ms-ai-architect/skills/ms-ai-engineering/references/rag-architecture/semantic-ranker-reranking.md

# Semantic Ranker and Reranking Models

**Last updated:** 2026-06-19
**Status:** GA (core), Preview (query rewrite, prerelease models)
**Category:** RAG Architecture & Semantic Search
**Type:** reference
**Source:** https://learn.microsoft.com/azure/search/hybrid-search-overview

---

## Innhold

- [Introduksjon](#introduksjon)
- [Kjernekomponenter](#kjernekomponenter)
- [Reranking-tilnærminger](#reranking-tilnærminger)
- [Arkitekturmønstre](#arkitekturmønstre)
- [Beslutningsveiledning](#beslutningsveiledning)
- [Integrasjon med Microsoft-stakken](#integrasjon-med-microsoft-stakken)
- [Offentlig sektor (Norge)](#offentlig-sektor-norge)
- [Kostnad og lisensiering](#kostnad-og-lisensiering)
- [For arkitekten](#for-arkitekten)
- [Kilder og verifisering](#kilder-og-verifisering)

## 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

```json
{
  "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 |

```python
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:

```python
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 |
| **Microsoft 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

### 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](https://learn.microsoft.com/en-us/azure/search/semantic-search-overview)
- [Configure semantic ranker](https://learn.microsoft.com/en-us/azure/search/semantic-how-to-configure)
- [Add semantic ranking to queries](https://learn.microsoft.com/en-us/azure/search/semantic-how-to-query-request)
- [Enable or disable semantic ranker](https://learn.microsoft.com/en-us/azure/search/semantic-how-to-enable-disable)
- [Relevance in Azure AI Search](https://learn.microsoft.com/en-us/azure/search/search-relevance-overview)
- [Hybrid search overview](https://learn.microsoft.com/en-us/azure/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 2026-06-19)

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:**
```json
{
  "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.