ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/multimodal-rag.md

Multimodal RAG — Bilder, tabeller og dokumenter i RAG

Last updated: 2026-06-19 | Verified: MCP 2026-06-19 Status: GA (Document Intelligence, Content Understanding), Preview (multimodal embeddings) Category: RAG Architecture & Semantic Search

---

Introduksjon

Multimodal RAG utvider tradisjonell tekstbasert retrieval til å inkludere bilder, tabeller, diagrammer og andre visuelle elementer i RAG-pipelinen. For enterprise-organisasjoner betyr dette at PDF-rapporter med grafer, tekniske tegninger, og presentasjoner med figurer kan indekseres og hentes med full visuell kontekst.

Azure-stakken tilbyr tre komplementære tilnærminger: Image verbalization (GPT-4o/4v konverterer bilder til tekst), direkte multimodale embeddings (Azure Vision genererer vektorer for bilder og tekst i samme vektorrom), og Azure Content Understanding (GA nov 2025) som konverterer komplekse dokumenter til Markdown med LaTeX-equations, HTML-tables og semantic chunking.

Microsoft ISE-teamet anbefaler en kombinert tilnærming: GPT-4v for bildeberikelse (bedre recall) og GPT-4o for inferens (bedre kvalitet, hastighet og kostnad).

---

Kjernekomponenter

Ekstraksjonsskills

Skill	Tekst	Bilder	Tabeller	Kryss-sideenheter	Formater
Document Extraction	Nei	Ja	Nei	N/A	Kun PDF
Document Layout	Ja	Ja	Nei	Kun innen side	Flere formater
Content Understanding	Ja	Ja	Ja (kryss-side)	Ja	PDF, DOCX, XLSX, PPTX

Anbefaling: Azure Content Understanding for moderne multimodal RAG-pipelines.

Multimodal embedding-tilnærminger

Tilnærming	Metode	Fordel	Ulempe
Image verbalization	GPT-4o/4v → tekst → text embedding	Semantisk forståelse, gode captions	LLM-kall per bilde, økt tid
Direct multimodal embeddings	Azure Vision → bilde/tekst-vektor	Rask, effektiv, visuell likhet	Mangler semantisk kontekst
Kombinert (anbefalt)	Verbalize diagrammer + direct embed fotos	Maksimerer begge styrker	Kompleksere pipeline

Azure Vision multimodal embeddings

• Modell: Azure Vision multimodal via Microsoft Foundry
• Dimensjoner: 1024 per vektor (tekst og bilde)
• Nøkkel: Tekst og bilder projiseres i samme vektorrom

---

Arkitekturmønstre

Mønster 1: Image verbalization + text embeddings

Arkitektur: Blob Storage → Indexer → Image extraction → GenAI Prompt skill (GPT-4o/4v) → Text description → Azure OpenAI Embedding → Index

Pipeline:

Dokument → Document Layout skill (ekstraher bilder)
  → GenAI Prompt skill:
    "Beskriv dette bildet i kontekst av dokumentet: {image}"
  → Text embedding skill (text-embedding-3-large)
  → Index (med image description + embedding)

Fordeler:

• Tolker relasjoner og entiteter i diagrammer
• Ferdiglagde captions for RAG-bruk
• Semantisk forståelse for AI-agenter
• Returner relevante snippets med grunnlagsdata

Brukstilfelle: Rapporter med flytdiagrammer, organisasjonskart, arkitekturdiagrammer.

Mønster 2: Direct multimodal embeddings

Arkitektur: Blob Storage → Indexer → Image extraction → Azure Vision Vectorize skill → Index

Skill-konfigurasjon:

{
  "@odata.type": "#Microsoft.Skills.Vision.VectorizeSkill",
  "name": "image-embedding-skill",
  "context": "/document/normalized_images/*",
  "modelVersion": "2023-04-15",
  "inputs": [{"name": "image", "source": "/document/normalized_images/*"}],
  "outputs": [{"name": "vector", "targetName": "image_vector"}]
}

Fordeler:

• Enkel konfigurasjon — ingen LLM-kall
• Effektiv for visuell likhetssøk
• Ideell for «finn noe som ligner»-scenarier

Brukstilfelle: Fotoarkiver, produktbilder, skjermbilder.

Mønster 3: Combined multimodal pipeline (anbefalt)

Arkitektur: Router basert på bildetype → [Diagram: verbalize] + [Foto: direct embed] → Felles index med multi-vector felt

Index-schema:

{
  "fields": [
    { "name": "content_embedding", "type": "Collection(Edm.Single)",
      "dimensions": 1024, "searchable": true,
      "vectorSearchProfile": "hnsw" },
    { "name": "content_text", "type": "Edm.String", "searchable": true },
    { "name": "content_path", "type": "Edm.String", "retrievable": true },
    { "name": "page_number", "type": "Edm.Int32", "filterable": true },
    { "name": "content_type", "type": "Edm.String", "filterable": true }
  ]
}

Index projections (tekst + bilder i samme indeks):

{
  "indexProjections": {
    "selectors": [
      {
        "targetIndexName": "multimodal-index",
        "parentKeyFieldName": "text_document_id",
        "sourceContext": "/document/pages/*",
        "mappings": [
          {"name": "content_embedding", "source": "/document/pages/*/text_vector"},
          {"name": "content_text", "source": "/document/pages/*"}
        ]
      },
      {
        "targetKeyFieldName": "image_document_id",
        "sourceContext": "/document/normalized_images/*",
        "mappings": [
          {"name": "content_embedding", "source": "/document/normalized_images/*/image_vector"},
          {"name": "content_path", "source": "/document/normalized_images/*/imagePath"}
        ]
      }
    ]
  }
}

---

Azure Content Understanding for RAG

Markdown-output (GA nov 2025)

Content Understanding konverterer dokumenter til GitHub Flavored Markdown:

Innholdstype	Representasjon	Eksempel
Tabeller	HTML markup med rowspan/colspan	<table><tr><th>Header</th></tr></table>
Ligninger	LaTeX	$$a^2 + b^2 = c^2$$
Diagrammer	Chart.js JSON eller Mermaid	Interaktiv grafgjengivelse
Bilder		Med valgfri analyse
Sidemetadata	HTML-kommentarer	<!-- PageNumber="1" -->

Konfigurasjon for RAG-pipelines

outputContentFormat=markdown
enableFigureAnalysis=true
enableAnnotation=true
chartFormat=markdown

RAG-fordeler:

• HTML-basert tabellrekonstruksjon bevarer struktur
• LaTeX-formatering for matematisk presisjon
• Semantic chunking for intelligent dokumentsegmentering

---

Beslutningsveiledning

Beslutningstabell

Dokumenttype	Visuelt innhold	Anbefalt tilnærming
Tekniske rapporter med diagrammer	Flytdiagrammer, arkitektur	Image verbalization (GPT-4v)
Fotoarkiv / produktbilder	Fotografier	Direct multimodal embeddings
PDF med tabeller over flere sider	Tabeller, ligninger	Content Understanding
Blandet innhold (tekst + bilder)	Alt	Combined pipeline (mønster 3)
Kun tekstdokumenter	Ingen	Standard RAG (ikke multimodal)

GPT-4v vs GPT-4o for multimodal RAG

Modell	Best for	Begrunnelse
GPT-4v (vision-preview)	Bildeberikelse, summary-generering	Bedre på å generere bildesummaries → forbedrer recall
GPT-4o	Inferens, spørsmålsbesvaring	Bedre på QA → forbedringer i kvalitet, hastighet, kostnad

Vanlige feil

Feil	Konsekvens	Løsning
Ignorerer bilder i RAG	Mister visuell informasjon	Aktiver imageAction: generateNormalizedImages
Kun direct embeddings for diagrammer	Taper semantisk forståelse	Bruk verbalization for diagrammer
Mangler spatial metadata	Ingen sidehenvisning i citations	Inkluder bounding_polygons og page_number
Bruker Free tier for multimodal	Ikke støttet	Minimum Basic tier for Azure AI Search

---

Integrasjon med Microsoft-stakken

Tjeneste	Integrasjonspunkt
Azure AI Search	Multi-vector indeks, index projections, knowledge store
Azure AI Document Intelligence	Document Layout skill for bildeekstraksjon
Azure Content Understanding	Markdown-output med tabeller, ligninger, semantisk chunking
Azure Vision	Multimodal embeddings (1024-dim) for bilder og tekst
Azure OpenAI	GPT-4o/4v for bildeverbalisering, text-embedding-3 for tekst
Azure Blob Storage	Knowledge store for projiserte bilder

Query-patterns

Query-type	Implementasjon	Brukstilfelle
Fulltekstsøk	{"search": "energy", "select": "content_text, content_path"}	Søk på tvers av tekst og bilder
Filtrer kun bilder	{"filter": "image_document_id ne null"}	Visuelt innhold
Hybrid query	Fulltekst + vektor + semantic ranking	Best relevans
Bildebasert query	Multimodal embedding av query-bilde	Visuell likhetssøk

---

Offentlig sektor (Norge)

Dataplassering

• Azure Content Understanding: Sjekk regional tilgjengelighet (endres hyppig)
• Azure Vision: West Europe — bildeprosessering i EU
• Azure AI Search: Norway East — indeks i Norge

