בהדגמה האינטראקטיבית הזו תוכלו להתנסות ב-Agent Retrieval (לשעבר חיפוש וקטורי 2.0), מסד הנתונים הווקטורי המנוהל של Google Cloud. אתם יכולים להשתמש בדמו כדי לחפש במיליוני כרטיסי מוצר באמצעות חיפוש סמנטי (שמבוסס על הטמעות אוטומטיות של Gemini), חיפוש טקסט של מילות מפתח או חיפוש משולב שמשתמש ב-Reciprocal Rank Fusion (RRF) כדי לשלב בין חיפוש סמנטי לחיפוש טקסט של מילות מפתח. אפשר לדרג מחדש את התוצאות באמצעות Gemini Enterprise Agent Platform Ranking API.
היתרונות של Agent Retrieval
בחיפוש וקטורי נדרשו יצירת הטמעה נפרדת, פריסת אינדקס ו-Vertex AI Feature Store למטא-נתונים. הכלי Agent Retrieval מספק אחסון מאוחד לנתונים ולהטמעות, יצירת הטמעות באופן אוטומטי וחיפוש טקסט מובנה, בלי שתצטרכו לנהל את התשתית.
רוצה לנסות?
כדי להפעיל:
בשדה Query, מתארים את הפריטים שרוצים לשלוח לגביהם שאילתה (לדוגמה,
vintage 1970s pinball machine). לחלופין, לוחצים על Generate Query כדי ליצור תיאור באופן אוטומטי.לוחצים על שליחה או על Enter.
כדאי להתנסות באפשרויות השונות בהדגמה כדי להבין את Agent Retrieval ואת העקרונות הבסיסיים של טכנולוגיית החיפוש הווקטורי. מידע נוסף זמין במאמר ממשק משתמש.
ממשק משתמש
בקטע הזה מוסבר איך להשתמש בהגדרות בממשק המשתמש כדי לשלוט בתוצאות שמוחזרות על ידי Agent Retrieval (לשעבר חיפוש וקטורי 2.0) ובאופן הדירוג שלהן.
קבוצת הנתונים
בתפריט הנפתח Dataset, בוחרים את מערך הנתונים שבו Agent Retrieval יריץ את השאילתה. מידע על כל מערך נתונים זמין במאמר מערכי נתונים.
שאילתה
כדי להריץ שאילתה:
לוחצים על קבוצת נתונים ובוחרים את קבוצת הנתונים שרוצים להריץ עליה את השאילתה.
בשדה Query, מוסיפים תיאור, שואלים שאלה או מזינים מילת מפתח אחת או יותר כדי לציין את הפריטים שרוצים ש-Agent Retrieval יחזיר תוצאות לגביהם. לחלופין, לוחצים על Generate Query כדי ליצור שאילתה שנוצרת אוטומטית.
מבצעים אחת מהפעולות הבאות:
- כדי להחזיר תוצאות דומות מבחינה סמנטית, בוחרים באפשרות סמנטי.
- כדי לקבל תוצאות על סמך תחביר הטקסט של השאילתה, בוחרים באפשרות טקסט.
- כדי לבצע חיפוש היברידי, בוחרים גם באפשרות Semantic וגם באפשרות Text.
אם אתם שולחים שאילתה סמנטית למערך הנתונים Mercari 3M items (128-dim Gemini text embeddings) או למערך הנתונים Mercari 3M items (768-dim Gemini text embeddings), לוחצים על Query Task Type ובוחרים באפשרות QUESTION_ANSWERING או באפשרות RETRIEVAL_QUERY.
לוחצים על Submit או על Enter כדי להריץ את השאילתה.
שינוי
יש הרבה אפשרויות לשינוי התוצאות ש-Agent Retrieval (לשעבר חיפוש וקטורי 2.0) מחזיר משאילתה.
לוחצים על Rows ובוחרים את המספר המקסימלי של תוצאות החיפוש שרוצים ש-Agent Retrieval (לשעבר חיפוש וקטורי 2.0) יחזיר.
בוחרים באפשרות סמנטי כדי להחזיר תוצאות דומות מבחינה סמנטית.
בוחרים באפשרות טקסט כדי לקבל תוצאות על סמך תחביר הטקסט של השאילתה.
כדי להפעיל חיפוש היברידי, בוחרים גם באפשרות סמנטי וגם באפשרות טקסט.
בוחרים באפשרות דירוג מחדש כדי לדרג מחדש את תוצאות החיפוש לפי הרלוונטיות שלהן לשאילתה. מידע נוסף זמין במאמר שיפור איכות החיפוש ו-RAG באמצעות Ranking API.
בוחרים באפשרות Use kNN כדי להשתמש באלגוריתם k-nearest neighbors לאחזור תוצאות החיפוש. מכיוון ש-kNN מספק שיעור שליפה של 100%, הוא שימושי מאוד כשמנפים באגים או מבצעים בדיקות.
לוחצים על Query Task Type ובוחרים את סוג משימת השאילתה שבה רוצים להשתמש. האפשרות הזו זמינה רק כשמשתמשים במערכי הנתונים Mercari 3M items (128-dim Gemini הטמעות טקסט) ו-Mercari 3M items (768-dim Gemini הטמעות טקסט). מידע נוסף על סוגי משימות של שאילתות זמין במאמר בחירת סוג משימה של הטמעות.
בשדה RRF Alpha, מזינים ערך בין 0.0 ל-1.0 כדי לציין את השפעת הדירוג של RRF. האפשרות הזו זמינה רק לחיפוש היברידי (כשבוחרים גם סמנטי וגם טקסט). ערכי אלפא של
:-
1.0– דירוג התוצאות רק לפי דמיון סמנטי (צפוף). -
0.0– דירוג התוצאות רק לפי הרלוונטיות של מילת המפתח (דלילה). -
0.5– דירוג התוצאות עם משקל שווה לדמיון סמנטי (צפוף) ולרלוונטיות של מילות מפתח (דליל).
