Demostración interactiva de Agent Retrieval

Esta demostración interactiva te permite explorar la recuperación de agentes (anteriormente 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 tecnología de embeddings automáticos de Gemini), la búsqueda de texto por palabras clave o la búsqueda híbrida que usa la fusión de clasificación recíproca (RRF) para combinar la búsqueda semántica y la búsqueda de texto por palabras clave. Los resultados se pueden volver a clasificar con la API de clasificación de Gemini Enterprise Agent Platform.

Beneficios de la recuperación de agentes

La búsqueda de vectores requería una generación de embeddings, una implementación de índices y un Vertex AI Feature Store independientes para los metadatos. Agent Retrieval proporciona almacenamiento unificado para datos y embeddings, generación automática de embeddings y búsqueda de texto integrada sin necesidad de que administres la infraestructura.

Pruébala

Para ejecutarlo, haz lo siguiente:

  1. En el campo Consulta, describe los elementos sobre los que deseas realizar la consulta (por ejemplo, vintage 1970s pinball machine). También puedes hacer clic en Generar consulta para generar automáticamente una descripción.

  2. Haz clic en Enviar o presiona Intro.

Experimenta con las diferentes opciones de la demostración para comprender mejor la recuperación del agente y los conceptos básicos de la tecnología de búsqueda vectorial. 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 (anteriormente, Vector Search 2.0) y cómo se clasifican.

Conjunto de datos

Usa el menú desplegable Conjunto de datos para elegir el conjunto de datos con el que la Recuperación del agente ejecutará tu búsqueda. Para obtener información sobre cada conjunto de datos, consulta Conjuntos de datos.

Consulta

Para ejecutar una consulta, haz lo siguiente:

  1. Haz clic en Conjunto de datos y elige el conjunto de datos con el que deseas 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 la Recuperación del agente debe devolver resultados. Como alternativa, haz clic en Generar consulta para generar una consulta automáticamente.

  3. Realiza una de las siguientes acciones:

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

  4. Si realizas una consulta semántica en el conjunto de datos Mercari 3M items (128-dim Gemini text embeddings) o Mercari 3M items (768-dim Gemini text embeddings), haz clic en Query Task Type 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 del agente (anteriormente, Vector Search 2.0) a partir de una búsqueda.

  • Haz clic en Filas y elige la cantidad máxima de resultados de búsqueda que deseas que devuelva la Recuperación del agente (anteriormente, Búsqueda de vectores 2.0).

  • Selecciona Semántico para devolver resultados similares en términos semánticos.

  • Selecciona Texto para devolver resultados basados en la sintaxis de texto de tu búsqueda.

  • Selecciona Semántica y Texto para habilitar la búsqueda híbrida.

  • Selecciona Volver a clasificar para volver a clasificar los resultados de la búsqueda según su relevancia para la búsqueda. Para obtener más información, consulta Mejora la calidad de la búsqueda y 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. Dado que kNN proporciona una tasa de recuperación del 100%, es muy útil para la depuración o las pruebas.

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

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

    • 1.0: Clasifica los resultados solo por similitud semántica (densa).
    • 0.0: Clasifica los resultados únicamente según la relevancia de las palabras clave (esparsa).
    • 0.5: Clasifica los resultados con el peso de la nueva clasificación que se otorga a la similitud semántica (densa) y la relevancia de las palabras clave (dispersa).

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

Métricas

Después de ejecutar una búsqueda, 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.
  • Cantidad de tiempo que tardó la nueva clasificación si se seleccionó Rerank.
  • Es la cantidad total de latencia de la red y otras fuentes.

Incorporaciones

La recuperación del agente admite los siguientes tipos de incorporación:

Proceso de consulta

En Agent Retrieval, el proceso de búsqueda depende del tipo de búsquedas que se realizan y de los modelos de incorporación.

La generación y la búsqueda de incorporaciones se realizan en una sola llamada a la API. La recuperación del agente genera automáticamente la incorporación de la búsqueda 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 búsqueda y lo envía a Agent Retrieval para la búsqueda de vectores. Los resultados aún incluyen metadatos completos de la colección, y no es necesario realizar una recuperación de Vertex AI Feature Store.

Texto

La recuperación del agente 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
Mercari 1M items
(embeddings de texto de Gemini de 768 dimensiones)		 Usa el modelo de incorporación Gemini Embedding 2 con incorporaciones de texto e 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
Mercari 3M items
(Incorporaciones de texto de Gemini de 128 dimensiones)		 Tiene una cantidad reducida de dimensiones de la incorporación, lo que proporciona un tamaño de índice y un costo de almacenamiento más pequeños. Es posible que este conjunto de datos tenga una precisión menor que el de 3 millones de artículos de Mercari (incorporaciones de texto de Gemini de 768 dimensiones). gemini-embedding-001 RETRIEVAL_DOCUMENT
Mercari 3M items
(768-dim Gemini text embeddings)		 Tiene incorporaciones de dimensión completa con incorporaciones automáticas y alta precisión semántica del texto. Este conjunto de datos usa RETRIEVAL_DOCUMENT para la correlación asimétrica de documentos y consultas. gemini-embedding-001 RETRIEVAL_DOCUMENT
Artículos de Mercari 3M
(incorporaciones 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 función "buscar elementos similares", en la que la búsqueda y los documentos tienen la misma semántica. gemini-embedding-001 SEMANTIC_SIMILARITY
Artículos de Mercari 3M
(embeddings multimodales de Vertex AI de 1,408 dimensiones)		 Tiene embeddings multimodales de Vertex AI que codifican imágenes de elementos para la búsqueda con imágenes. multimodal-embedding-001 N/A
Artículos de Mercari 3M
(incorporaciones de texto de Word2Vec de 100 dimensiones)		 Utiliza el modelo de Gensim Word2Vec integrado. Este conjunto de datos tiene la inferencia más rápida. Solo proporciona comprensión semántica a nivel de palabras, pero es muy compacto. Gensim Word2Vec N/A

También consulta lo siguiente: