Questa demo interattiva ti consente di esplorare Recupero agente (in precedenza Vector Search 2.0), il database vettoriale completamente gestito per Google Cloud. Utilizza la demo per eseguire ricerche in milioni di schede di prodotto con la ricerca semantica (basata su embedding automatici Gemini), la ricerca di testo per parole chiave o la ricerca ibrida che utilizza Reciprocal Rank Fusion (RRF) per combinare la ricerca semantica e la ricerca di testo per parole chiave. I risultati possono essere riordinati utilizzando l'API Gemini Enterprise Agent Platform Ranking per il riordinamento.
Vantaggi di Agent Retrieval
Vector Search richiedeva la generazione separata di embedding, il deployment dell'indice e un Vertex AI Feature Store per i metadati. Agent Retrieval fornisce uno spazio di archiviazione unificato per dati ed embedding, la generazione automatica di embedding e la ricerca di testo integrata senza richiedere la gestione dell'infrastruttura.
Prova
Per eseguire:
Nel campo Query, descrivi gli elementi per cui vuoi eseguire la query (ad esempio,
vintage 1970s pinball machine). In alternativa, fai clic su Genera query per generare automaticamente una descrizione.Fai clic su Invia o premi Invio.
Sperimenta le diverse opzioni nella demo per iniziare a comprendere Agent Retrieval e le basi della tecnologia di ricerca vettoriale. Per saperne di più, vai a Interfaccia utente.
Interfaccia utente
Questa sezione descrive le impostazioni nell'interfaccia utente che puoi utilizzare per controllare i risultati restituiti da Recupero agente (precedentemente Vector Search 2.0) e il loro ranking.
Set di dati
Utilizza il menu a discesa Set di dati per scegliere il set di dati su cui Agent Retrieval eseguirà la query. Per informazioni su ciascun set di dati, vai a Set di dati.
Query
Per eseguire una query:
Fai clic su Set di dati e scegli il set di dati su cui eseguire la query.
Nel campo Query, aggiungi una descrizione, poni una domanda o inserisci una o più parole chiave per specificare gli elementi per cui Agent Retrieval deve restituire i risultati. In alternativa, fai clic su Genera query per generare automaticamente una query.
Esegui una delle seguenti operazioni:
- Per restituire risultati semanticamente simili, seleziona Semantica.
- Per restituire risultati basati sulla sintassi del testo della query, seleziona Testo.
- Per eseguire una ricerca ibrida, seleziona sia Semantica che Testo.
Se stai eseguendo una query semantica sul set di dati Mercari 3M items (128-dim Gemini text embeddings) o Mercari 3M items (768-dim Gemini text embeddings), fai clic su Query Task Type e seleziona QUESTION_ANSWERING o RETRIEVAL_QUERY.
Fai clic su Invia o premi Invio per eseguire la query.
Modifica
Esistono molte opzioni che puoi utilizzare per modificare i risultati restituiti da Agent Retrieval (in precedenza Vector Search 2.0) da una query.
Fai clic su Righe e scegli il numero massimo di risultati di ricerca che vuoi che Agent Retrieval (in precedenza Vector Search 2.0) restituisca.
Seleziona Semantica per restituire risultati semanticamente simili.
Seleziona Testo per restituire risultati basati sulla sintassi del testo della query.
Seleziona sia Semantica che Testo per attivare la ricerca ibrida.
Seleziona Riorganizza per riorganizzare i risultati di ricerca in base alla pertinenza della query. Per saperne di più, consulta Migliorare la qualità della ricerca e della RAG con l'API Ranking.
Seleziona Usa KNN per utilizzare l'algoritmo k-nearest neighbors per recuperare i risultati di ricerca. Poiché kNN fornisce un tasso di recupero del 100%, è molto utile per il debug o i test.
Fai clic su Tipo di attività di query e seleziona il tipo di attività di query da utilizzare. Questa opzione è disponibile solo quando si utilizzano i set di dati Mercari 3M items (128-dim Gemini text embeddings) e Mercari 3M items (768-dim Gemini text embeddings). Per saperne di più sui tipi di attività di query, vai a Scegliere un tipo di attività di incorporamento.
Nel campo Alpha RRF, inserisci un valore compreso tra 0,0 e 1,0 per specificare l'effetto di classificazione RRF. Questa opzione è disponibile solo per la ricerca ibrida (sono selezionate sia la ricerca semantica che quella testuale).
Valori alfa di:1.0: classifica i risultati in base alla similarità semantica (densa).0.0: classifica i risultati in base alla pertinenza delle parole chiave (sparse).0.5- Classifica i risultati in base al peso della riqualificazione e alla pertinenza semantica (densa) e delle parole chiave (sparso).
