エージェント取得のインタラクティブ デモ

このインタラクティブなデモでは、 Google Cloudのフルマネージド ベクトル データベースである Agent Retrieval（旧称: ベクトル検索 2.0）を試すことができます。このデモでは、セマンティック検索（Gemini 自動エンベディングによる）、キーワード テキスト検索、または Reciprocal Rank Fusion（RRF）を使用してセマンティック検索とキーワード テキスト検索の両方を組み合わせたハイブリッド検索を使用して、数百万件の商品リスティングを検索できます。結果は、Gemini Enterprise Agent Platform Ranking API を使用して再ランキングできます。

エージェント型検索のメリット

ベクトル検索では、エンベディングの生成、インデックスのデプロイ、メタデータ用の Vertex AI Feature Store が個別に必要でした。Agent Retrieval は、データとエンベディングの統合ストレージ、自動エンベディング生成、組み込みのテキスト検索を提供します。インフラストラクチャを管理する必要はありません。

試してみましょう

実行方法:

  1. [クエリ] フィールドに、クエリするアイテムの説明（vintage 1970s pinball machine など）を入力します。または、[クエリを生成] をクリックして、説明を自動生成します。

  2. [送信] をクリックするか、Enter キーを押します。

デモでさまざまなオプションを試すことで、エージェント型検索とベクトル検索テクノロジーの基本をいち早く理解してください。詳しくは、ユーザー インターフェースをご覧ください。

ユーザー インターフェース

このセクションでは、Agent Retrieval（旧称: ベクトル検索 2.0）が返す結果と、そのランク付け方法を制御するために使用できる UI の設定について説明します。

データセット

[データセット] プルダウンを使用して、Agent Retrieval がクエリを実行するデータセットを選択します。各データセットの詳細については、データセットをご覧ください。

クエリ

クエリを実行するには:

  1. [データセット] をクリックし、クエリを実行するデータセットを選択します。

  2. [クエリ] フィールドに、説明を追加するか、質問を入力するか、1 つ以上のキーワードを入力して、Agent Retrieval が結果を返すアイテムを指定します。または、[クエリを生成] をクリックして、クエリを自動生成します。

  3. 次のいずれかを行います。

    1. 意味的に類似した結果を返すには、[セマンティック] を選択します。
    2. クエリのテキスト構文に基づいて結果を返すには、[テキスト] を選択します。
    3. ハイブリッド検索を実行するには、[セマンティック] と [テキスト] の両方を選択します。

  4. Mercari 3M items（128-dim Gemini テキスト エンベディング）または Mercari 3M items（768-dim Gemini テキスト エンベディング）データセットをセマンティックにクエリする場合は、[Query Task Type] をクリックして、[QUESTION_ANSWERING] または [RETRIEVAL_QUERY] を選択します。

  5. [送信] をクリックするか、Enter キーを押してクエリを実行します。

変更

Agent Retrieval（旧称: ベクトル検索 2.0）がクエリから返す結果を変更するために使用できるオプションは多数あります。

  • [行] をクリックし、Agent Retrieval（旧称: ベクトル検索 2.0）で返す検索結果の最大数を選択します。

  • 意味的に類似した結果を返すには、[セマンティック] を選択します。

  • クエリのテキスト構文に基づいて結果を返すには、[テキスト] を選択します。

  • [セマンティック] と [テキスト] の両方を選択して、ハイブリッド検索を有効にします。

  • [再ランキング] を選択して、クエリの関連性に基づいて検索結果を再ランキングします。詳細については、Ranking API で検索と RAG の品質を改善するをご覧ください。

  • [kNN を使用] を選択して、k 近傍アルゴリズムを使用して検索結果を取得します。kNN は 100% の再現率を提供するため、デバッグやテストに非常に役立ちます。

  • [クエリタスクの種類] をクリックし、使用するクエリタスクの種類を選択します。これは、Mercari 3M items（128-dim Gemini テキスト エンベディング）データセットと Mercari 3M items（768-dim Gemini テキスト エンベディング）データセットを使用する場合にのみ使用できます。クエリタスク タイプの詳細については、エンベディングのタスクタイプを選択するをご覧ください。