מידע נוסף זמין במאמר מה זה Reciprocal Rank Fusion?
-
מדדים
אחרי הרצת השאילתה, מוצגים מדדי זמן אחזור שמפרטים את הזמן שלקח להשלים את השלבים השונים של החיפוש.
למשל:
- זמן האחזור הכולל מכל המקורות.
- משך הזמן שנדרש כדי ליצור הטמעות ולבצע חיפוש וקטורי.
- משך הזמן שלקח לדרג מחדש, אם נבחרה האפשרות דירוג מחדש.
- הזמן הכולל של זמן האחזור מהרשת וממקורות אחרים.
הטמעות
אפשר להשתמש ב-Agent Retrieval עם סוגי ההטמעות הבאים:
מולטי-מודאלי: חיפוש סמנטי מולטי-מודאלי בתמונות של פריטים. פרטים נוספים זמינים במאמר What is Multimodal Search: "LLMs with vision" change businesses.
טקסט (דמיון סמנטי): חיפוש סמנטי של טקסט בשמות ובתיאורים של פריטים על סמך דמיון סמנטי. מידע נוסף זמין במאמר Vertex AI Embeddings for Text: Grounding LLMs made easy.
טקסט (מסמך לאחזור): חיפוש אסימטרי שמבוסס על שאלה או ביטוי קצר. מידע נוסף זמין במאמר הטמעות של Vertex AI לטקסט: ביסוס קל של מודלים גדולים של שפה (LLM).
Word: הבנה סמנטית ברמת המילה, עם הסקת מסקנות מהירה מאוד וקומפקטית מאוד.
תהליך השאילתה
ב-Agent Retrieval, תהליך השאילתה תלוי בסוג החיפושים שמבצעים ובמודלים של ההטמעה.
חיפוש סמנטי וחיפוש משולב
יצירת ההטמעה והחיפוש מתבצעים בקריאה אחת ל-API.
Agent Retrieval יוצר באופן אוטומטי את הטמעת השאילתה בצד השרת באמצעות המודל שצוין ב-vertex_embedding_config של האוסף, מבצע את החיפוש ומחזיר תוצאות עם מטא-נתונים מלאים בלי צורך באחזור נפרד של Vertex AI Feature Store.
Word2Vec ומולטי-מודאלי
הלקוח יוצר את הטמעת השאילתה ושולח אותה ל-Agent Retrieval לחיפוש וקטורי. התוצאות עדיין כוללות מטא-נתונים מלאים מהאוסף, ואין צורך באחזור של Vertex AI Feature Store.
טקסט
Agent Retrieval מבצע התאמה מובנית למילות מפתח באופן ישיר. לא נוצרות הטמעות.
מערכי נתונים
| קבוצת הנתונים | תיאור | מודל הטמעה | סוג משימת ההטמעה |
|---|---|---|---|
| מיליון פריטים ב-Mercari (הטמעות טקסט של Gemini עם 768 מאפיינים) |
משתמש במודל ההטמעה Gemini Embedding 2 עם הטמעות נפרדות של טקסט ותמונות. מערך הנתונים הזה תומך בחיפוש יצירת טקסט על סמך טקסט ויצירת תמונות לפי טקסט באמצעות שדות וקטוריים שונים. | gemini-embedding-2-preview
|
SEMANTIC_SIMILARITY |
| Mercari 3M items (הטמעות טקסט של Gemini עם 128 ממדים) |
יש לו מספר קטן יותר של מאפייני הטמעה, ולכן גודל האינדקס ועלות האחסון קטנים יותר. יכול להיות שרמת הדיוק של מערך הנתונים הזה נמוכה יותר מזו של Mercari 3M items (768-dim Gemini text embeddings). | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| Mercari 3M items (הטמעות טקסט של Gemini עם 768 ממדים) |
יש לו הטמעות בממדים מלאים עם הטמעות אוטומטיות ודיוק סמנטי גבוה של הטקסט. קבוצת הנתונים הזו משתמשת ב-RETRIEVAL_DOCUMENT להתאמה אסימטרית של שאילתות למסמכים. | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| Mercari 3M items (הטמעות טקסט של Gemini עם 768 ממדים, דמיון סמנטי) |
משתמש בסוג המשימה SEMANTIC_SIMILARITY להתאמת דמיון. מערך הנתונים הזה מתאים במיוחד לתרחישים לדוגמה שבהם נדרשת פונקציונליות של "חיפוש פריטים דומים", שבהם לשאילתה ולמסמכים יש אותה סמנטיקה. | gemini-embedding-001
|
SEMANTIC_SIMILARITY |
| 3 מיליון פריטים ב-Mercari (מערכי הטמעות מולטי-מודאליים עם 1,408 מאפיינים ב-Gemini Enterprise Agent Platform) |
Gemini Enterprise Agent Platform כולל הטמעות מולטי-מודאליות שמקודדות תמונות של פריטים לחיפוש תמונות. | multimodal-embedding-001
|
לא רלוונטי |
| 3 מיליון פריטים ב-Mercari (הטמעות טקסט של Word2Vec עם 100 ממדים) |
משתמש במודל ההטמעה Gensim Word2Vec. בקבוצת הנתונים הזו יש את ההסקה המהירה ביותר. הוא מספק הבנה סמנטית ברמת המילה בלבד, אבל הוא קומפקטי מאוד. | thought Word2Vec של Gensim | לא רלוונטי |