הדגמה אינטראקטיבית של חיפוש וקטורי מאפשרת לכם לחוות את העוצמה של טכנולוגיית חיפוש וקטורי מתקדמת. ההדגמה מבוססת על מערכי נתונים מהעולם האמיתי, ומספקת דוגמה מציאותית שתעזור לכם להבין איך חיפוש וקטורי פועל, ללמוד על חיפוש סמנטי וחיפוש היברידי ולראות את הדירוג מחדש בפעולה. אתם יכולים להזין תיאור קצר של בעל חיים, צמח, מוצר מסחר אלקטרוני או פריט אחר, ולתת לחיפוש הווקטורי לעשות את השאר.
רוצה לנסות?
כדאי להתנסות באפשרויות השונות בהדגמה כדי להבין את היסודות של טכנולוגיית החיפוש הווקטורי ולהתחיל להשתמש בחיפוש וקטורי.
כדי להריץ:
בשדה הטקסט שאילתה, מתארים את הפריטים שרוצים לשלוף (לדוגמה,
vintage 1970s pinball machine). לחלופין, אפשר ללחוץ על יצירת שאילתה כדי ליצור תיאור באופן אוטומטי.לוחצים על שליחה.
מידע נוסף על הפעולות שאפשר לבצע בהדגמה זמין במאמר ממשק משתמש.
ממשק משתמש
בקטע הזה מוסבר על ההגדרות בממשק המשתמש שבעזרתן אפשר לקבוע את התוצאות שמוחזרות מחיפוש וקטורי ואת הדירוג שלהן.
קבוצת הנתונים
בתפריט הנפתח Dataset בוחרים את מערך הנתונים שבו רוצים להריץ את השאילתה באמצעות Vector Search. פרטים נוספים על כל אחד מהם זמינים במאמר בנושא מערכי נתונים.
שאילתה
בשדה Query, מוסיפים תיאור או מילת מפתח אחת או יותר כדי לציין אילו פריטים רוצים שמנוע החיפוש הווקטורי ימצא. לחלופין, אפשר ללחוץ על Generate Query כדי ליצור תיאור באופן אוטומטי.
שינוי
יש כמה אפשרויות לשינוי התוצאות שמתקבלות מחיפוש וקטורי:
לוחצים על שורות ובוחרים את המספר המקסימלי של תוצאות החיפוש שרוצים שמנוע החיפוש הווקטורי יחזיר.
בוחרים באפשרות שימוש בהטמעות צפופות אם רוצים שחיפוש וקטורי יחזיר תוצאות דומות מבחינה סמנטית.
בוחרים באפשרות Use sparse embeddings (שימוש בהטמעות דלילות) אם רוצים שחיפוש וקטורי יחזיר תוצאות על סמך תחביר הטקסט של השאילתה. לא כל מערכי הנתונים הזמינים תומכים במודלים של הטמעה דלילה.
כדי להשתמש בחיפוש היברידי ב-Vector Search, בוחרים באפשרות Use dense embeddings (שימוש בהטמעות צפופות) וגם באפשרות Use sparse embeddings (שימוש בהטמעות דלילות). לא כל מערכי הנתונים תומכים במודל הזה. חיפוש היברידי משלב אלמנטים של הטמעות צפופות ודלילות, ויכול לשפר את איכות תוצאות החיפוש. מידע נוסף זמין במאמר בנושא חיפוש היברידי.
בשדה RRF Alpha, מזינים ערך בין 0.0 ל-1.0 כדי לציין את ההשפעה של דירוג ה-RRF.
כדי לדרג מחדש את תוצאות החיפוש, בוחרים באפשרות ranking_api מהתפריט הנפתח Reranking או באפשרות None כדי להשבית את הדירוג מחדש.
מדדים
אחרי שמריצים שאילתה, מקבלים מדדי השהיה שמפרטים את הזמן שנדרש להשלמת שלבים שונים של החיפוש.
תהליך השאילתה
כשמערכת מעבדת שאילתה, קורים הדברים הבאים:
יצירת הטמעה של שאילתה: נוצרת הטמעה של טקסט השאילתה שצוין.
