Menentukan peringkat hasil penelusuran

Pelajari cara memberi peringkat dan memberi peringkat ulang hasil penelusuran untuk aplikasi menggunakan model peringkat Gemini Enterprise Agent Platform seperti semantic-ranker-default-003. Anda dapat menggunakan fungsi ai.rank() untuk memberi skor pada dokumen berdasarkan relevansinya dengan kueri, dan meningkatkan hasil penelusuran vektor dengan memberi peringkat ulang untuk pengurutan kueri yang lebih baik.

Agent Platform ranking API mengambil daftar dokumen dan memberi peringkat pada dokumen tersebut berdasarkan relevansi dokumen dengan kueri tertentu (string penelusuran). Saat Anda menggunakan fungsi ai.rank(), fungsi ini akan menampilkan skor untuk seberapa baik dokumen menjawab kueri tertentu.

Untuk menggunakan petunjuk di halaman ini, Anda harus memahami AlloyDB untuk PostgreSQL dan memahami konsep AI generatif.

AlloyDB mencadangkan, dan membuat, skema ai.

Catatan: Dukungan model Agent Platform diatur oleh panduan siklus proses dan versi model Agent Platform. Untuk mengetahui informasi selengkapnya tentang versi stabil, lihat Siklus proses dan versi model.

Sebelum memulai

Sebelum memberi peringkat pada hasil penelusuran, lakukan hal berikut:

Catatan: AlloyDB tidak mengenakan biaya untuk panggilan fungsi AI. Namun, saat Anda memanggil model dan layanan Gemini Enterprise Agent Platform, pihak ketiga, atau yang dihosting sendiri (seperti untuk penelusuran hybrid) dari database Anda, penyedia model atau infrastruktur akan menagih Anda secara langsung. Untuk mengetahui informasi selengkapnya tentang biaya Gemini Enterprise Agent Platform, lihat Harga.

• Pastikan ekstensi google_ml_integration telah diinstal.
• Pastikan flag google_ml_integration.enable_model_support ditetapkan ke on.
• Integrasikan dengan Agent Platform.
• Aktifkan Discovery Engine API.
• Dapatkan peran yang diperlukan untuk menggunakan model peringkat.

Mengaktifkan Discovery Engine API

Konsol

1. Mengaktifkan API
2. Pada langkah Confirm project, klik Next untuk mengonfirmasi nama project yang akan Anda ubah.
3. Pada langkah Enable APIs, klik Enable untuk mengaktifkan Discovery Engine API. Jika Anda sudah mengaktifkan API ini, API tersebut tidak akan tercantum di sini.

gcloud

Untuk menggunakan model peringkat, Anda harus mengaktifkan Discovery Engine API.
Ganti PROJECT_ID dengan project ID Anda dan PROJECT_NUMBER dengan nomor project yang sesuai. Google Cloud

    # Enable Discovery Engine API
    gcloud services enable discoveryengine.googleapis.com --project=PROJECT_ID
    gcloud projects add-iam-policy-binding PROJECT_ID \
    --member="serviceAccount:[e-mail]" \
    --role="roles/discoveryengine.viewer"

Pendaftaran model untuk peringkat tidak diperlukan untuk model Agent Platform. Anda dapat menggunakan nama model Agent Platform sebagai model_id, yang ditampilkan dalam contoh berikut.

    SELECT index, score
    FROM
      ai.rank(
        model_id => 'semantic-ranker-default-003',
        search_string => 'Affordable family-friendly vacation spots in Southeast Asia?',
        documents =>
    ARRAY[
      'Luxury resorts in South Korea',
      'Family vacation packages for Vietnam: Ha Long Bay and Hoi An',
      'Budget-friendly beaches in Thailand perfect for families',
      'A backpacker guide to solo travel in India'])

Kasus penggunaan umum untuk semantic ranker adalah memberi peringkat ulang hasil yang ditampilkan oleh penelusuran vektor untuk pengurutan kueri yang lebih baik. Contoh berikut menunjukkan cara menggunakan model peringkat semantik untuk kasus penggunaan ini. Contoh ini mengambil kumpulan hasil awal untuk kueri personal fitness equipment menggunakan penelusuran vektor. Hasil ini kemudian diberi peringkat ulang untuk menampilkan lima hasil teratas.

    WITH initial_ranking AS (
      SELECT id, description, ROW_NUMBER() OVER () AS ref_number
      FROM product
      ORDER BY
        embedding <=> google_ml.embedding(
          'gemini-embedding-001', 'personal fitness equipment')::vector
      LIMIT 10
    ), reranked_results AS (
      SELECT index, score
      FROM ai.rank(
          model_id => 'semantic-ranker-default-003',
          search_string => 'personal fitness equipment',
          documents => (SELECT ARRAY_AGG(description ORDER BY ref_number) FROM initial_ranking),
          top_n => 5)
    )
    SELECT id, description
    FROM initial_ranking, reranked_results
    WHERE initial_ranking.ref_number = reranked_results.index
    ORDER BY reranked_results.score DESC;
  

Untuk mengetahui daftar model dan kasus penggunaan yang tersedia, lihat Model yang didukung.

Mengintegrasikan dengan Agent Platform dan menginstal ekstensi

1. Mengonfigurasi akses pengguna ke model Agent Platform.
2. Pastikan google_ml_integration versi terbaru telah diinstal.

   1. Untuk memeriksa versi yang diinstal, jalankan perintah berikut command:

      SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
      extversion 
      ------------
      1.5.2
      (1 row)

   2. Jika ekstensi tidak diinstal atau jika versi yang diinstal lebih lama dari 1.5.2, update ekstensi.

      CREATE EXTENSION IF NOT EXISTS google_ml_integration;
      ALTER EXTENSION google_ml_integration UPDATE;

      Jika Anda mengalami masalah saat menjalankan perintah sebelumnya, atau jika ekstensi tidak diupdate ke versi 1.5.2 setelah Anda menjalankan perintah sebelumnya, hubungi Google Cloud dukungan.