  • [RRF Alpha] フィールドに 0.0 ～ 1.0 の値を入力して、RRF ランキング効果を指定します。これは、ハイブリッド検索（[セマンティック] と [テキスト] の両方が選択されている場合）でのみ使用できます。
    アルファ値:

    • 1.0 - 意味的（高密度）類似性のみに基づいて結果をランク付けします。
    • 0.0 - キーワード（スパース）の関連性のみで結果をランク付けします。
    • 0.5 - セマンティック（密）類似性とキーワード（スパース）関連性に等しい重みを与えて結果をランク付けします。

    詳細については、Reciprocal Rank Fusion とはをご覧ください。

指標

クエリの実行後、検索のさまざまなステージの完了にかかった時間を分類したレイテンシ指標が提供されます。

以下が該当します。

  • すべてのソースからの合計レイテンシ。
  • エンベディングの生成とベクトル検索の実行にかかった時間。
  • [再ランク付け] が選択されている場合に、再ランク付けにかかった時間。
  • ネットワークやその他のソースからのレイテンシの合計。

エンベディング

Agent Retrieval は、次のエンベディング タイプをサポートしています。

クエリプロセス

Agent Retrieval では、クエリプロセスは実行される検索の種類とエンベディング モデルによって異なります。

エンベディングの生成と検索は、1 回の API 呼び出しで行われます。エージェント検索は、コレクションの vertex_embedding_config で指定されたモデルを使用して、サーバーサイドでクエリ エンベディングを自動生成し、検索を実行します。また、Vertex AI Feature Store のフェッチを別途行うことなく、完全なメタデータを含む結果を返します。

Word2Vec とマルチモーダル

クライアントはクエリ エンベディングを生成し、ベクトル検索のために Agent Retrieval に送信します。結果には、コレクションの完全なメタデータが含まれます。Vertex AI Feature Store のフェッチは必要ありません。

テキスト

Agent Retrieval は、組み込みのキーワード マッチングを直接実行します。エンベディングは生成されません。

データセット

データセット 説明 エンベディング モデル エンベディングのタスクタイプ
メルカリの 100 万点の商品
（768 次元の Gemini テキスト エンベディング）		 テキストと画像のエンベディングが別々の Gemini Embedding 2 エンベディング モデルを使用します。このデータセットは、さまざまなベクトル フィールドを使用したテキストからテキストへの検索とテキストから画像への検索をサポートしています。 gemini-embedding-2-preview SEMANTIC_SIMILARITY
メルカリ 300 万点の商品
（128 次元の Gemini テキスト エンベディング）		 エンベディング ディメンションの数が削減され、インデックス サイズとストレージ費用が削減されます。このデータセットは、メルカリ 300 万アイテム（768 次元の Gemini テキスト エンベディング）よりも精度が低い可能性があります。 gemini-embedding-001 RETRIEVAL_DOCUMENT
メルカリの 300 万点の商品
（768 次元の Gemini テキスト エンベディング）		 自動エンベディングと高いテキスト セマンティック精度を備えたフルディメンション エンベディング。このデータセットでは、非対称のクエリとドキュメントの照合に RETRIEVAL_DOCUMENT を使用します。 gemini-embedding-001 RETRIEVAL_DOCUMENT
メルカリ 300 万アイテム
（768 次元の Gemini テキスト エンベディング、意味的類似性）		 類似性マッチングに SEMANTIC_SIMILARITY タスクタイプを使用します。このデータセットは、クエリとドキュメントが同じセマンティクスを持つ「類似アイテムの検索」機能を必要とするユースケースに最適です。 gemini-embedding-001 SEMANTIC_SIMILARITY
メルカリの 300 万アイテム
（1,408 次元の Gemini Enterprise Agent Platform マルチモーダル エンベディング）		 画像検索用にアイテム画像をエンコードする Gemini Enterprise Agent Platform のマルチモーダル エンベディング。 multimodal-embedding-001 なし
メルカリ 300 万点の商品
（100 次元の Word2Vec テキスト エンベディング）		 Gensim Word2Vec エンベディング モデルを使用します。このデータセットは推論が最も高速です。単語レベルのセマンティックな理解のみを提供しますが、非常にコンパクトです。 Gensim Word2Vec なし

関連情報