Vector Search è un potente motore di ricerca vettoriale basato su una tecnologia innovativa sviluppata da Google Research. Sfruttando l'algoritmo ScaNN, Vector Search ti consente di creare sistemi di ricerca e suggerimenti di nuova generazione, nonché applicazioni di AI generativa.
Puoi usufruire della stessa ricerca e della stessa tecnologia alla base dei prodotti Google principali, tra cui la Ricerca Google, YouTube e Google Play. Ciò significa che ottieni la scalabilità, la disponibilità e le prestazioni su cui si fa affidamento per gestire set di dati di grandi dimensioni e fornire risultati rapidissimi su scala globale. Con Vector Search, hai una soluzione di livello enterprise per implementare funzionalità di ricerca semantica all'avanguardia nelle tue applicazioni.
|
|
Infinite Fleurs: scopri la creatività assistita dall'AI in piena fioritura |
|
Inizia
Demo interattiva di Vector Search: dai un'occhiata alla demo dal vivo per un esempio realistico di ciò che la tecnologia di ricerca vettoriale può fare e inizia a utilizzare Vector Search.
Guida rapida di Vector Search: prova Vector Search in 30 minuti creando, eseguendo il deployment ed eseguendo query su un indice della Ricerca di Vector Search utilizzando un set di dati di esempio. Questo tutorial illustra la configurazione, la preparazione dei dati, la creazione dell'indice, il deployment, l'esecuzione di query e la pulizia.
Prima di iniziare: prepara gli embedding scegliendo e addestrando un modello e preparando i dati. Poi, scegli un endpoint pubblico o privato in cui eseguire il deployment dell'indice di query.
Prezzi e Calcolatore prezzi di Vector Search: i prezzi di Vector Search includono il costo delle macchine virtuali utilizzate per ospitare gli indici di cui è stato eseguito il deployment, nonché le spese per la creazione e l'aggiornamento degli indici. Anche una configurazione minima (meno di 100 $al mese) può supportare un throughput elevato per casi d'uso di dimensioni moderate. Per stimare i costi mensili:
- Vai al Calcolatore prezzi diGoogle Cloud.
- Fai clic su Aggiungi alla stima.
- Cerca Gemini Enterprise Agent Platform.
- Fai clic sul pulsante Gemini Enterprise Agent Platform.
- Scegli Gemini Enterprise Agent Platform Vector Search dal menu a discesa Tipo di servizio.
- Mantieni le impostazioni predefinite o configura le tue. Il costo mensile stimato viene visualizzato nel riquadro Dettagli sui costi.
Documentazione
Gestisci indici ed endpoint
Argomenti avanzati
Casi d'uso e blog
La tecnologia di ricerca vettoriale sta diventando un hub centrale per le aziende che utilizzano l'AI. In modo simile al funzionamento dei database relazionali nei sistemi IT, collega vari elementi aziendali come documenti, contenuti, prodotti, utenti, eventi e altre entità in base alla loro pertinenza. Oltre alla ricerca di contenuti multimediali convenzionali come documenti e immagini, Vector Search può anche fornire suggerimenti intelligenti, abbinare i problemi aziendali alle soluzioni e persino collegare i segnali IoT agli avvisi di monitoraggio. È uno strumento versatile ed essenziale per navigare nel panorama in crescita dei dati aziendali abilitati dall'AI.
|
Ricerca/recupero di informazioni
Sistemi di |
In che modo la ricerca vettoriale di Gemini Enterprise Agent Platform aiuta a sbloccare app di AI generativa ad alte prestazioni: Vector Search supporta diverse applicazioni, tra cui e-commerce, sistemi RAG e motori per suggerimenti, oltre a chatbot, ricerca multimodale e altro ancora. La ricerca ibrida migliora ulteriormente i risultati per i termini di nicchia. Clienti come Bloomreach, eBay e Mercado Libre utilizzano Gemini Enterprise Agent Platform per le sue prestazioni, la scalabilità e l'efficienza in termini di costi, ottenendo vantaggi come una ricerca più rapida e un aumento delle conversioni. eBay utilizza Vector Search per i suggerimenti: evidenzia come eBay utilizza Vector Search per il suo sistema di suggerimenti. Questa tecnologia consente a eBay di trovare prodotti simili all'interno del suo ampio catalogo, migliorando l'esperienza utente. Mercari sfrutta la tecnologia di ricerca vettoriale di Google per creare un nuovo marketplace: spiega in che modo Mercari utilizza Vector Search per migliorare la sua nuova piattaforma di marketplace. Vector Search supporta i suggerimenti della piattaforma, aiutando gli utenti a trovare prodotti pertinenti in modo più efficace. Gemini Enterprise Agent Platform Embeddings for Text: Grounding LLMs made easy: si concentra sul grounding degli LLM utilizzando Gemini Enterprise Agent Platform Embeddings per i dati di testo. Vector Search svolge un ruolo importante nella ricerca di passaggi di testo pertinenti che garantiscono che le risposte del modello siano basate su informazioni oggettive. What is Multimodal Search: "LLMs with vision" change businesses: illustra la ricerca multimodale, che combina gli LLM con la comprensione visiva. Spiega come Vector Search elabora e confronta i dati di testo e immagine, consentendo esperienze di ricerca più complete. Unlock multimodal search at scale: Combine text & image power with Gemini Enterprise Agent Platform: descrive la creazione di un motore di ricerca multimodale con Gemini Enterprise Agent Platform che combina la ricerca di testo e immagini utilizzando un metodo di ensemble Rank-Biased Reciprocal Rank ponderato. In questo modo, l'esperienza utente migliora e vengono forniti risultati più pertinenti. Scalabilità del deep retrieval con TensorFlow Recommenders e Vector Search: spiega come creare un sistema di suggerimenti per le playlist utilizzando TensorFlow Recommenders e Vector Search, con modelli di deep retrieval, addestramento, deployment e scalabilità. |
