Demo interaktif ini memungkinkan Anda menjelajahi Agent Retrieval (sebelumnya Penelusuran Vektor 2.0), database vektor yang terkelola sepenuhnya untuk Google Cloud. Gunakan demo untuk menelusuri jutaan listingan produk dengan penelusuran semantik (yang didukung oleh embedding otomatis Gemini), penelusuran teks kata kunci, atau penelusuran campuran yang menggunakan Penggabungan Peringkat Timbal Balik (RRF) untuk menggabungkan penelusuran semantik dan penelusuran teks kata kunci. Hasil dapat diurutkan ulang yang menggunakan Gemini Enterprise Agent Platform Ranking API untuk pengurutan ulang.
Manfaat Agent Retrieval
Penelusuran Vektor memerlukan pembuatan sematan terpisah, deployment indeks, dan Vertex AI Feature Store untuk metadata. Pengambilan Agen menyediakan penyimpanan terpadu untuk data dan embedding, pembuatan embedding otomatis, dan penelusuran teks bawaan tanpa mengharuskan Anda mengelola infrastruktur.
Cobalah!
Untuk menjalankan:
Di kolom Query, deskripsikan item yang ingin Anda kueri (misalnya,
vintage 1970s pinball machine). Atau, klik Generate Query untuk membuat deskripsi secara otomatis.Klik Kirim atau tekan Enter.
Bereksperimenlah dengan berbagai opsi dalam demo untuk mulai memahami Pengambilan Agen dan dasar-dasar teknologi penelusuran vektor. Untuk mengetahui informasi selengkapnya, buka Antarmuka Pengguna.
Antarmuka pengguna
Bagian ini menjelaskan setelan di UI yang dapat Anda gunakan untuk mengontrol hasil yang ditampilkan oleh Agent Retrieval (sebelumnya Penelusuran Vektor 2.0) dan cara hasil tersebut diberi peringkat.
Set data
Gunakan drop-down Dataset untuk memilih set data yang akan digunakan Agent Retrieval untuk menjalankan kueri Anda. Untuk mengetahui informasi tentang setiap set data, buka Set data.
Kueri
Untuk menjalankan kueri:
Klik Set data, lalu pilih set data yang akan digunakan untuk menjalankan kueri.
Di kolom Kueri, tambahkan deskripsi, ajukan pertanyaan, atau masukkan satu atau beberapa kata kunci untuk menentukan item yang akan ditampilkan hasilnya oleh Pengambilan Agen. Atau, klik Buat Kueri untuk membuat kueri secara otomatis.
Lakukan salah satu hal berikut:
- Untuk menampilkan hasil yang mirip secara semantik, pilih Semantik.
- Untuk menampilkan hasil berdasarkan sintaksis teks kueri, pilih Teks.
- Untuk melakukan penelusuran hybrid, pilih Semantik dan Teks.
Jika Anda membuat kueri semantik pada set data Mercari 3M items (128-dim Gemini text embeddings) atau Mercari 3M items (768-dim Gemini text embeddings), klik Query Task Type dan pilih QUESTION_ANSWERING atau RETRIEVAL_QUERY.
Klik Kirim atau tekan Enter untuk menjalankan kueri.
Mengubah
Ada banyak opsi yang dapat Anda gunakan untuk mengubah hasil yang ditampilkan oleh Pengambilan Agen (sebelumnya Penelusuran Vektor 2.0) dari kueri.
Klik Baris dan pilih jumlah maksimum hasil penelusuran yang Anda inginkan agar Pengambilan Agen (sebelumnya Penelusuran Vektor 2.0) ditampilkan.
Pilih Semantik untuk menampilkan hasil yang mirip secara semantik.
Pilih Teks untuk menampilkan hasil berdasarkan sintaksis teks kueri Anda.
Pilih Semantik dan Teks untuk mengaktifkan penelusuran hybrid.
Pilih Susun ulang untuk menyusun ulang hasil penelusuran berdasarkan relevansi kuerinya. Untuk mengetahui informasi selengkapnya, lihat Meningkatkan kualitas penelusuran dan RAG dengan API peringkat.
Pilih Gunakan kNN untuk menggunakan algoritma k-nearest neighbors untuk mengambil hasil penelusuran. Karena kNN memberikan rasio perolehan 100%, kNN sangat berguna saat melakukan proses debug atau pengujian.
Klik Jenis Tugas Kueri dan pilih jenis tugas kueri yang akan digunakan. Fitur ini hanya tersedia saat menggunakan set data Mercari 3M items (128-dim Gemini text embeddings) dan Mercari 3M items (768-dim Gemini text embeddings). Untuk mengetahui informasi selengkapnya tentang jenis tugas kueri, buka Memilih jenis tugas embedding.
