Azure SQL Databaseでベクター検索を活用しよう

2026/1/24(土)に開催された .NETラボ 勉強会 2026年1月( https://dotnetlab.connpass.com/event/374748/ ) に参加した時に当日受付LTで発表した資料です。 #dotnetlab

1. SQL Databaseで ベクター検索を活用しよう 2026/1/24 .NETラボ 2026年1月 当日LT NTTテクノクロス 中島進也（なかしょ）
2. 自己紹介 • なかしょ（中島進也） @nakasho_dev • 所属：NTTテクノクロス株式会社 デジタルトランスフォーメーション事業部 • 業務：MaaS関連のスマートフォンアプリ開発担当 • 趣味： ➢妻とモンハンデート ➢IT関連の勉強会（主にモバイル系 or アジャイル系 or Microsoft系） ➢技術コミュニティの運営スタッフ ✓eXtreme Programming Japan User Group（XPJUG） 2019〜 ✓TDD BootCamp Online (TDDBC) 2020～ ※本資料は私個人の意見であり、所属企業・部門見解を代表するものではありません。
3. ２０２５年６月１９日．．． 3
4. 4 Azure SQL DatabaseにVector型がGA 参考URL：https://devblogs.microsoft.com/azure-sql/announcing-general-availability-of-native-vector-type-functions-in-azure-sql/
5. サジェスト検索をしていると．．． 5
6. こういう検索にはN-gramがよく使われる 6 TOUKYOU TOK TOUKYOU OUK TOUKYOU UKY TOUKYOU KYO TOUKYOU YOU インデックス側（TOUKYOU） TOKYO TOK TOKYO OKY TOKYO KYO 検索クエリ（TOKYO） 共通トークン： KYO
7. N-gramのメリット・デメリット 7 • メリット（このケース） ➢ローマ字表記揺れに強制的に耐性がつく ➢設定が比較的簡単 ➢日本語・英数字混在に強い ➢サジェストとの相性が良い • デメリット ➢ノイズが爆増する ✓京都（KYOTO）、共済ビル（KYOSAI） ✓3-gramの場合、３文字あっていればヒットする ➢スコア設計が地獄 ✓関連が高いものと、たまたま部分一致しただけのものをスコアで分離する必要がある ➢インデックスサイズ肥大 ✓N-gramは文字数×Nの分だけトークンが増え、検索速度・メモリに影響
9. 試したデータ 9 • 全国の駅データCSV：9,423件 ➢駅データ.jp（https://www.ekidata.jp/）のデータを加工して使用 ➢Embedding（数値ベクトル）に変換しやすいようにまとめたcombined_txt 列名 入力例 駅コード 1110101 駅名 函館 駅名かな はこだて 駅名ローマ字 hakodate 住所 北海道函館市若松町１２-１３ 緯度 140.726413 経度 41.773709 Combined_text 函館 （はこだて） [hakodate] 北海道函館市若松町１２-１３
10. 開発環境 10 • Kotlin 2.2.21 • Spring Boot 4.0.1 • Spring Data JPA • Azure SQL Database (Vector Support) • Azure OpenAI ➢モデル：text-embedding-3-small(1536次元)
11. 11 データ登録時 CSV ①アップロード ②１件ずつEmbedding作成依頼 ③Embeddingを返却 ④EmbeddingをVector型に 変換してレコードを登録
12. 12 データ検索時 ①キーワード ②キーワードをEmbedding作成依頼 ③Embeddingを返却 ④Embeddingされたキーワードを 元にベクター検索 ⑤検索結果を返却
13. テキストからベクトル埋め込みを生成する 13 /** * * @param text 埋め込みを生成するテキスト（例: "東京 とうきょう tokyo"） * @return 1536次元の浮動小数点数リスト */ fun generateEmbedding(text: String): List<Float> { // テキストをリストでラップ（API は複数テキストの一括処理にも対応） val embeddingsOptions = EmbeddingsOptions(listOf(text)) // Azure OpenAI API を呼び出してベクトル埋め込みを取得 val embeddings = client.getEmbeddings(embeddingDeployment, embeddingsOptions) // レスポンスの最初の埋め込みベクトルを返す // data.first().embedding は List<Double> なので、Float に変換 return embeddings.data.first().embedding.map { it } }