שאילתת חיפוש וקטורי: השאילתה מורצת עם אינדקס החיפוש הווקטורי.
שליפה של מאפיינים ממאגר המאפיינים של Gemini Enterprise Agent Platform: המאפיינים נקראים (לדוגמה, שם הפריט, תיאור או כתובת URL של תמונה) ממאגר המאפיינים של Gemini Enterprise Agent Platform באמצעות רשימת מזהי הפריטים שמוחזרים על ידי Vector Search.
דירוג מחדש: הפריטים שאוחזרו ממוינים באמצעות ממשקי API לדירוג, שמשתמשים בטקסט השאילתה, בשם הפריט ובתיאור הפריט כדי לחשב את ציון הרלוונטיות.
הטמעות
מרובה מצבים: חיפוש סמנטי מרובה מצבים בתמונות של פריטים. לפרטים נוספים, אפשר לעבור אל מהו חיפוש מרובה מצבים: 'מודלים גדולים של שפה עם ראייה' משנים את העסקים.
טקסט (דמיון סמנטי): חיפוש סמנטי של טקסט בשמות פריטים ובתיאורים על סמך דמיון סמנטי. מידע נוסף זמין במאמר בנושא Agent Platform Embeddings for Text: Grounding LLMs made easy.
טקסט (מענה על שאלות): חיפוש סמנטי של טקסט בשמות פריטים ובתיאורים שלהם, עם שיפור איכות החיפוש לפי סוג המשימה QUESTION_ANSWERING. האפשרות הזו מתאימה לאפליקציות מסוג שאלות ותשובות. מידע על הטמעות של סוגי משימות זמין במאמר שיפור תרחיש השימוש ב-AI גנרטיבי באמצעות הטמעות של Agent Platform וסוגי משימות.
דליל (חיפוש היברידי): חיפוש מילות מפתח (מבוסס-טוקנים) בשמות ובתיאורים של פריטים, שנוצרו באמצעות אלגוריתם TF-IDF. מידע נוסף מופיע במאמר בנושא חיפוש היברידי.
מערכי נתונים
ההדגמה האינטראקטיבית כוללת כמה מערכי נתונים שאפשר להריץ עליהם שאילתות. ההבדלים בין מערכי הנתונים הם במודל ההטמעה, בתמיכה בהטמעות דלילות, במאפייני ההטמעה ובמספר הפריטים המאוחסנים.
| קבוצת הנתונים | מודל הטמעה | מודל הטמעה דלילה | הטמעת מאפיינים | מספר הפריטים |
|---|---|---|---|---|
| Mercari Multimodal + Sparse embeddings | הטמעה מולטי-מודאלית | TF-IDF (שם הפריט והתיאור שלו) |
1408 | כ-3 מיליון |
| טקסט של Mercari (דמיון סמנטי) + הטמעות דלילות | text-embedding-005 (סוג המשימה: SEMANTIC_SIMILARITY) |
TF-IDF (שם הפריט והתיאור שלו) |
768 | כ-3 מיליון |
| Mercari Text (question answering) + Sparse embeddings | text-embedding-005 (סוג המשימה: מענה על שאלות) |
TF-IDF (שם הפריט והתיאור שלו) |
768 | כ-3 מיליון |
| הטמעות מולטי-מודאליות ודלילות של פרחים ב-GBIF | הטמעה מולטי-מודאלית | TF-IDF (שם הפריט והתיאור שלו) |
1408 | כ-3.3 מיליון |
| הטמעות מולטי-מודאליות של בעלי חיים ב-GBIF | הטמעה מולטי-מודאלית | לא רלוונטי | 1408 | כ-7 מיליון |
השלבים הבאים
אחרי שהתנסיתם בהדגמה, אתם מוכנים ללמוד לעומק איך להשתמש בחיפוש וקטורי.
מדריך להתחלה מהירה: שימוש במערך נתונים לדוגמה כדי ליצור ולפרוס אינדקס תוך 30 דקות או פחות.
לפני שמתחילים: כדאי לקרוא מה צריך לעשות כדי להכין הטמעות ולקבוע את סוג נקודת הקצה שבה רוצים לפרוס את האינדקס.