3. Untuk menggunakan fungsi mesin kueri AI AlloyDB, tetapkan google_ml_integration.enable_ai_query_engine flag ke on.

   SQL

   1. Aktifkan mesin kueri AI untuk sesi saat ini.
      

      SET google_ml_integration.enable_ai_query_engine = on;

   2. Aktifkan fitur untuk database tertentu di seluruh sesi.
      

      ALTER DATABASE DATABASE_NAME SET google_ml_integration.enable_ai_query_engine = 'on';

   3. Aktifkan mesin kueri AI untuk pengguna tertentu di seluruh sesi dan database.
      

      ALTER ROLE postgres SET google_ml_integration.enable_ai_query_engine = 'on';

   Konsol

   Untuk mengubah nilai flag google_ml_integration.enable_ai_query_engine, ikuti langkah-langkah di Mengonfigurasi flag database instance.

   gcloud

   Untuk menggunakan gcloud CLI, Anda dapat menginstal dan melakukan inisialisasi Google Cloud CLI, atau Anda dapat menggunakan Cloud Shell.

   Anda dapat mengubah nilai flag google_ml_integration.enable_ai_query_engine. Untuk mengetahui informasi selengkapnya, lihat Mengonfigurasi flag database instance.

   gcloud alloydb instances update INSTANCE_ID \
     --database-flags google_ml_integration.enable_ai_query_engine=on \
     --region=REGION_ID \
     --cluster=CLUSTER_ID \
     --project=PROJECT_ID

Peran yang diperlukan

Untuk mendapatkan izin yang diperlukan untuk menggunakan model peringkat dari Discovery Engine, minta administrator untuk memberi Anda peran Identity and Access Management (IAM) Discovery Engine Viewer (roles/discoveryengine.viewer) di your project. Untuk mengetahui informasi selengkapnya tentang pemberian peran, lihat Mengelola akses ke project, folder, dan organisasi.

Anda mungkin juga bisa mendapatkan izin yang diperlukan melalui peran khusus atau peran bawaan lainnya.

Memberi peringkat pada hasil penelusuran

Kueri SQL berikut menunjukkan cara memberi peringkat pada hasil penelusuran :

Catatan: Untuk batas API yang terkait dengan model peringkat Agent Platform, lihat Memberi peringkat (atau memberi peringkat ulang) kumpulan rekaman menurut kueri.

SELECT
  ai.rank(
    model_id => 'MODEL_ID',
    search_string => 'SEARCH_STRING',
    documents => ARRAY['DOCUMENT_1', 'DOCUMENT_2', 'DOCUMENT_3']);

Ganti kode berikut:

Parameter	Deskripsi
MODEL_ID	ID unik untuk endpoint model yang Anda tentukan.
SEARCH_STRING	String penelusuran yang digunakan untuk memberi peringkat pada rekaman.
DOCUMENTS	String unik yang mengidentifikasi rekaman.

Untuk mengetahui daftar model peringkat Agent Platform yang didukung, lihat Model yang didukung.

Contoh

Untuk memberi peringkat pada hasil penelusuran menggunakan model peringkat Vertex AI, jalankan kueri berikut:

SELECT index, score
FROM
  ai.rank(
    model_id => 'semantic-ranker-default-003',
    search_string => 'AlloyDB is a PostgreSQL compatible AI database that is ready for production.',
    documents =>
      ARRAY[
        'Alloys are made from combination of metals',
        'The best enterprise-ready PostgreSQL database.',
        'You can feel the heat in Alloy apartments.']);

Responsnya adalah tabel yang menampilkan setiap dokumen dan skor berdasarkan relevansinya dengan kueri penelusuran. Berikut adalah contoh respons:

 index | score
-------+------------
     2 |  0.33
     1 |  0.28
     3 |  0.16
(3 rows)

Pertimbangkan contoh database AlloyDB dengan daftar deskripsi ulasan yang dikonversi menjadi embedding. Contoh cuplikan kode berikut menunjukkan cara menggunakan model peringkat untuk mengambil nama produk berperingkat teratas berdasarkan kemiripan semantik deskripsi ulasannya dengan kueri.

WITH initial_ranking AS (
    SELECT product_id, name, review, review_id, ROW_NUMBER() OVER () AS ref_number
    FROM user_reviews
    ORDER BY
      review_desc_embedding <=> google_ml.embedding(
        'gemini-embedding-001', 'good desserts')::vector
    LIMIT 10
  ), reranked_results AS (
    SELECT index, score
    FROM
      ai.rank(
        model_id => 'semantic-ranker-512',
        search_string => 'good desserts',
        documents => (SELECT ARRAY_AGG(review ORDER BY ref_number) FROM initial_ranking),
        top_n => 5)
  )
SELECT product_id, name
FROM initial_ranking, reranked_results
WHERE initial_ranking.ref_number = reranked_results.index
ORDER BY reranked_results.score DESC;

Catatan: Anda akan mendapatkan model 'semantic-ranker-default-003' setelah mengaktifkan Discovery Engine API dan memberikan izin yang diperlukan. Untuk mengetahui informasi selengkapnya, lihat Sebelum memulai.

Langkah berikutnya

• Mendaftarkan endpoint model dengan pengelolaan endpoint model.

• Membuat kueri menggunakan operator SQL yang didukung AI.

• Melakukan perkiraan deret waktu

• Mempelajari referensi pengelolaan endpoint model.