|
AI generativa: recupero per RAG e agenti |
Gemini Enterprise Agent Platform and Denodo unlock enterprise data with Gen AI: mostra come l'integrazione di Gemini Enterprise Agent Platform con Denodo consente alle aziende di utilizzare l'AI generativa per ottenere insight dai propri dati. Vector Search è fondamentale per accedere e analizzare in modo efficiente i dati pertinenti all'interno di un ambiente aziendale. Infinite Nature e la natura dei settori: questa demo "selvaggia" mostra le diverse possibilità dell'AI: mostra una demo che illustra il potenziale dell'AI in diversi settori. Utilizza Vector Search per fornire suggerimenti generativi e ricerca semantica multimodale. Infinite Fleurs: scopri la creatività assistita dall'AI in piena fioritura: Infinite Fleurs di Google, un esperimento di AI che utilizza Vector Search e i modelli Gemini, genera bouquet di fiori unici in base ai prompt degli utenti. Questa tecnologia mostra il potenziale dell'AI di ispirare la creatività in vari settori. LlamaIndex per RAG su Google Cloud: descrive come utilizzare LlamaIndex per facilitare la Retrieval-Augmented Generation (RAG) con i modelli linguistici di grandi dimensioni. LlamaIndex utilizza Vector Search per recuperare informazioni pertinenti da una knowledge base, con risposte più accurate e contestualmente appropriate. RAG e grounding su Gemini Enterprise Agent Platform: esamina le tecniche di RAG e grounding su Gemini Enterprise Agent Platform. Vector Search aiuta a identificare le informazioni di grounding pertinenti durante il recupero, il che rende i contenuti generati più accurati e affidabili. Vector Search su LangChain: fornisce una guida all'utilizzo di Vector Search con LangChain per creare ed eseguire il deployment di un indice di database vettoriale per i dati di testo, tra cui domande e risposte ed elaborazione di PDF. |
|
BI, analisi dei dati, monitoraggio e altro ancora |
Abilitazione dell'AI in tempo reale con l'acquisizione di flussi di dati in Agent Platform: esplora l'aggiornamento dei flussi di dati in Vector Search e come fornisce funzionalità di AI in tempo reale. Questa tecnologia consente l'elaborazione e l'analisi in tempo reale dei flussi di dati in entrata. |
Risorse correlate
Puoi utilizzare le seguenti risorse per iniziare a utilizzare Vector Search:
Notebooks e soluzioni
|
|
|
Guida rapida di Agent Platform Vector Search: fornisce una panoramica di Vector Search. È progettato per gli utenti che non hanno familiarità con la piattaforma e vogliono iniziare rapidamente. |
Introduzione ai text embedding e a Vector Search: introduce i text embedding e Vector Search. Spiega come funzionano queste tecnologie e come possono essere utilizzate per migliorare i risultati di ricerca. |
|
|
|
Combinazione di ricerca semantica e per parole chiave: un tutorial sulla ricerca ibrida con Gemini Enterprise Agent Platform Vector Search: fornisce istruzioni su come utilizzare Vector Search per la ricerca ibrida. Vengono illustrati i passaggi necessari per configurare un sistema di ricerca ibrido. |
RAG Engine su Gemini Enterprise Agent Platform con Vector Search: esplora l'utilizzo di RAG Engine con Vector Search. Vengono discussi i vantaggi dell'utilizzo di queste due tecnologie insieme e vengono forniti esempi di come possono essere utilizzate in applicazioni reali. |
|
|
|
Infrastruttura per un'applicazione di AI generativa compatibile con RAG utilizzando Gemini Enterprise Agent Platform e Vector Search: descrive in dettaglio l'architettura per la creazione di un'applicazione di AI generativa e RAG utilizzando Vector Search, Cloud Run e Cloud Storage, coprendo casi d'uso, scelte di progettazione e considerazioni principali. |
Implementa il recupero a due torri per la generazione di candidati su larga scala: fornisce un'architettura di riferimento che mostra come implementare un workflow di generazione di candidati a due torri end-to-end con Gemini Enterprise Agent Platform. Il framework di modellazione a due torri è una potente tecnica di recupero per i casi d'uso di personalizzazione, perché apprende la somiglianza semantica tra due entità diverse, come le query web e gli elementi candidati. |
Formazione
Introduzione a Vector Search e agli embedding Vector Search viene utilizzato per trovare elementi simili o correlati. Può essere utilizzato per suggerimenti, ricerche, chatbot e classificazione del testo. Il processo prevede la creazione di embedding, il loro caricamento su Google Cloude la loro indicizzazione per le query. Questo lab si concentra sui text embedding utilizzando Gemini Enterprise Agent Platform, ma gli embedding possono essere generati per altri tipi di dati.
