Demostración interactiva de Agent Retrieval

Esta demostración interactiva te permite explorar la recuperación de agentes (antes conocida como Vector Search 2.0), la base de datos de vectores completamente administrada para Google Cloud. Usa la demostración para buscar entre millones de fichas de productos con la búsqueda semántica (con la tecnología de los embeddings automáticos de Gemini), la búsqueda de texto por palabras clave o la búsqueda híbrida que usa la fusión por clasificación recíproca (RRF) para combinar la búsqueda semántica y la búsqueda de texto por palabras clave. Los resultados se pueden volver a clasificar, lo que usa la API de clasificación de Gemini Enterprise Agent Platform para volver a clasificarlos.

Beneficios de Agent Retrieval

Vector Search requería la generación de embeddings, la implementación de índices y un Vertex AI Feature Store para los metadatos por separado. Agent Retrieval proporciona almacenamiento unificado para datos e incorporaciones, generación automática de incorporaciones y búsqueda de texto integrada sin que tengas que administrar la infraestructura.

Pruébala

Para ejecutarlo, haz lo siguiente:

  1. En el campo Consulta, describe los elementos que deseas consultar (por ejemplo, vintage 1970s pinball machine). Como alternativa, haz clic en Generar consulta para generar una descripción de forma automática.

  2. Haz clic en Enviar o presiona Intro.

Experimenta con las diferentes opciones de la demostración para comenzar a comprender la recuperación de agentes y los conceptos básicos de la tecnología de búsqueda de vectores. Para obtener más información, consulta Interfaz de usuario.

Interfaz de usuario

En esta sección, se describen los parámetros de configuración de la IU que puedes usar para controlar los resultados que devuelve la recuperación de agentes (antes Vector Search 2.0) y cómo se clasifican.

Conjunto de datos

Usa el menú desplegable Conjunto de datos para elegir en qué conjunto de datos Agent Retrieval ejecutará tu consulta. Para obtener información sobre cada conjunto de datos, ve a Conjuntos de datos.

Consulta

Para ejecutar una consulta, sigue estos pasos:

  1. Haz clic en Conjunto de datos y elige en qué conjunto de datos ejecutar la consulta.

  2. En el campo Consulta, agrega una descripción, haz una pregunta o ingresa una o más palabras clave para especificar los elementos para los que Agent Retrieval debe mostrar resultados. Como alternativa, haz clic en Generar consulta para generar una consulta de forma automática.

  3. Realiza una de las siguientes acciones:

    1. Para mostrar resultados semánticamente similares, selecciona Semántica.
    2. Para mostrar resultados basados en la sintaxis de texto de la consulta, selecciona Texto.
    3. Para realizar una búsqueda híbrida, selecciona Semántica y Texto.

  4. Si consultas de forma semántica el conjunto de datos Mercari 3M elementos (embedding de texto de Gemini de 128 dimensiones) o Mercari 3M elementos (embedding de texto de Gemini de 768 dimensiones), haz clic en Tipo de tarea de consulta y selecciona QUESTION_ANSWERING o RETRIEVAL_QUERY.

  5. Haz clic en Enviar o presiona Intro para ejecutar la consulta.

Modificar

Existen muchas opciones que puedes usar para modificar los resultados que devuelve la recuperación de agentes (antes Vector Search 2.0) de una consulta.

  • Haz clic en Filas y elige la cantidad máxima de resultados de la búsqueda que deseas que devuelva Agent Retrieval (antes Vector Search 2.0).

  • Selecciona Semántica para mostrar resultados similares en términos semánticos.

  • Selecciona Texto para mostrar resultados según la sintaxis de texto de tu consulta.

  • Selecciona Semántica y Texto para habilitar la búsqueda híbrida.

  • Selecciona Cambiar la clasificación para cambiar la clasificación de los resultados de la búsqueda según su relevancia para la consulta. Para obtener más información, consulta Mejora la calidad de la búsqueda y de la RAG con la API de clasificación.

  • Selecciona Usar kNN para usar el algoritmo de k vecinos más cercanos y recuperar los resultados de la búsqueda. Debido a que kNN proporciona una tasa de recuperación del 100%, es muy útil para depurar o realizar pruebas.

  • Haz clic en Tipo de tarea de consulta y selecciona el tipo de tarea de consulta que quieras usar. Esto solo está disponible cuando se usan los conjuntos de datos Mercari 3M items (128-dim Gemini embedding de texto) y Mercari 3M items (768-dim Gemini embedding de texto). Para obtener más información sobre los tipos de tareas de consulta, consulta Elige un tipo de tarea de embeddings.