Di kolom Alfa RRF, masukkan nilai antara 0,0 dan 1,0 untuk menentukan efek peringkat RRF. Fitur ini hanya tersedia untuk penelusuran hybrid (Semantik dan Teks dipilih). Nilai Alfa
:1.0- Mengurutkan hasil hanya berdasarkan kemiripan semantik (padat).0.0- Peringkat hasil hanya berdasarkan relevansi kata kunci (jarang).0.5- Memberi peringkat hasil dengan bobot kualifikasi ulang yang diberikan pada kemiripan semantik (padat) dan relevansi kata kunci (jarang).
Untuk mengetahui informasi selengkapnya, lihat Apa yang dimaksud dengan Penggabungan Peringkat Timbal Balik?
Metrik
Setelah kueri berjalan, Anda akan mendapatkan metrik latensi yang menguraikan waktu yang diperlukan untuk menyelesaikan berbagai tahap penelusuran.
Hal ini mencakup:
- Total latensi dari semua sumber.
- Jumlah waktu yang diperlukan untuk membuat embedding dan melakukan penelusuran vektor.
- Jumlah waktu yang diperlukan untuk menyusun ulang jika Susun ulang dipilih.
- Total jumlah latensi dari jaringan dan sumber lainnya.
Embedding
Pengambilan Agen mendukung jenis penyematan berikut:
Multimodal: Penelusuran semantik multimodal pada gambar item. Untuk mengetahui detailnya, buka Apa itu Penelusuran Multimodal: "LLM dengan visi" mengubah bisnis.
Teks (kemiripan semantik): Penelusuran semantik teks pada nama dan deskripsi item berdasarkan kemiripan semantik. Untuk mempelajari lebih lanjut, buka Vertex AI Embeddings untuk Teks: Cara mudah Grounding LLM.
Teks (dokumen pengambilan): Penelusuran asimetris berdasarkan pertanyaan atau frasa pendek. Untuk mempelajari lebih lanjut, buka Vertex AI Embeddings untuk Teks: Cara mudah Grounding LLM.
Word: Pemahaman semantik tingkat kata dengan inferensi yang sangat cepat dan sangat ringkas.
Proses kueri
Dalam Pengambilan Agen, proses kueri bergantung pada jenis penelusuran yang dilakukan dan model penyematan.
Penelusuran semantik dan campuran
Pembuatan dan penelusuran embedding terjadi dalam satu panggilan API.
Pengambilan Agen secara otomatis membuat embedding kueri di sisi server menggunakan
model yang ditentukan dalam vertex_embedding_config untuk
Collection,
melakukan penelusuran, dan menampilkan hasil dengan metadata lengkap tanpa memerlukan
pengambilan Vertex AI Feature Store terpisah.
Word2Vec dan multimodal
Klien membuat embedding kueri dan mengirimkannya ke Pengambilan Agen untuk penelusuran vektor. Hasilnya masih mencakup metadata lengkap dari Kumpulan dan pengambilan Vertex AI Feature Store tidak diperlukan.
Teks
Pengambilan Agen melakukan pencocokan kata kunci bawaan secara langsung. Embedding tidak dibuat.
Set data
| Set data | Deskripsi | Model Embedding | Jenis Tugas Embedding |
|---|---|---|---|
| 1 juta item Mercari (768-dimensi sematan teks Gemini) |
Menggunakan model embedding Gemini Embedding 2 dengan embedding teks dan gambar terpisah. Set data ini mendukung penelusuran text-to-text dan text-to-image menggunakan berbagai kolom vektor. | gemini-embedding-2-preview
|
SEMANTIC_SIMILARITY |
| Item Mercari 3M (Penyematan teks Gemini 128 dimensi) |
Memiliki jumlah dimensi penyematan yang lebih sedikit sehingga memberikan ukuran indeks dan biaya penyimpanan yang lebih kecil. Set data ini mungkin memiliki akurasi yang lebih rendah daripada item Mercari 3M (embedding teks Gemini 768 dimensi). | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| 3 juta item Mercari (Embedding teks Gemini 768 dimensi) |
Memiliki embedding dimensi penuh dengan embedding otomatis dan akurasi semantik teks yang tinggi. Set data ini menggunakan RETRIEVAL_DOCUMENT untuk pencocokan kueri-dokumen asimetris. | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| 3 juta item Mercari (Embedding teks Gemini 768 dimensi, kemiripan semantik) |
Menggunakan jenis tugas SEMANTIC_SIMILARITY untuk pencocokan kemiripan. Set data ini paling cocok untuk kasus penggunaan yang memerlukan fungsi "temukan item serupa" di mana kueri dan dokumen memiliki semantik yang sama. | gemini-embedding-001
|
SEMANTIC_SIMILARITY |
| Item Mercari 3M (embedding multimodal Vertex AI 1408 dimensi) |
Memiliki embedding multimodal Vertex AI yang mengenkode gambar item untuk penelusuran gambar. | multimodal-embedding-001
|
T/A |
| Item Mercari 3M (Penyematan teks Word2Vec 100 dimensi) |
Menggunakan model embedding Word2Vec Gensim. Dataset ini memiliki inferensi tercepat. Model ini hanya memberikan pemahaman semantik tingkat kata, tetapi sangat ringkas. | Gensim Word2Vec | T/A |