Menentukan peringkat hasil penelusuran

Pilih versi dokumentasi:

Pelajari cara memberi peringkat dan memberi peringkat ulang hasil penelusuran untuk aplikasi menggunakan model peringkat Vertex AI 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.

Vertex AI ranking API menggunakan 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 Omni dan memahami konsep AI generatif.

AlloyDB Omni mencadangkan, dan membuat, skema ai.

Sebelum memulai

Sebelum memberi peringkat pada hasil penelusuran, lakukan hal berikut:

  1. Konfigurasi akses pengguna ke model Vertex AI.
  2. Pastikan versi terbaru google_ml_integration 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 dukungan Google Cloud.

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

    1. Gunakan editor teks untuk menetapkan flag berikut dalam file konfigurasi postgresql.conf untuk penginstalan AlloyDB Omni Anda: 
      google_ml_integration.enable_ai_query_engine = on
    2. Setelah menyimpan file postgresql.conf, mulai ulang layanan AlloyDB Omni agar perubahan diterapkan. 
      sudo systemctl restart alloydbomni18

  4. Aktifkan Discovery Engine API.

  5. Dapatkan peran yang diperlukan untuk menggunakan model peringkat.

Mengaktifkan Discovery Engine API

<p>To use ranking models, you must enable the Discovery Engine API.<br>
    Replace <code><var>PROJECT_ID</var></code> with your
    Google Cloud project ID and <code><var>PROJECT_NUMBER</var></code>
    with your corresponding project number.</p>

<pre class="prettyprint lang-terminal">
    # Enable Discovery Engine API
    gcloud services enable discoveryengine.googleapis.com --project=<var>PROJECT_ID</var>
    gcloud projects add-iam-policy-binding <var>PROJECT_ID</var> \
    --member="serviceAccount:service-<var>PROJECT_NUMBER</var>@iam.gserviceaccount.com" \
    --role="roles/discoveryengine.viewer"
</pre>

<p>Model registration for ranking isn't required for Vertex AI models.
    You can use the Vertex AI model name as the
    <code>model_id</code>, which is shown in the following example.
</p>

<pre class="prettyprint lang-sh">
    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'])
</pre>

<p>A common use case for the semantic ranker is to rerank the results returned
    by vector search for better query ordering. The following example shows how to
    use the semantic ranking model for this use case. The example retrieves an
    initial result set for the query <code>personal fitness
    equipment</code> using vector search. These results are then re-ranked to
    return the top five results.
</p>

<pre class="prettyprint lang-sh">
    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;
  </pre>

  <p>For a list of available models and use cases, see <a href="/generative-ai-app-builder/docs/ranking#models">Supported models</a>.</p>

Mengintegrasikan dengan Vertex AI dan menginstal ekstensi

Untuk mengetahui informasi selengkapnya, lihat Mengonfigurasi penginstalan AlloyDB Omni untuk membuat kueri model berbasis cloud.

Peran yang diperlukan

Untuk mendapatkan izin yang diperlukan untuk menggunakan model peringkat dari Discovery Engine, minta administrator untuk memberikan peran Pengamat Discovery Engine (roles/discoveryengine.viewer) Identity and Access Management (IAM) kepada akun layanan AlloyDB Omni 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 :

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 data.
DOCUMENTS Array string teks unik yang ingin Anda beri peringkat.

Untuk mengetahui daftar model peringkat Vertex AI 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 Omni dengan daftar deskripsi ulasan yang dikonversi menjadi embedding. Cuplikan contoh 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;

Langkah berikutnya