Per ulteriori informazioni, vedi Che cos'è la fusione del ranking reciproco?
Metriche
Dopo l'esecuzione di una query, vengono fornite metriche di latenza che suddividono il tempo impiegato per il completamento delle diverse fasi della ricerca.
È incluso quanto segue:
- La latenza totale di tutte le origini.
- Il tempo impiegato per generare gli embedding ed eseguire una ricerca vettoriale.
- Il tempo impiegato per il ranking se è selezionata l'opzione Ricalcola ranking.
- L'importo totale della latenza della rete e di altre fonti.
Incorporamenti
Agent Retrieval supporta i seguenti tipi di incorporamento:
Multimodale:ricerca semantica multimodale sulle immagini degli articoli. Per maggiori dettagli, vedi Che cos'è la ricerca multimodale: "LLM con visione" cambiano le attività.
Testo (somiglianza semantica): ricerca semantica di testo nei nomi e nelle descrizioni degli articoli in base alla somiglianza semantica. Per saperne di più, consulta Vertex AI Embeddings for Text: Grounding LLMs made easy.
Testo (documento di recupero): ricerca asimmetrica basata su una domanda o una breve frase. Per saperne di più, consulta Vertex AI Embeddings for Text: Grounding LLMs made easy.
Parola:comprensione semantica a livello di parola con inferenza molto rapida e altamente compatta.
Procedura di query
In Agent Retrieval, la procedura di query dipende dal tipo di ricerche eseguite e dai modelli di embedding.
Ricerca semantica e ibrida
La generazione e la ricerca di embedding avvengono in una singola chiamata API.
Il recupero dell'agente genera automaticamente l'incorporamento della query lato server utilizzando il modello specificato in vertex_embedding_config per la raccolta, esegue la ricerca e restituisce i risultati con metadati completi senza richiedere un recupero separato di Vertex AI Feature Store.
Word2Vec e multimodale
Il client genera l'embedding della query e lo invia ad Agent Retrieval per la ricerca vettoriale. I risultati includono comunque i metadati completi della raccolta e non è necessario recuperare dati da Vertex AI Feature Store.
Testo
Agent Retrieval esegue direttamente la corrispondenza delle parole chiave integrate. Gli embedding non vengono generati.
Set di dati
| Set di dati | Descrizione | Modello di embedding | Tipo di attività di embedding |
|---|---|---|---|
| Mercari 1M items (incorporamenti di testo Gemini a 768 dimensioni) |
Utilizza il modello di embedding Gemini Embedding 2 con embedding di testo e immagini separati. Questo set di dati supporta la ricerca da testo a testo e da testo a immagine utilizzando diversi campi vettoriali. | gemini-embedding-2-preview
|
SEMANTIC_SIMILARITY |
| Mercari 3M items (incorporamenti di testo Gemini a 128 dimensioni) |
Ha un numero ridotto di dimensioni di embedding che offre dimensioni dell'indice e costi di archiviazione inferiori. Questo set di dati potrebbe avere una precisione inferiore rispetto a 3 milioni di articoli Mercari (incorporamenti di testo Gemini a 768 dimensioni). | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| Mercari 3M items (incorporamenti di testo Gemini a 768 dimensioni) |
Dispone di embedding a dimensione completa con embedding automatici e un'elevata precisione semantica del testo. Questo set di dati utilizza RETRIEVAL_DOCUMENT per la corrispondenza asimmetrica tra query e documenti. | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| Elementi Mercari 3M (incorporamenti di testo Gemini a 768 dimensioni, similarità semantica) |
Utilizza il tipo di attività SEMANTIC_SIMILARITY per la corrispondenza di similarità. Questo set di dati è ideale per i casi d'uso che richiedono la funzionalità "Trova elementi simili", in cui query e documenti hanno la stessa semantica. | gemini-embedding-001
|
SEMANTIC_SIMILARITY |
| Mercari 3M items (incorporamenti multimodali Vertex AI a 1408 dimensioni) |
Dispone di embedding multimodali di Vertex AI che codificano le immagini degli articoli per la ricerca immagini. | multimodal-embedding-001
|
N/D |
| Mercari 3M items (incorporamenti di testo Word2Vec a 100 dimensioni) |
Utilizza il modello di embedding Gensim Word2Vec. Questo set di dati ha l'inferenza più veloce. Fornisce solo una comprensione semantica a livello di parola, ma è molto compatto. | Gensim Word2Vec | N/D |
Vedi anche
- Raccolte
- Indici
- Oggetti dati
- Esecuzione di query sulle raccolte per gli oggetti dati
- Ricerca di oggetti di dati