ktg-plugin-marketplace/plugins/ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/semantic-ranker-reranking.md

Semantic Ranker and Reranking Models

Last updated: 2026-04 | Verified: MCP 2026-04 Status: GA (core), Preview (query rewrite, prerelease models) Category: RAG Architecture & Semantic Search

---

Introduksjon

Semantic Ranker er en premium-funksjon i Azure AI Search som bruker Microsofts språkforståelsesmodeller (opprinnelig fra Bing) til å forbedre søkerelevans gjennom L2 (Level 2) reranking. Den opererer oppå de initielle BM25- eller RRF-rangerte resultatene, og rerangerer de topp 50 basert på dyp semantisk forståelse av innholdet.

Semantic Ranker er ikke et generativt AI-system — den ekstraherer eksisterende tekst fra dokumenter. Den produserer semantiske captions (relevante passasjer), semantiske answers (direkte svar på spørsmål), og en @search.rerankerScore fra 0.0 til 4.0 som indikerer semantisk relevans. Dette gjør den ideell for kunnskapsbaser, dokumentportaler og RAG-scenarioer der høy relevans er kritisk.

Funksjonen er GA for kjernefunksjonalitet, med preview-features som query rewrite (utvider spørsmål til opptil 10 varianter) og mulighet for å opt-in til prerelease-modeller.

Kjernekomponenter

Trestegs-prosessen

1. Input og summarisering

   • Tar topp 50 resultater fra initial ranking (BM25 eller RRF)
   • Assembler opptil 2000 tokens per dokument fra konfigurerte felt
   • Token-allokering: title (128), keywords (128), content (resten)
   • Fra november 2024: summary strings opptil 2048 tokens (tidligere 256)

2. Scoring

   • Evaluerer semantisk relevans med språkmodeller
   • Tildeler @search.rerankerScore (0.0–4.0 skala)

3. Output-generering

   • Returnerer re-scorede resultater i synkende rekkefølge
   • Ekstraherer verbatim captions og answers
   • Gir både plain text og highlighted versjoner

Reranker Score-skala

Score	Betydning
4.0	Svært relevant, komplett svar
3.0	Relevant men mangler noen detaljer
2.0	Noe relevant, delvis svar
1.0	Relatert men minimalt svar
0.0	Irrelevant

Tommelregel: Bruk score 3.0+ som høy-konfidensresultater i RAG-systemer.

Semantic Configuration

{
  "semantic": {
    "defaultConfiguration": "my-semantic-config",
    "configurations": [
      {
        "name": "my-semantic-config",
        "prioritizedFields": {
          "titleField": { "fieldName": "Title" },
          "prioritizedContentFields": [
            { "fieldName": "Description" },
            { "fieldName": "Content" }
          ],
          "prioritizedKeywordsFields": [
            { "fieldName": "Tags" },
            { "fieldName": "Category" }
          ]
        }
      }
    ]
  }
}

Feltkrav:

• Må være searchable og retrievable
• Må være strings (Edm.String eller Collection(Edm.String))
• Title: maks 25 ord anbefalt
• Content: lengre, deskriptiv tekst (prioritert rekkefølge)
• Keywords: tagger, kategorier (prioritert rekkefølge)

Reranking-tilnærminger

1. Azure AI Search Semantic Ranker (innebygd)

Egenskap	Detalj
Type	Proprietary Microsoft-modell (fra Bing)
Integrasjon	Innebygd i Azure AI Search
Kapasitet	~10 samtidige queries per replika
Aktivering	queryType=semantic i spørring
Multilingual	Ja

results = search_client.search(
    query_type='semantic',
    semantic_configuration_name='my-semantic-config',
    search_text="historic hotel walk to restaurants",
    select='HotelName,Description',
    query_caption='extractive',
    query_answer='extractive'
)

for result in results:
    print(f"Reranker Score: {result['@search.reranker_score']}")
    captions = result["@search.captions"]
    if captions:
        print(f"Caption: {captions[0].highlights}")

