Menggunakan model embedding dengan RAG Engine

Halaman ini menjelaskan pilihan model embedding dan menunjukkan cara menggunakan model embedding untuk membuat korpus RAG. Asosiasi antara model penyematan dan korpus RAG Anda tetap tetap selama masa aktif korpus RAG Anda.

Pengantar penyematan

Embedding adalah representasi numerik input. Anda dapat menggunakan embedding di aplikasi untuk mengenali makna yang kompleks dan hubungan semantik, serta untuk memproses dan menghasilkan bahasa.

Embedding berfungsi dengan mengubah teks, gambar, dan video menjadi array bilangan floating point yang disebut vektor. Semakin dekat dua vektor di ruang embedding, semakin besar kesamaan inputnya.

Model penyematan adalah komponen penting dari sistem pengambilan semantik. Performa sistem pengambilan bergantung pada seberapa baik model penyematan memetakan hubungan dalam data Anda.

Pilihan model embedding

RAG Engine menerapkan retrieval-augmented generation (RAG), dan menawarkan pilihan model embedding berikut untuk digunakan dalam korpus RAG:

Jenis model embedding Deskripsi
Model penyematan teks Gemini Enterprise Agent Platform Model yang dilatih oleh penayang, seperti Google. Model ini dilatih dengan set data teks yang besar, dan memberikan dasar yang kuat untuk banyak tugas.
Model embedding teks Agent Platform yang di-fine-tune Model penyematan teks Agent Platform di-fine-tune agar memiliki pengetahuan khusus atau performa yang sangat disesuaikan.
Model embedding OSS Model penyematan open source pihak ketiga dalam varian hanya bahasa Inggris dan multibahasa.

Model embedding yang didukung

Model penyematan digunakan untuk membuat korpus dan digunakan untuk penelusuran dan pengambilan selama pembuatan respons. Bagian ini mencantumkan model sematan yang didukung.

Versi model Deskripsi
text-embedding-005 Model penyematan default.

Direkomendasikan untuk digunakan dengan korpus RAG.
text-embedding-004
text-multilingual-embedding-002 Direkomendasikan untuk digunakan dengan korpus RAG.

Model embedding open source

Model embedding terbuka berikut juga didukung. Anda dapat menemukannya di Model Garden.

  • e5-base-v2
  • e5-large-v2
  • e5-small-v2
  • multilingual-e5-large
  • multilingual-e5-small

Menggunakan model embedding teks Agent Platform

Text embedding API Agent Platform mendukung beberapa model embedding, yang menghasilkan vektor embedding padat dengan 768 dimensi. Embedding padat menyimpan makna teks, tidak seperti vektor jarang, yang cenderung memetakan kata secara langsung ke angka. Manfaat penggunaan embedding vektor padat dalam AI generatif adalah, alih-alih menelusuri kecocokan kata atau sintaksis langsung, Anda dapat menelusuri bagian yang sesuai dengan makna kueri dengan lebih baik, meskipun bagian tersebut tidak menggunakan bahasa yang sama.

Untuk mengetahui daftar model yang didukung, lihat Model embedding.

Model Gecko

Model Gecko tersedia dalam versi hanya bahasa Inggris dan multibahasa. Tidak seperti model Gecko yang di-fine-tune, model Gecko penayang tidak perlu di-deploy, sehingga menjadikannya kumpulan model pilihan untuk digunakan dengan Mesin RAG.

Untuk mengidentifikasi model embedding default yang digunakan atau Anda memerlukan daftar model Gecko yang direkomendasikan untuk digunakan dengan korpus RAG, lihat Model embedding yang didukung.

Saat model Gecko dihentikan

Model Gecko penerbit mungkin dihentikan. Jika hal itu terjadi, model Gecko penerbit tidak dapat digunakan dengan RAG Engine, bahkan untuk korpus RAG yang dibuat sebelum penghentian. Jika model Gecko Anda dihentikan, Anda harus memigrasikan korpus RAG, yang berarti Anda membuat korpus RAG baru dan mengimpor ulang data. Alternatifnya adalah menggunakan model sematan OSS yang di-fine-tune atau di-deploy sendiri, yang didukung setelah model dihentikan.