  • En el campo Alfa de RRF, ingresa un valor entre 0.0 y 1.0 para especificar el efecto de clasificación de RRF. Esto solo está disponible para la búsqueda híbrida (se seleccionan Semántica y Texto).
    Valores alfa de:

    • 1.0: Clasifica los resultados únicamente por similitud semántica (densa).
    • 0.0: Clasifica los resultados únicamente por relevancia de las palabras clave (dispersas).
    • 0.5: Clasifica los resultados con un peso igual para la similitud semántica (densa) y la relevancia de las palabras clave (dispersa).

    Para obtener más información, consulta ¿Qué es la fusión por clasificación recíproca?

Métricas

Después de que se ejecuta una consulta, se te proporcionan métricas de latencia que desglosan el tiempo que tardaron en completarse las diferentes etapas de la búsqueda.

Esto incluye lo siguiente:

  • Es la latencia total de todas las fuentes.
  • Es la cantidad de tiempo que se tardó en generar embeddings y realizar una búsqueda de vectores.
  • Es la cantidad de tiempo que tardó la reclasificación si se selecciona Reclasificar.
  • Es la cantidad total de latencia de la red y otras fuentes.

Incorporaciones

La recuperación de agentes admite los siguientes tipos de incorporaciones:

Proceso de consulta

En la recuperación de agentes, el proceso de consulta depende del tipo de búsquedas que se realizan y de los modelos de incorporación.

La generación y la búsqueda de embeddings se realizan en una sola llamada a la API. La recuperación de agentes genera de forma automática la incorporación de consultas del lado del servidor con el modelo especificado en vertex_embedding_config para la colección, realiza la búsqueda y devuelve resultados con metadatos completos sin necesidad de una recuperación independiente de Vertex AI Feature Store.

Word2Vec y multimodal

El cliente genera el embedding de la consulta y lo envía a Agent Retrieval para la búsqueda de vectores. Los resultados aún incluyen metadatos completos de la colección y no se necesita una recuperación de Vertex AI Feature Store.

Texto

La recuperación de agentes realiza la concordancia de palabras clave integrada directamente. No se generan embeddings.

Conjuntos de datos

Conjunto de datos Descripción Modelo de embedding Tipo de tarea de embedding
1 millón de artículos de Mercari
(embeddings de texto de Gemini de 768 dimensiones)		 Usa el modelo de embedding Gemini Embedding 2 con embeddings de texto y de imagen independientes. Este conjunto de datos admite la búsqueda de texto a texto y de texto a imagen con diferentes campos de vectores. gemini-embedding-2-preview SEMANTIC_SIMILARITY
3 millones de artículos de Mercari
(embeddings de texto de Gemini de 128 dimensiones)		 Tiene una cantidad reducida de dimensiones de embedding que proporciona un tamaño de índice y un costo de almacenamiento menores. Este conjunto de datos puede tener una precisión menor que los elementos de Mercari 3M (embeddings de texto de Gemini de 768 dimensiones). gemini-embedding-001 RETRIEVAL_DOCUMENT
3 millones de artículos de Mercari
(embeddings de texto de Gemini de 768 dimensiones)		 Tiene embeddings de dimensión completa con embeddings automáticos y alta precisión semántica de texto. Este conjunto de datos usa RETRIEVAL_DOCUMENT para la coincidencia asimétrica de consultas y documentos. gemini-embedding-001 RETRIEVAL_DOCUMENT
3 millones de artículos de Mercari
(embeddings de texto de Gemini de 768 dimensiones, similitud semántica)		 Usa el tipo de tarea SEMANTIC_SIMILARITY para la coincidencia de similitud. Este conjunto de datos es el mejor para los casos de uso que necesitan la funcionalidad "buscar elementos similares" en la que la consulta y los documentos tienen la misma semántica. gemini-embedding-001 SEMANTIC_SIMILARITY
3 millones de elementos de Mercari
(embeddings multimodales de Gemini Enterprise Agent Platform de 1,408 dimensiones)		 Tiene embeddings multimodales de Gemini Enterprise Agent Platform que codifican imágenes de elementos para la búsqueda de imágenes. multimodal-embedding-001 N/A
3 millones de artículos de Mercari
(embeddings de texto de Word2Vec de 100 dimensiones)		 Usa el modelo de embedding Word2Vec de Gensim. Este conjunto de datos tiene la inferencia más rápida. Solo proporciona comprensión semántica a nivel de palabra, pero es muy compacto. Word2Vec de Gensim N/A

También consulta lo siguiente: