Démonstration interactive de la récupération d'agent

Cette démonstration interactive vous permet d'explorer Agent Retrieval (anciennement Vector Search 2.0), la base de données vectorielle entièrement gérée pour Google Cloud. Utilisez la démo pour effectuer des recherches parmi des millions de fiches produit à l'aide de la recherche sémantique (optimisée par les embeddings automatiques Gemini), de la recherche Text Search par mot clé ou de la recherche hybride qui utilise la Reciprocal Rank Fusion (RRF) pour combiner la recherche sémantique et la recherche Text Search par mot clé. Les résultats peuvent être reclassés à l'aide de l'API Gemini Enterprise Agent Platform Ranking.

Avantages de la récupération d'agent

Vector Search nécessitait une génération d'embeddings distincte, un déploiement d'index et un Vertex AI Feature Store pour les métadonnées. Agent Retrieval fournit un stockage unifié pour les données et les embeddings, une génération automatique d'embeddings et une recherche de texte intégrée, sans que vous ayez à gérer l'infrastructure.

Essayer

Pour exécuter :

1. Dans le champ Requête, décrivez les éléments que vous souhaitez interroger (par exemple, vintage 1970s pinball machine). Vous pouvez également cliquer sur Générer une requête pour générer automatiquement une description.

2. Cliquez sur Envoyer ou appuyez sur Entrée.

Testez les différentes options de la démo pour vous familiariser avec Agent Retrieval et les principes de base de la technologie Vector Search. Pour en savoir plus, consultez Interface utilisateur.

Interface utilisateur

Cette section décrit les paramètres de l'interface utilisateur que vous pouvez utiliser pour contrôler les résultats renvoyés par la récupération par agent (anciennement Vector Search 2.0) et leur classement.

Ensemble de données

Utilisez le menu déroulant Ensemble de données pour choisir l'ensemble de données sur lequel la récupération agentique exécutera votre requête. Pour en savoir plus sur chaque ensemble de données, consultez Ensembles de données.

Requête

Pour exécuter une requête :

1. Cliquez sur Ensemble de données, puis choisissez l'ensemble de données sur lequel exécuter votre requête.

2. Dans le champ Requête, ajoutez une description, posez une question ou saisissez un ou plusieurs mots clés pour spécifier les éléments pour lesquels la récupération d'agent doit renvoyer des résultats. Vous pouvez également cliquer sur Générer une requête pour générer automatiquement une requête.

3. Effectuez l'une des opérations suivantes :

   1. Pour renvoyer des résultats sémantiquement similaires, sélectionnez Sémantique.
   2. Pour renvoyer des résultats basés sur la syntaxe textuelle de la requête, sélectionnez Texte.
   3. Pour effectuer une recherche hybride, sélectionnez à la fois Sémantique et Texte.

4. Si vous interrogez sémantiquement l'ensemble de données Mercari 3M items (128-dim Gemini text embeddings) ou Mercari 3M items (768-dim Gemini text embeddings), cliquez sur Type de tâche de requête, puis sélectionnez QUESTION_ANSWERING ou RETRIEVAL_QUERY.

5. Cliquez sur Envoyer ou appuyez sur Entrée pour exécuter la requête.

Modifier

Vous pouvez utiliser de nombreuses options pour modifier les résultats renvoyés par la récupération d'agent (anciennement Vector Search 2.0) à partir d'une requête.

• Cliquez sur Lignes et choisissez le nombre maximal de résultats de recherche que vous souhaitez que la récupération par agent (anciennement Vector Search 2.0) renvoie.

• Sélectionnez Sémantique pour renvoyer des résultats sémantiquement similaires.

• Sélectionnez Texte pour renvoyer des résultats en fonction de la syntaxe textuelle de votre requête.

• Sélectionnez Sémantique et Texte pour activer la recherche hybride.

• Sélectionnez Reclasser pour reclasser les résultats de recherche en fonction de leur pertinence par rapport à la requête. Pour en savoir plus, consultez Améliorer la qualité de la recherche et du RAG avec l'API Ranking.

• Sélectionnez Utiliser kNN pour utiliser l'algorithme des k plus proches voisins afin de récupérer les résultats de recherche. Comme kNN fournit un taux de rappel de 100 %, il est très utile pour le débogage ou les tests.

• Cliquez sur Type de tâche de requête, puis sélectionnez le type de tâche de requête à utiliser. Cette option n'est disponible que lorsque vous utilisez les ensembles de données Mercari 3M items (128-dim Gemini text embeddings) et Mercari 3M items (768-dim Gemini text embeddings). Pour en savoir plus sur les types de tâches de requête, consultez Choisir un type de tâche d'embedding.

• Dans le champ RRF Alpha, saisissez une valeur comprise entre 0,0 et 1,0 pour spécifier l'effet de classement RRF. Cette option n'est disponible que pour la recherche hybride (lorsque les options Sémantique et Texte sont sélectionnées).
  Valeurs alpha de :

  • 1.0 : classe les résultats uniquement par similarité sémantique (dense).
  • 0.0 : classe les résultats uniquement en fonction de la pertinence des mots clés (clairsemés).
  • 0.5 : classe les résultats en accordant une pondération égale à la similarité sémantique (dense) et à la pertinence des mots clés (creux).

  Pour en savoir plus, consultez Qu'est-ce que la Reciprocal Rank Fusion ?.

Métriques

Une fois qu'une requête est exécutée, vous obtenez des métriques de latence qui détaillent le temps nécessaire aux différentes étapes de la recherche.

Par exemple :

• Latence totale de toutes les sources.
• Temps nécessaire pour générer des embeddings et effectuer une recherche vectorielle.
• Temps nécessaire au reclassement si l'option Reclasser est sélectionnée.
• La latence totale du réseau et d'autres sources.

Embeddings

La récupération d'agent est compatible avec les types d'embeddings suivants :

• Multimodal : recherche sémantique multimodale sur les images d'articles. Pour en savoir plus, consultez Qu'est-ce que la recherche multimodale : les LLM avec vision modifient les entreprises.

• Texte (similarité sémantique) : recherche sémantique de texte sur les noms et descriptions d'éléments en fonction de la similarité sémantique. Pour en savoir plus, consultez Vertex AI Embeddings for Text : faciliter l'ancrage des LLM.

• Texte (document de récupération) : recherche asymétrique basée sur une question ou une phrase courte. Pour en savoir plus, consultez Vertex AI Embeddings for Text : faciliter l'ancrage des LLM.

• Word : compréhension sémantique au niveau des mots avec une inférence très rapide et un format très compact.

Processus de requête

Dans la récupération par agent, le processus de requête dépend du type de recherches effectuées et des modèles d'embedding.

Recherche sémantique et hybride

La génération et la recherche d'embeddings s'effectuent en un seul appel d'API. La récupération d'agent génère automatiquement l'embedding de la requête côté serveur à l'aide du modèle spécifié dans vertex_embedding_config pour la Collection, effectue la recherche et renvoie les résultats avec des métadonnées complètes sans nécessiter de récupération Vertex AI Feature Store distincte.

Word2Vec et multimodal

Le client génère l'embedding de la requête et l'envoie à Agent Retrieval pour la recherche vectorielle. Les résultats incluent toujours les métadonnées complètes de la collection, et une récupération Vertex AI Feature Store n'est pas nécessaire.

Texte

La récupération par agent effectue directement une correspondance de mots clés intégrée. Les embeddings ne sont pas générés.

Ensembles de données

Remarque : Les ensembles de données sont fournis par Mercari, une place de marché en ligne populaire aux États-Unis et au Japon.

Ensemble de données	Description	Modèle d'embedding	Type de tâche d'embedding
1 million d'articles Mercari (embeddings textuels Gemini de dimension 768)	Utilise le modèle d'embedding Gemini Embedding 2 avec des embeddings de texte et d'image distincts. Cet ensemble de données est compatible avec la recherche de texte en texte et de texte en image à l'aide de différents champs vectoriels.	gemini-embedding-2-preview	SEMANTIC_SIMILARITY
3 millions d'éléments Mercari (embeddings textuels Gemini de 128 dimensions)	Il comporte un nombre réduit de dimensions d'embedding, ce qui permet de réduire la taille de l'index et les coûts de stockage. Cet ensemble de données peut être moins précis que les 3 millions d'articles Mercari (embeddings textuels Gemini de 768 dimensions).	gemini-embedding-001	RETRIEVAL_DOCUMENT
3 millions d'articles Mercari (embeddings textuels Gemini de dimension 768)	Il dispose d'embeddings complets avec des embeddings automatiques et une précision sémantique élevée du texte. Cet ensemble de données utilise RETRIEVAL_DOCUMENT pour la mise en correspondance asymétrique des requêtes et des documents.	gemini-embedding-001	RETRIEVAL_DOCUMENT
3 millions d'articles Mercari (embeddings textuels Gemini de 768 dimensions, similarité sémantique)	Utilise le type de tâche SEMANTIC_SIMILARITY pour la mise en correspondance de similarité. Cet ensemble de données est idéal pour les cas d'utilisation nécessitant une fonctionnalité de recherche d'éléments similaires, où la requête et les documents ont la même sémantique.	gemini-embedding-001	SEMANTIC_SIMILARITY
3 millions d'articles Mercari (embeddings multimodaux Gemini Enterprise Agent Platform de 1 408 dimensions)	Gemini Enterprise Agent Platform dispose d'embeddings multimodaux qui encodent les images d'articles pour la recherche d'images.	multimodal-embedding-001	N/A
3 millions d'éléments Mercari (embeddings textuels Word2Vec à 100 dimensions)	Utilise le modèle d'embedding Gensim Word2Vec. Cet ensemble de données offre l'inférence la plus rapide. Il ne fournit qu'une compréhension sémantique au niveau des mots, mais il est très compact.	Word2Vec Gensim	N/A

Voir aussi

• Collections
• Index
• Objets de données
• Interroger des collections pour obtenir des objets de données
• Rechercher des objets de données