# Azure OpenAI Embeddings Azure OpenAI Embeddings 노드는 Azure를 통해 배포된 OpenAI 모델을 이용하여 텍스트 데이터를 벡터 임베딩으로 변환합니다. 이 임베딩 벡터는 검색, 분류, 추천 등 다양한 AI 파이프라인에서 활용될 수 있으며, OpenAI의 강력한 언어 표현력과 Azure의 인프라 안정성을 함께 제공합니다. *** ### 주요 기능 * Azure에 배포된 OpenAI 임베딩 모델을 통해 텍스트를 벡터로 변환 * Batch 단위로 여러 입력을 한 번에 처리하여 효율적인 임베딩 수행 * API 요청 시간 제한, 경로 설정 등 Azure 환경에 최적화된 파라미터 제공 * 결과 벡터는 다양한 Vector Store 또는 분석 파이프라인에 활용 가능

WindyFlo Azure OpenAI Embeddings Parameters

### 입력값 (Inputs) | 항목 | 설명 | 필수 여부 | | ------------------ | ----------------------------------------------- | ----- | | Connect Credential | Azure OpenAI API 호출에 필요한 인증 정보 (Credential에 등록) | 필수 | *** ### 파라미터 (Parameters) | 항목 | 설명 | | ----------- | ----------------------------------------------- | | Batch Size | 한 번에 처리할 텍스트 수 (기본값: 100) | | Timeout | API 호출 제한 시간 (ms 단위, 설정 시 요청 시간 초과 방지) | | BasePath | Azure OpenAI 서비스의 커스텀 엔드포인트 경로 (필요 시 입력) | | BaseOptions | 추가로 전달할 key-value 형식의 옵션 (예: headers, params 등) | *** ### 출력값 (Outputs) | 출력 항목 | 설명 | | --------------------- | ----------------------- | | AzureOpenAIEmbeddings | 입력 텍스트에 대한 벡터 임베딩 결과 배열 | *** ### 활용 예시 * Azure 환경에서 운영 중인 문서 기반 RAG 파이프라인에 벡터 생성용으로 활용 * 기업 내부 보안 요건에 따라 Azure에서 직접 관리하는 모델을 통한 임베딩 수행 * 입력 데이터를 벡터화하여 Pinecone, Weaviate 등 외부 Vector Store와 연계 * 검색 유사도, 카테고리 분류 등 벡터 기반 ML 모델의 입력값 생성에 사용 *** ### 사용 팁 * `Batch Size`를 높이면 처리량은 증가하지만, 응답 크기 초과로 실패할 수 있으므로 테스트 후 최적값 설정이 필요합니다. * Azure에서 **BasePath**는 모델 배포 경로와 정확히 일치해야 하며, 설정 누락 시 오류가 발생합니다. * `BaseOptions`를 통해 요청에 커스텀 헤더 또는 파라미터를 추가하면 인증 또는 로깅을 유연하게 처리할 수 있습니다. * `Timeout`을 설정해 장시간 지연에 대비하거나 Azure API가 일시적으로 응답이 느릴 경우를 안정적으로 제어할 수 있습니다. *** ### 주의사항 * Azure OpenAI 서비스는 **사용자 계정에 등록된 모델 배포 이름 및 리전**과 정확히 일치해야 정상 호출됩니다. * 임베딩 모델이 아닌 일반 Chat 모델로 구성된 Azure 리소스를 연결할 경우 오류가 발생합니다. * `Connect Credential` 등록 시 Key 이름, 엔드포인트, 리전 정보가 정확히 입력되어야 합니다. * 사용량이 많을 경우 Azure API 호출 요금이 과금될 수 있으므로 트래픽 제어 및 사용량 모니터링이 필요합니다.