Vector Search and Embeddings Questo corso introduce Vector Search e descrive come può essere utilizzato per creare un'applicazione di ricerca con API di modelli linguistici di grandi dimensioni (LLM) per gli embedding. Il corso consiste in lezioni concettuali su Vector Search e text embedding, demo pratiche su come creare Vector Search su Gemini Enterprise Agent Platform e un lab pratico.
Comprensione e applicazione dei text embedding
L'API Embeddings di Gemini Enterprise Agent Platform genera text embedding, ovvero rappresentazioni numeriche del testo utilizzate per attività come l'identificazione di elementi simili.
In questo corso utilizzerai i text embedding per attività come la classificazione e la ricerca semantica e combinerai la ricerca semantica con gli LLM per creare sistemi di risposta alle domande utilizzando Gemini Enterprise Agent Platform.
Machine Learning Crash Course: Embeddings Questo corso introduce i word embedding, mettendoli a confronto con le rappresentazioni sparse. Esplora i metodi per ottenere gli embedding e distingue tra embedding statici e contestuali.
Prodotti correlati
Embedding di Gemini Enterprise Agent Platform Fornisce una panoramica dell'API Embeddings. Casi d'uso di embedding di testo e multimodali, oltre a link a risorse aggiuntive e servizi Google Cloud correlati.
API Agent Search ranking L'API di ranking riordina i documenti in base alla pertinenza rispetto a una query utilizzando un modello linguistico preaddestrato, fornendo punteggi precisi. È ideale per migliorare i risultati di ricerca da varie fonti, tra cui Vector Search.
Feature Store di Gemini Enterprise Agent Platform Consente di gestire e fornire dati sulle caratteristiche utilizzando BigQuery come origine dati. Esegue il provisioning delle risorse per l'erogazione online, fungendo da livello di metadati per fornire gli ultimi valori delle caratteristiche direttamente da BigQuery. Agent Platform Feature Store consente il recupero istantaneo dei valori delle caratteristiche per gli elementi restituiti da Vector Store per le query.
Agent Platform Pipelines Agent Platform Pipelines consente l'automazione, il monitoraggio e la governance dei tuoi sistemi ML in modo serverless orchestrando i workflow ML con le pipeline ML. Puoi eseguire in batch le pipeline ML definite utilizzando Kubeflow Pipelines o il framework TensorFlow Extended (TFX). Le pipeline consentono di creare pipeline automatizzate per generare embedding, creare e aggiornare indici di Vector Search e formare una configurazione MLOps per i sistemi di ricerca e suggerimenti di produzione.
Risorse di approfondimento
Miglioramento del caso d'uso dell'AI generativa con gli embedding e i tipi di attività di Gemini Enterprise Agent Platform Si concentra sul miglioramento delle applicazioni di AI generativa utilizzando gli embedding e i tipi di attività di Gemini Enterprise Agent Platform. Vector Search può essere utilizzato con gli embedding dei tipi di attività per migliorare il contesto e l'accuratezza dei contenuti generati trovando informazioni più pertinenti.
TensorFlow Recommenders Una libreria open source per la creazione di sistemi di suggerimenti. Semplifica il processo dalla preparazione dei dati al deployment e supporta la creazione di modelli flessibili. TFRS offre tutorial e risorse e consente la creazione di modelli di suggerimenti sofisticati.
TensorFlow Ranking TensorFlow Ranking è una libreria open source per la creazione di modelli di learning-to-rank (LTR) neurali scalabili. Supporta varie funzioni di perdita e metriche di ranking, con applicazioni nella ricerca, nei suggerimenti e in altri campi. La libreria è sviluppata attivamente da Google AI.
