変更要約: 各節に図（figure）を追加＝cert-figure-retrofit。AI-200 第1章を新規作成（ベクトルデータ＝埋め込み/距離尺度/ANN インデックス/意味検索 vs キーワード、Azure のベクトル対応データサービス＝Azure AI Search/Cosmos DB for NoSQL/PostgreSQL+pgvector/Azure Managed Redis と選択基準）
1.1ベクトルデータと類似検索
AI アプリ（特に RAG）のデータ層を支える「ベクトル」の考え方——埋め込みによるベクトル化、類似度（距離）による意味検索、近似最近傍（ANN）インデックス——を開発者の視点で理解します。
AI-200 は AZ-204 の後継で、バックエンド中心に AI クラウドソリューションを開発する開発者の資格です。AZ-204 が App Service・Functions・ストレージ等の汎用 Azure 開発を中心としたのに対し、AI-200 は AI を支えるデータ層・コンピュート・連携に重心があります。その出発点が「ベクトルデータ」です。生成 AI アプリの根拠付け（RAG）では、テキストを 埋め込み（embedding）でベクトル（数値の並び）に変換し、「意味が近いほど距離が近い」性質を使って検索します。
1.1.1類似度による意味検索
クエリ（質問）も文書も同じ方法でベクトル化すると、両者は同じ ベクトル空間 に置かれます。検索は「クエリベクトルに最も近い文書ベクトルを探す」処理で、近さは コサイン類似度 や ユークリッド距離 などの 距離尺度 で測ります。これがキーワード一致ではなく意味的な近さで探せる理由です。文書数が多いと総当たりは重いため、実用では 近似最近傍（ANN） インデックス（HNSW など）で高速に近い候補を絞ります。
| 用語 | 意味 |
|---|---|
| 埋め込み（embedding） | テキスト等を意味のベクトルに変換 |
| ベクトル空間 | クエリと文書を同じ空間に配置 |
| 距離尺度 | コサイン類似度・ユークリッド距離など |
| ANN インデックス | 近似最近傍で高速に近い候補を取得（HNSW 等） |
頻出：
①「意味的に近い文書を探す」基盤＝埋め込み（ベクトル）＋距離尺度（コサイン類似度等）。
②大量文書で高速に検索＝ANN インデックス（HNSW 等）。
③ベクトル検索はキーワード一致ではなく意味の近さ。
④RAG のデータ層＝ベクトルの保存と類似検索。
混同・注意：
①埋め込み（意味のベクトル化）と生成（文章作成）は別の役割。
②ベクトル検索（意味）とキーワード検索（一致）は別——実用ではハイブリッドが有効。
③ANN は近似であり、速度と再現率のトレードオフがある（厳密最近傍ではない）。
④ベクトルの次元数はモデルに依存し、保存先の設定と一致させる必要がある。
1.1.2この節のまとめ
- AI-200 は AZ-204 後継でAI を支えるデータ層・コンピュート・連携に重心
- 埋め込みでベクトル化し、距離尺度（コサイン類似度等）で意味検索
- 大量文書は ANN インデックス（HNSW 等）で高速化（近似＝速度/再現率トレードオフ）
- ベクトル検索（意味）とキーワード検索（一致）は別。実用はハイブリッド
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. テキストを意味を捉えたベクトルに変換し、類似度で検索できるようにする技術はどれですか？
Q2. ベクトル検索で2つのベクトルの「意味の近さ」を測るのに一般的に使うのはどれですか？
Q3. 大量の文書ベクトルから高速に近いものを取得するために使うインデックスはどれですか？
Q4. ベクトル検索とキーワード検索の関係として最も適切なものはどれですか？
Q5. 近似最近傍（ANN）に関する正しい説明はどれですか？