OCR 정확도: Computer Vision API 공식 벤치마크 (2023)

2.7.2 한계점

성능 수치 변동성: 문서 복잡도, 이미지 품질에 따라 ±50% 변동
정확도 평가: 공개된 F1-Score는 특정 데이터셋 기준 (실제 도메인에서 다를 수 있음)
비용 예측: 실제 토큰 사용량은 텍스트 특성에 따라 변동
최신 기능: Integrated Vectorization은 2023년 GA (장기 안정성 미검증)

2.7.3 대안 기술

Haystack / LangChain
- 더 유연한 커스터마이징
- 멀티 벤더 지원 (OpenAI, Cohere, HuggingFace)
- 인프라 관리 필요

Elasticsearch with ML
- 온프레미스 배포 가능
- ELSER (Elastic Learned Sparse EncodeR) 지원
- Azure OpenAI 통합 제한적

Azure 통합 장점
- 완전 관리형 (인프라 관리 불필요)
- Azure OpenAI, Cognitive Services 네이티브 통합
- 엔터프라이즈 보안 (Managed Identity, VNet)

2.8 불확실성 영역

Custom Skill 성능 한계: 대규모 환경에서 Azure Functions 동시성 제한 영향 불명확
Knowledge Store 쿼리 성능: Table Storage 기반 분석 쿼리 성능 (>10M rows) 공식 벤치마크 부족
Multimodal Embeddings 정확도: Azure AI Vision 임베딩의 실제 검색 성능 비교 데이터 제한적
Incremental Enrichment 한계: 복잡한 스킬 의존성 그래프에서의 캐시 효율성 불명확

2.9 권장 아키텍처 패턴

2.9.1 RAG (Retrieval-Augmented Generation) 파이프라인

Document Upload
    ↓
Indexer (with Skillset)
    ├─ OCR (이미지 → 텍스트)
    ├─ Chunking (2000 chars)
    ├─ Embeddings (Azure OpenAI)
    └─ Metadata Extraction (Entity, KeyPhrase)
    ↓
Azure Search Index
    ├─ Text Fields (BM25)
    ├─ Vector Fields (HNSW)
    └─ Metadata (필터링용)
    ↓
Query Processing
    ├─ Hybrid Search (Text + Vector)
    └─ Semantic Reranking
    ↓
LLM (Azure OpenAI GPT-4)
    ├─ Context Injection
    └─ Response Generation

핵심 설계 결정
- Chunking 전략: Fixed-size (2000 chars) vs Semantic (문장/문단 단위)
- Embedding 모델: ada-002 (범용) vs text-embedding-3-large (높은 정확도)
- Reranking: Semantic Ranker (Azure 네이티브) vs Cross-encoder (커스텀)

2.10 실무 의사결정 가이드

2.10.1 AI Enrichment 도입 판단 기준

문서 유형?
├─ 구조화된 텍스트만 (JSON, CSV)
│  └─ AI Enrichment 불필요 → 기본 인덱싱
│
└─ 비구조화 문서 (PDF, 이미지)
   └─ 필요 기능?
      ├─ 텍스트 추출만 → Document Cracking
      ├─ 메타데이터 추출 (엔티티, 키워드) → Built-in Skills
      ├─ 벡터 검색 → Integrated Vectorization
      └─ 도메인 특화 처리 → Custom Skills

비용 임계점
- 문서 수 < 10K: AI Enrichment 비용 무시 가능 (< $100)
- 문서 수 10K-1M: 선택적 스킬 사용 권장
- 문서 수 > 1M: 증분 처리 + 캐싱 필수

2.11 참고 링크

2.11.1 Indexs

https://learn.microsoft.com/en-us/azure/search/search-what-is-an-index
https://learn.microsoft.com/en-us/azure/search/vector-store
https://learn.microsoft.com/en-us/azure/search/search-how-to-create-search-index?tabs=portal
https://learn.microsoft.com/en-us/azure/search/vector-search-how-to-create-index?tabs=push%2Cportal-check-index

2.11.2 Azure Search Indexer 및 데이터 수집 Workflows

https://learn.microsoft.com/en-us/azure/search/search-import-data-portal
https://learn.microsoft.com/en-us/azure/search/search-indexer-overview
https://learn.microsoft.com/en-us/azure/search/search-how-to-index-logic-apps

2.11.3 Skillsets (AI Enrichment)

https://learn.microsoft.com/en-us/azure/search/cognitive-search-concept-intro
https://learn.microsoft.com/en-us/azure/search/vector-search-integrated-vectorization
https://learn.microsoft.com/en-us/azure/search/cognitive-search-working-with-skillsets