2. Cross-Encoder Reranking (custom)

For scenarier der du trenger full kontroll over reranking-logikk:

from sentence_transformers import CrossEncoder

model = CrossEncoder('cross-encoder/ms-marco-MiniLM-L-6-v2')
pairs = [(query, doc["content"]) for doc in initial_results]
scores = model.predict(pairs)

# Re-sort basert på cross-encoder scores
reranked = sorted(
    zip(initial_results, scores),
    key=lambda x: x[1],
    reverse=True
)

Fordeler: Full kontroll, open-source modeller, kan fintunes for domene Ulemper: Ekstra infrastruktur, høyere latency, vedlikeholdskostnad

3. LLM-basert reranking

Bruk en LLM for å vurdere og rangere søkeresultater:

Fordeler: Fleksibel, kontekstuell forståelse Ulemper: Høy token-kostnad, uforutsigbar latency

4. List-wise Ranking (RRF)

Automatisk i hybrid queries — Reciprocal Rank Fusion kombinerer rankings fra multiple queries uten eksplisitt reranking-steg.

Arkitekturmønstre

Mønster 1: Semantic Ranking for RAG

Flyt: Query → Hybrid search → RRF (L1) → Semantic Ranker (L2, topp 50) → Topp-k kontekst → LLM

Fordeler:

• Best mulig relevans for RAG-kontekst
• Semantiske captions gir bedre kontekst enn hele dokumenter
• Reduserer hallusinering gjennom høy-kvalitets grounding

Ulemper:

• Ekstra latency (~50–200ms)
• Krever S1-tier
• Kun topp 50 rerankes

Mønster 2: Multi-layer Ranking

Flyt: Query → BM25+Vector → RRF (L1) → Semantic Ranker (L2) → Custom reranker (L3)

Brukes når standard semantic ranking ikke er tilstrekkelig for domenet, f.eks. medisinsk, juridisk, eller teknisk dokumentasjon.

Mønster 3: Agentic Retrieval med L3

Flyt: Query → LLM query planning → Subqueries → Parallel retrieval → Semantic ranking → LLM-assistert L3 ranking

Preview-funksjon (2025) som integrerer iterativ søk med semantic ranking.

Beslutningsveiledning

Når bruke semantic ranking

Scenario	Semantic Ranker?	Begrunnelse
Enterprise kunnskapsbase	Ja	Høy relevans for varierte spørsmål
RAG-grounding	Ja	Bedre kontekst = mindre hallusinering
E-commerce produktsøk	Vurder	Kan hjelpe for beskrivende søk, men ikke for SKU-oppslag
Logg-analyse	Nei	Strukturert data, ikke deskriptiv tekst
Høy-volum API (>10K qps)	Vurder	Kapasitetsbegrensning per replika
Utvikling/testing	Ja (gratis tier)	1000 requests/mnd gratis

Vanlige feil

1. Glemme å sette k=50 for vector queries — Semantic ranker jobber med topp 50 fra L1
2. Feil felt i semantic configuration — Korte, kodelignende felt gir dårlige resultater
3. Forvente generative svar — Semantic ranker ekstraherer verbatim, den genererer ikke
4. Ignorere @search.rerankerScore — Bruk den for filtrering og konfidensgrenseverdier

Røde flagg

• CapacityOverloaded feil → For mange samtidige queries per replika
• Lave reranker scores (<1.0) på relevante dokumenter → Sjekk semantic configuration feltvalg
• Uventede answers → Sjekk at content-felt er tilstrekkelig deskriptive

Integrasjon med Microsoft-stakken

Tjeneste	Integrasjon
Azure OpenAI	RAG med semantic-ranked kontekst for bedre svar
Azure AI Foundry	Evaluering av semantic ranking-kvalitet via built-in evaluators
Copilot Studio	Automatisk bruk av semantic ranking i grounding
Azure Cosmos DB	Semantic Reranker (separat produkt, lignende konsept)
Databricks	Vector Search med reranking-integrasjon