14. VECTOR型の登録方法 14 ベクトル埋め込みを SQL Server に格納可能な文字列形式に変換する 【Azure SQL Database の VECTOR 型への格納方法】 VECTOR 型にデータを挿入するには、JSON 配列形式の文字列を CAST 関数で変換する必要がある 例: ```sql INSERT INTO table (embedding_column) VALUES (CAST('[0.123, -0.456, 0.789, ...]' AS VECTOR(1536))) ```
15. 作成されたEmbedding（数値ベクトル）
16. VECTOR型を利用した検索方法 16 ```sql SELECT s.station_cd, s.station_name, s.station_name_k, s.station_name_r, s.address, s.lon, s.lat, s.combined_text, (1 - VECTOR_DISTANCE('cosine', s.name_embedding, CAST(:embedding AS VECTOR(1536)))) AS score FROM stations_with_vector s WHERE s.name_embedding IS NOT NULL ORDER BY score DESC OFFSET 0 ROWS FETCH NEXT :limit ROWS ONLY ```
17. TOKYOで検索して「東京」がヒット 17 { "stationCd": 1130101, "stationName": "東京", "stationNameK": "とうきょう", "stationNameR": "toukyou", "address": "東京都千代田区丸の内一丁目", "lon": 139.766103, "lat": 35.681391, "combinedText": "東京 （とうきょう） [toukyou] 東京都千代田区丸の 内一丁目", "score": 0.8853111863136292 },
18. 東京でヒットした検索結果 18 東京 （とうきょう） [toukyou] 東京都千代田区丸の内一 東京テレポート （とうきょうてれぽーと） [toukyouterepooto] 江東区青海1-2 東京国際クルーズターミナル （とうきょうこくさいくるーずたーみなる） [toukyoukokusaikuruuzutaaminaru] 江東区青海1-1-49 東京ビッグサイト （とうきょうびっぐさいと） [toukyoubiggusaito] 江東区有明 三-6-15 田京 （たきょう） [takyou] 伊豆の国市田京 渋谷 （しぶや） [shibuya] 東京都渋谷区道玄坂一-4-1 徳島 （とくしま） [tokushima] 徳島市寺島本町西2
19. osakiでヒットした検索結果 19 大崎 （おおさき） [oosaki] 東京都品川区大崎一-21-4 大阪 （おおさか） [oosaka] 大阪市北区梅田3 上岡 （かみおか） [kamioka] 佐伯市上岡区上岡 岡 （おか） [oka] 角田市岡白岩 岡崎 （おかざき） [okazaki] 岡崎市羽根町東荒子 小佐野 （おさの） [osano] 釜石市小佐野町1 早岐 （さき） [saki] 佐世保市早岐1
20. n-gramとベクター検索の比較 20 観点 n-gram ベクター検索（Azure SQL） 表記揺れ耐性 強い 非常に強い 意味理解 なし あり ノイズ 多い 少ない プレフィックス（入力途 中） 強い 弱い 厳密制御 簡単 工夫が必要 サジェスト相性 良 条件付きで良
22. まとめ 22 • Vector検索により表記揺れに強い、ノイズの少ない検索が容易に ➢非テキストである画像や音声もEmbeddingすれば高速検索できる • Azure OpenAIで適切なモデルを選択しよう • 検索時もキーワードをEmbeddingする必要があるため、少ない文字 列ではN-gramを使用するなど、速度向上に努めよう。 • 今回のサンプルコード ➢https://github.com/nakasho-dev/suggestVector
23. ご清聴ありがとうございました。 23 @nakasho_dev