Membuat korpus RAG dengan model Gecko penayang

Contoh kode ini menunjukkan cara membuat korpus RAG dengan model Gecko penayang.

curl

  ENDPOINT=us-central1-aiplatform.googleapis.com
  PROJECT_ID=YOUR_PROJECT_ID

  // Set this to your choice of publisher Gecko model. Note that the full resource name of the publisher model is required.
  // Example: projects/${PROJECT_ID}/locations/us-central1/publishers/google/models/text-embedding-004
  ENDPOINT_NAME=YOUR_ENDPOINT_NAME

  // Set a display name for your corpus.
  // For example, "my test corpus"
  CORPUS_DISPLAY_NAME=YOUR_CORPUS_DISPLAY_NAME

  // CreateRagCorpus
  // Input: ENDPOINT, PROJECT_ID, ENDPOINT_NAME, CORPUS_DISPLAY_NAME
  curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  https://${ENDPOINT}/v1beta1/projects/${PROJECT_ID}/locations/us-central1/ragCorpora \
  -d '{
        "display_name" : '\""${CORPUS_DISPLAY_NAME}"\"',
        "rag_embedding_model_config" : {
              "vertex_prediction_endpoint": {
                    "endpoint": '\""${ENDPOINT_NAME}"\"'
              }
        }
  }'

Agent Platform SDK untuk Python 

  import vertexai
  from vertexai import rag

  # Set Project
  PROJECT_ID = "YOUR_PROJECT_ID"
  vertexai.init(project=${PROJECT_ID}, location="us-central1")

  # Configure a Google first-party embedding model
  embedding_model_config = rag.RagEmbeddingModelConfig(
        publisher_model="publishers/google/models/text-embedding-004"
  )

  # Name your corpus
  DISPLAY_NAME = "YOUR_CORPUS_DISPLAY_NAME"

  rag_corpus = rag.create_corpus(
        display_name=DISPLAY_NAME, rag_embedding_model_config=embedding_model_config
  )

Menggunakan model embedding teks Agent Platform yang telah di-tuning

Meskipun model penayang dasar dilatih dengan set data teks yang besar dan memberikan dasar yang kuat untuk banyak tugas, mungkin ada skenario di mana Anda mungkin memerlukan model yang memiliki pengetahuan khusus atau performa yang sangat disesuaikan. Dalam kasus seperti itu, penyesuaian model memungkinkan Anda menyesuaikan representasi model menggunakan data yang relevan. Manfaat tambahan dari pendekatan ini adalah saat model disesuaikan, gambar yang dihasilkan akan menjadi milik Anda dan tidak terpengaruh oleh penghentian penggunaan model Gecko. Semua model sematan Gecko yang disesuaikan menghasilkan sematan dengan vektor 768 dimensi. Untuk mempelajari lebih lanjut model ini, lihat Mendapatkan sematan teks.

Untuk mengetahui informasi selengkapnya tentang cara menyesuaikan model embedding, lihat Menyesuaikan embedding teks.

Contoh kode ini menunjukkan cara membuat korpus RAG dengan model Gecko yang telah di-deploy dan di-fine-tune.

curl

  ENDPOINT=us-central1-aiplatform.googleapis.com
  PROJECT_ID=YOUR_PROJECT_ID

  // Your Agent Platform endpoint resource with the deployed fine-tuned Gecko model
  // Example: projects/${PROJECT_ID}/locations/${LOCATION}/endpoints/${ENDPOINT_ID}
  ENDPOINT_NAME=YOUR_ENDPOINT_NAME

  // Set a display name for your corpus.
  // For example, "my test corpus"
  CORPUS_DISPLAY_NAME=YOUR_CORPUS_DISPLAY_NAME

  // CreateRagCorpus
  // Input: ENDPOINT, PROJECT_ID, ENDPOINT_NAME, CORPUS_DISPLAY_NAME
  curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  https://${ENDPOINT}/v1beta1/projects/${PROJECT_ID}/locations/us-central1/ragCorpora \
  -d '{
        "display_name" : '\""${CORPUS_DISPLAY_NAME}"\"',
        "rag_embedding_model_config" : {
                "vertex_prediction_endpoint": {
                      "endpoint": '\""${ENDPOINT_NAME}"\"'
                }
        }
    }'