Offentlig sektor (Norge)

Relevans

• Semantic ranker er multilingual — fungerer med norsk tekst uten ekstra konfigurasjon
• Ideell for offentlige kunnskapsbaser der brukere stiller spørsmål i naturlig språk
• Captions og answers kan brukes direkte i brukergrensesnitt for raskere saksbehandling

Tilgjengelighet

• Tilgjengelig i Norway East og Norway West regioner
• All prosessering skjer i valgt region (datasuverenitet)
• Ingen data sendes ut av regionen for reranking

Compliance

• GDPR-kompatibel
• Schrems II-kompatibel (EU Data Boundary)
• Ingen tredjepartsleverandører involvert i reranking-prosessen

Kostnad og lisensiering

Prismodell

Plan	Detaljer
Gratis	1000 semantic ranker-requests/måned, alle tier (inkl. Free)
Standard	Pay-as-you-go etter gratis kvote, per 1000 requests

Faktureringsregler

• Belastes: queryType=semantic OG søkestreng er ikke tom
• Belastes IKKE: search=* (tom query), selv med queryType=semantic
• Overgang fra gratis til betalt skjer sømløst (ingen varsling)

Kostnadsoptimering

• Bruk gratis tier for utvikling og testing
• Vurder om alle queries trenger semantic ranking, eller kun de med lav BM25-relevans
• Batch queries med lignende emner for bedre cache-utnyttelse

For arkitekten (Cosmo)

Spørsmål å stille kunden

1. Hvilken type innhold skal søkes — deskriptivt, strukturert, eller blandet?
2. Stiller brukerne naturlige spørsmål eller bruker de nøkkelord?
3. Hva er akseptabel latency for søkeresultater?
4. Hvor mange samtidige søk forventes?
5. Er multilingual support nødvendig?
6. Finnes det et budsjett for semantic ranking utover gratis tier?
7. Har dere allerede S1-tier, eller krever dette en oppgradering?

Fallgruver

• Semantic ranker er IKKE en erstatning for god indeksdesign — dårlige felt gir dårlige resultater
• Summary string-lengden (2048 tokens) betyr at svært lange dokumenter kan miste kontekst
• Semantiske answers returneres kun når modellen er 70% konfident — ikke forvent svar på alle queries

Anbefalinger per modenhetsnivå

Nivå	Anbefaling
Starter	Aktiver semantic ranker med default config, bruk gratis tier
Intermediær	Optimer semantic configuration-felt, implementer score-basert filtrering
Avansert	Kombinér med custom cross-encoder, A/B-test reranking-strategier, opt-in til prerelease-modeller

Kilder og verifisering

Verified (MCP-research)

• Semantic ranking in Azure AI Search
• Configure semantic ranker
• Add semantic ranking to queries
• Enable or disable semantic ranker
• Relevance in Azure AI Search
• Hybrid search overview

Baseline (modellkunnskap)

• Cross-encoder-eksempler basert på Sentence Transformers-dokumentasjon
• Offentlig sektor-anbefalinger basert på norsk kontekst

Semantic Ranker i Hybrid Search (oppdatert 2026-04)

Semantic ranker (L2 reranking) fungerer optimalt i hybrid search-kontekst:

• Aksepterer opp til 50 resultater fra RRF-merger som input
• Bruker maskinlesningsforståelse (MRC) for å re-ranke basert på semantisk relevans
• @search.rerankerScore erstatter @search.score som primær rankingmetrikk
• Valgfritt: captions (ekstraktiv) og answers (ekstraktiv) fra verbatim tekst

Konfigurasjon:

{
  "queryType": "semantic",
  "semanticConfiguration": "min-konfig",
  "captions": "extractive",
  "answers": "extractive"
}

Viktig: Sett k=50 i vectorQueries — semantic ranker trenger tilstrekkelig input. Pre-filtre som er for strenge kan redusere antall input-dokumenter og svekke reranking-kvaliteten.