Relevante vurderinger

Krav	Implikasjon
Universell utforming (WCAG)	Bildeverbalisering genererer alt-text — støtter tilgjengelighet
Arkivloven	Spatial metadata (sidetall, posisjon) støtter dokumentreferanser
GDPR	Bilder med persondata (ansikter) krever spesiell behandling
AI Act	Dokumenter multimodal pipeline-arkitektur som del av AI-system

---

Kostnad og lisensiering

Kostnadskomponenter

Komponent	Prismodell	Estimat
Document Intelligence (bildeeekstraksjon)	Per side	~$0.01-0.05/side
Content Understanding	Per dokument/side	Varierer
GPT-4v verbalization	Per token (input: bilde + prompt)	~$0.01-0.03/bilde
Azure Vision embedding	Per API-kall	~$0.001/bilde
Vektorlagring (multimodal)	Per GB	~50% mer enn kun tekst

Optimaliseringstips

1. Bruk direct embeddings for foto, verbalization for diagrammer — balanserer kostnad og kvalitet
2. Sett stored: false på bildevektorer — sparer lagring
3. Batch-prosesser bilder off-peak — lavere compute-kostnad
4. Aktiver enrichment cache — unngår re-prosessering ved re-indeksering

Forutsetninger

• Microsoft Foundry resource (for Vision multimodal embeddings) — regionbegrenset
• Azure AI Search Basic tier eller høyere (ikke Free tier)
• Azure Storage for dokumenter og knowledge store
• Managed identity med riktige rolletildelinger

---

For arkitekten (Cosmo)

Spørsmål å stille kunden

1. "Inneholder dokumentene visuelt innhold (bilder, tabeller, diagrammer)?" — Nei → standard RAG
2. "Hva slags visuelt innhold?" — Diagrammer → verbalization, fotos → direct embeddings
3. "Er tabeller på tvers av sider vanlig?" — Ja → Content Understanding (ikke Document Layout)
4. "Trenger brukerne å søke basert på bilder?" — Ja → multimodal embeddings
5. "Har dokumentene LaTeX/ligninger?" — Ja → Content Understanding med LaTeX-støtte

Fallgruver

• Multimodal for rent tekstinnhold: Økt kostnad uten gevinst
• Kun direct embeddings for alt: Diagrammer trenger semantisk tolkning
• Ignorerer Content Understanding: Ny service (GA nov 2025) som løser mange multimodale utfordringer
• Glemmer spatial metadata: Uten sidetall og posisjon mister du citation-kvalitet

Anbefalinger per modenhetsnivå

Modenhet	Anbefaling
Prototyp	Document Layout skill. Ignorer bilder initialt. Fokuser på tekst-RAG.
Pilot	Legg til image verbalization for nøkkeldokumenttyper. Test retrieval-kvalitet.
Produksjon	Combined pipeline (mønster 3). Content Understanding for tabeller.
Enterprise	Full multimodal pipeline + Azure Vision embeddings + spatial metadata.

---

Kilder og verifisering

Kilde	Konfidens	URL
Multimodal Search Concepts (Azure AI Search)	Verified	learn.microsoft.com
Tutorial: Vectorize images and text	Verified	learn.microsoft.com
Content Understanding: Markdown representation	Verified	learn.microsoft.com
Multimodal RAG with Vision (ISE DevBlog)	Verified	devblogs.microsoft.com
RAG Time Journey 4: Advanced Multimodal Indexing	Verified	techcommunity.microsoft.com
Azure-Samples/multimodal-rag-code-execution	Baseline	github.com

Azure AI Search Multimodal Pipeline (oppdatert 2026-06-19)

Azure AI Search multimodal pipeline (GA) støtter nå en fullstendig 5-stegs prosess:

1. Ekstraksjon — Document Extraction, Document Layout, eller Content Understanding skill
2. Tekst-chunking — Text Split skill for håndterbare biter
3. Bildebeskriving — GenAI Prompt skill verbaliserer bilder via LLM
4. Embedding — Azure OpenAI, Microsoft Foundry, eller Azure Vision embedding
5. Bildestoring — Knowledge store lagrer ekstraherte bilder for annotation i klientapp

Hybrid queries kombinerer full-text search, vector search, og semantic ranking for å svare på spørsmål der svaret befinner seg i et innebygd diagram i en PDF.

Querytidsstøtte: GenAI Prompt skill-baserte pipelines støtter hybrid queries over tekst og verbaliserte bilder. For bilde-til-vektor-queries (søk med bilde som input), bruk Azure Vision multimodal embedding skill med en tilsvarende vectorizer.