Agent Platform SDK untuk Python 

  import vertexai
  from vertexai import rag

  # Set Project
  PROJECT_ID = "YOUR_PROJECT_ID"
  vertexai.init(project=${PROJECT_ID}, location="us-central1")

  # Your Vertex Endpoint resource with the deployed fine-tuned Gecko model
  ENDPOINT_ID = "YOUR_MODEL_ENDPOINT_ID"
  MODEL_ENDPOINT = "projects/${PROJECT_ID}/locations/us-central1/endpoints/${ENDPOINT_ID}"

  embedding_model_config = rag.RagEmbeddingModelConfig(
      endpoint=${MODEL_ENDPOINT},
  )

  # Name your corpus
  DISPLAY_NAME = "YOUR_CORPUS_DISPLAY_NAME"

  rag_corpus = rag.create_corpus(
      display_name=${DISPLAY_NAME}, rag_embedding_model_config=embedding_model_config
  )

Menggunakan model embedding OSS

RAG Engine mendukung model sematan open source pihak ketiga dalam varian hanya berbahasa Inggris dan multibahasa. Tabel ini mencantumkan model E5 yang didukung.

Versi model Model dasar Parameter dimensi penyematan Hanya dalam bahasa Inggris
e5-base-v2 MiniLM 109 JT 768 ✔
e5-large-v2 MiniLM 335 JT 1.024 ✔
e5-small-v2 MiniLM 33 JT 384 ✔
multilingual-e5-large xlm-roberta-large 560 JT 1.024 ✗
multilingual-e5-small microsoft/Multilingual-MiniLM-L12-H384 118 JT 384 ✗

Untuk menggunakan model E5 dengan RAG Engine, model E5 harus di-deploy dari Model Garden. Untuk men-deploy model E5, lihat E5 Text Embedding di konsol Google Cloud .

Contoh kode ini menunjukkan cara membuat korpus RAG dengan model E5 yang di-deploy.

curl 

  ENDPOINT=us-central1-aiplatform.googleapis.com
  PROJECT_ID=YOUR_PROJECT_ID

  // Your Vertex Endpoint resource with the deployed E5 model
  // Example: projects/${PROJECT_ID}/locations/${LOCATION}/endpoints/${ENDPOINT_ID}
  ENDPOINT_NAME=YOUR_ENDPOINT_NAME

  // Set a display name for your corpus.
  // For example, "my test corpus"
  CORPUS_DISPLAY_NAME=YOUR_CORPUS_DISPLAY_NAME

  // CreateRagCorpus
  // Input: ENDPOINT, PROJECT_ID, ENDPOINT_NAME, CORPUS_DISPLAY_NAME
  curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  https://${ENDPOINT}/v1beta1/projects/${PROJECT_ID}/locations/us-central1/ragCorpora \
  -d '{
        "display_name" : '\""${CORPUS_DISPLAY_NAME</var>}"\"',
        "rag_embedding_model_config" : {
                "vertex_prediction_endpoint": {
                      "endpoint": '\""${ENDPOINT_NAME}"\"'
                }
        }
    }'

Agent Platform SDK untuk Python 

  import vertexai
  from vertexai import rag

  # Set Project
  PROJECT_ID = "YOUR_PROJECT_ID"
  vertexai.init(project=PROJECT_ID, location="us-central1")

  # Your Vertex Endpoint resource with the deployed E5 model
  ENDPOINT_ID = "YOUR_MODEL_ENDPOINT_ID"
  MODEL_ENDPOINT = "projects/{PROJECT_ID}/locations/us-central1/endpoints/{ENDPOINT_ID}"

  embedding_model_config = rag.RagEmbeddingModelConfig(
      endpoint=MODEL_ENDPOINT,
  )

  # Name your corpus
  DISPLAY_NAME = "YOUR_CORPUS_DISPLAY_NAME"

  rag_corpus = rag.create_corpus(
      display_name=DISPLAY_NAME, rag_embedding_model_config=embedding_model_config
  )

Langkah berikutnya