Announcing ScaNN: Efficient Vector Similarity Search ScaNN di Google, un algoritmo per la ricerca efficiente di similarità vettoriale, utilizza una nuova tecnica per migliorare l'accuratezza e la velocità nella ricerca dei vicini più prossimi. Supera i metodi esistenti e ha ampie applicazioni nelle attività di machine learning che richiedono la ricerca semantica. Le attività di ricerca di Google spaziano in varie aree, tra cui il ML di base e gli impatti sociali dell'AI.
SOAR: nuovi algoritmi per una ricerca vettoriale ancora più veloce con ScaNN L'algoritmo SOAR di Google migliora l'efficienza della ricerca vettoriale introducendo la ridondanza controllata, consentendo ricerche più rapide con indici più piccoli. SOAR assegna i vettori a più cluster, creando percorsi di ricerca di "backup" per migliorare le prestazioni.
Video correlati
Inizia a usare Vector Search con Agent Platform
Vector Search è uno strumento potente per la creazione di applicazioni basate sull'AI. Questo video presenta la tecnologia e fornisce una guida passo passo per iniziare.
Scopri la ricerca ibrida con Vector Search
Vector Search può essere utilizzato per la ricerca ibrida, consentendoti di combinare la potenza della ricerca vettoriale con la flessibilità e la velocità di un motore di ricerca convenzionale. Questo video introduce la ricerca ibrida e mostra come utilizzare Vector Search per la ricerca ibrida.
Stai già utilizzando Vector Search. Ecco come diventare un esperto
Sapevi che probabilmente utilizzi la ricerca vettoriale ogni giorno senza rendertene conto? Dalla ricerca di un prodotto difficile da trovare sui social media al monitoraggio di una canzone che non riesci a toglierti dalla testa, Vector Search è la magia dell'AI alla base di queste esperienze quotidiane.
Il nuovo embedding "tipo di attività" del team di DeepMind migliora la qualità della ricerca RAG
Migliora l'accuratezza e la pertinenza dei tuoi sistemi RAG con i nuovi embedding di tipo di attività sviluppati dal team di Google DeepMind. Guarda il video e scopri le sfide comuni nella qualità della ricerca RAG e come gli embedding dei tipi di attività possono colmare efficacemente il divario semantico tra domande e risposte, portando a un recupero più efficace e a prestazioni RAG migliorate.
Terminologia di Vector Search
Questo elenco contiene alcuni termini importanti che devi comprendere per utilizzare Vector Search:
Vettore: un vettore è un elenco di valori con virgola mobile che ha grandezza e direzione. Può essere utilizzato per rappresentare qualsiasi tipo di dati, come numeri, punti nello spazio e direzioni.
Embedding: un embedding è un tipo di vettore utilizzato per rappresentare i dati in modo da catturarne il significato semantico. Gli embedding vengono in genere creati utilizzando tecniche di machine learning e sono spesso utilizzati nell'elaborazione del linguaggio naturale (NLP) e in altre applicazioni di machine learning.
Embedding densi: gli embedding densi rappresentano il significato semantico del testo, utilizzando array che contengono principalmente valori diversi da zero. Con gli embedding densi, è possibile restituire risultati di ricerca simili in base alla somiglianza semantica.
Embedding sparsi: gli embedding sparsi rappresentano la sintassi del testo, utilizzando array ad alta dimensionalità che contengono pochissimi valori diversi da zero rispetto agli embedding densi. Gli embedding sparsi vengono spesso utilizzati per le ricerche per parole chiave.
Ricerca ibrida: la ricerca ibrida utilizza embedding densi e sparsi, il che ti consente di eseguire ricerche basate su una combinazione di ricerca per parole chiave e ricerca semantica. Vector Search supporta la ricerca basata su embedding densi, embedding sparsi e ricerca ibrida.
Indice: una raccolta di vettori di cui è stato eseguito il deployment insieme per la ricerca di somiglianze. I vettori possono essere aggiunti o rimossi da un indice. Le query di ricerca di somiglianza vengono inviate a un indice specifico e cercano i vettori in quell'indice.
Dato di fatto: un termine che si riferisce alla verifica dell'accuratezza del machine learning rispetto al mondo reale, come un set di dati di fatto.
Richiamo: la percentuale di vicini più prossimi restituiti dall'indice che sono effettivamente i vicini più prossimi reali. Ad esempio, se una query per i 20 vicini più prossimi restituisce 19 dei vicini più prossimi del dato di fatto, il richiamo è 19/20x100 = 95%.
Limitazione: funzionalità che limita le ricerche a un sottoinsieme dell'indice utilizzando regole booleane. La limitazione è nota anche come "filtro". Con Vector Search, puoi utilizzare i filtri numerici e i filtri degli attributi di testo.