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エージェント取得（旧称 Vector Search 2.0）を試すことができます。デモを使用して、セマンティック検索（Gemini 自動エンベディング、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）で数百万件の商品リスティングを検索します。結果は、Gemini Enterprise Agent Platform ランキング API を使用して再ランキングできます。
エージェント取得のメリット
ベクトル検索では、エンベディング生成、インデックスのデプロイ、メタデータ用の Vertex AI Feature Store が別途必要でした。エージェント検索では、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、インフラストラクチャの管理を必要としない組み込みのテキスト検索が提供されます。
試してみましょう
実行方法:
[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。[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。詳細については、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、エージェント検索（以前のベクトル検索 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、エージェント検索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:
[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。
[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、エージェント検索で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。
次のいずれかを行います。
- 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。
- ハイブリッド検索を行うには、[セマンティック] と [テキスト] の両方を選択します。
Mercari 3M items (128-dim Gemini text embeddings) または Mercari 3M items (768-dim Gemini text embeddings) データセットに対してセマンティック クエリを実行する場合は、[クエリタスクのタイプ] をクリックして、[QUESTION_ANSWERING] または [RETRIEVAL_QUERY] のいずれかを選択します。
[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
エージェント検索（以前のベクトル検索 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、エージェント検索（以前のベクトル検索 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、[Semantic] 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場合は、[テキスト] を選択します。
ハイブリッド検索を有効にするには、[セマンティック] と [テキスト] の両方を選択します。
[再ランキング] を選択すると、クエリの関連性に基づいて検索結果が再ランキングされます。詳細については、ランキング API を使用して検索と RAG の品質を向上させるをご覧ください。
kNN を使用 を選択すると、k 近傍アルゴリズムを使用して検索結果が取得されます。kNN は 100% の再現率を実現するため、デバッグやテストに非常に役立ちます。
[クエリタスクタイプ] をクリックし、使用するクエリタスクタイプを選択します。これは、Mercari 3M items (128-dim Gemini text embeddings) データセットと Mercari 3M items (768-dim Gemini text embeddings) 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）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）の関連性のみに基づいて結果をランク付けします。0.5- 意味的（密）類似性とキーワード（スパース）関連性に同じ重みを付け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。
- [Rerank] が選択されている場合、再ランキングにかかった時間。
- 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量。
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。
マルチモーダル: 商品画像のマルチモーダル セマンティック検索。詳しくは、マルチモーダル検索とは何か: 「視覚を持った LLM」でビジネスが変わるをご覧ください。
テキスト（意味的類似性）: 意味的類似性に基づいて、アイテム名と説明のテキスト セマンティック検索を行います。詳細については、Vertex AI Embeddings for Text で実現する LLM のグラウンディングをご覧ください。
テキスト（取得ドキュメント）: 質問や短いフレーズに基づく非対称検索。詳細については、Vertex AI Embeddings for Text で実現する LLM のグラウンディングをご覧ください。
Word: 非常に高速な推論と高度なコンパクトさを備えた、単語レベルのセマンティック理解。
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。
セマンティック検索とハイブリッド検索
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。エージェント取得は、コレクションの vertex_embedding_config で指定されたモデルを使用して、クエリ エンベディングをサーバーサイドで自動生成し、検索を実行して、個別の Vertex AI Feature Store フェッチを必要とせずに、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、Vertex AI Feature Store の取得は必要ありません。
テキスト
エージェントの検索は、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 タスクタイプ |
|---|---|---|---|
| メルカリ 100 万アイテム （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を別々に使用して、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てテキストからテキストへの検索とテキスト画像変換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） |
埋め込みディメンションの数が減り、インデックス サイズとストレージ費用が削減されます。このデータセットの精度は、Mercari 3M アイテム（768 次元 Gemini テキスト エンベディング）よりも低くなる可能性があります。 | gemini-embedding-001
|
RETRIEVAL_DOCUMENT |
| メルカリ 300 万点の商品 （768 次元の Gemini テキスト エンベディング） |
自動埋め込みと高いテキスト セマンティック精度を備えた全次元の埋め込みがあります。このデータセットは、非対称のクエリとドキュメントのマッチングに 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） |
類似性照合に 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のセマンティクスが同じである「類似アイテムの検索」機能が必要なユースケースに最適です。 | gemini-embedding-001
|
SEMANTIC_SIMILARITY |
| メルカリ 300 万点の商品 （1,408 次元の Vertex AI マルチモーダル エンベディング） |
画像検索用の商品画像をエンコードする Vertex AI マルチモーダル エンベディングがあります。 | 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 |