Rasakan kecanggihan teknologi penelusuran vektor dengan demo interaktif Vector Search. Dengan memanfaatkan set data dunia nyata, demo ini memberikan contoh realistis yang akan membantu Anda mempelajari cara kerja Vector Search, menjelajahi penelusuran semantik dan campuran, serta melihat cara kerja pemeringkatan ulang. Kirimkan deskripsi singkat tentang hewan, tumbuhan, merchandise e-commerce, atau item lainnya, dan biarkan Vector Search menyelesaikan langkah berikutnya.
Cobalah!
Bereksperimenlah dengan berbagai opsi dalam demo untuk memulai Vector Search dan memahami dasar-dasar teknologi penelusuran vektor.
Untuk menjalankan:
Di kolom teks Query, deskripsikan item yang ingin Anda kueri (misalnya,
vintage 1970s pinball machine). Atau, klik Generate Query untuk membuat deskripsi secara otomatis.Klik Submit.
Untuk mempelajari lebih lanjut hal yang dapat Anda lakukan dalam demo, lihat Antarmuka Pengguna.
Antarmuka Pengguna
Bagian ini menjelaskan setelan di UI yang dapat Anda gunakan untuk mengontrol hasil yang ditampilkan Vector Search dan cara hasil tersebut diberi peringkat.
Set data
Gunakan dropdown Dataset untuk memilih set data yang akan digunakan Vector Search untuk menjalankan kueri Anda. Lihat Set Data untuk mengetahui detail tentang setiap set data.
Kueri
Untuk kolom Query, tambahkan deskripsi atau satu atau beberapa kata kunci untuk menentukan item yang ingin Anda temukan dengan Vector Search. Atau, klik Generate Query untuk membuat deskripsi secara otomatis.
Ubah
Beberapa opsi tersedia untuk mengubah hasil yang ditampilkan Vector Search:
Klik Rows , lalu pilih jumlah maksimum hasil penelusuran yang ingin Anda tampilkan dengan Vector Search.
Pilih Use dense embeddings jika Anda ingin Vector Search menampilkan hasil yang semantikanya serupa.
Pilih Use sparse embeddings jika Anda ingin Vector Search menampilkan hasil berdasarkan sintaksis teks kueri Anda. Tidak semua set data yang tersedia mendukung model embedding renggang.
Pilih Use dense embeddings dan Use sparse embeddings jika Anda ingin Vector Search menggunakan penelusuran campuran. Tidak semua set data mendukung model ini. Penelusuran campuran menggabungkan elemen embedding padat dan renggang yang dapat meningkatkan kualitas hasil penelusuran. Untuk mempelajari lebih lanjut, buka Tentang penelusuran campuran.
Di kolom RRF Alpha , masukkan nilai antara 0,0 dan 1,0 untuk menentukan efek peringkat RRF.
Untuk memberi peringkat ulang hasil penelusuran, pilih ranking_api dari dropdown Reranking atau pilih None untuk menonaktifkan pemberian peringkat ulang.
Metrik
Setelah kueri dijalankan, Anda akan mendapatkan metrik latensi yang menguraikan waktu yang diperlukan untuk menyelesaikan berbagai tahap penelusuran.
Proses Kueri
Saat kueri diproses, hal berikut akan terjadi:
Pembuatan embedding kueri: Embedding dibuat untuk teks kueri yang ditentukan.
Kueri Vector Search: Kueri dijalankan dengan indeks Vector Search.
Pengambilan Gemini Enterprise Agent Platform Feature Store: Fitur dibaca (misalnya, nama item, deskripsi, atau URL gambar) dari Gemini Enterprise Agent Platform Feature Store menggunakan daftar ID item yang ditampilkan Vector Search.
Peringkat ulang: Item yang diambil diurutkan melalui ranking API yang menggunakan teks kueri, nama item, dan deskripsi item untuk menghitung skor relevansi.
Embedding
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 Embedding Platform Agen untuk Teks: Cara mudah Grounding LLM.
Teks (tanya jawab): Penelusuran semantik teks pada nama dan deskripsi item, dengan kualitas penelusuran yang ditingkatkan berdasarkan jenis tugas QUESTION_ANSWERING. Hal ini cocok untuk aplikasi jenis Tanya Jawab. Untuk mengetahui informasi tentang embedding jenis tugas, buka Meningkatkan kasus penggunaan AI generatif Anda dengan embedding dan jenis tugas Agent Platform.
Renggang (Penelusuran Campuran): Penelusuran kata kunci (berbasis token) pada nama dan deskripsi item, yang dibuat dengan algoritma TF-IDF. Untuk mengetahui informasi selengkapnya, buka Tentang penelusuran campuran.
Set data
Demo interaktif ini mencakup beberapa set data yang dapat Anda gunakan untuk menjalankan kueri. Set data berbeda satu sama lain berdasarkan model embedding, dukungan untuk embedding renggang, dimensi embedding, dan jumlah item yang disimpan.
| Set data | Model Embedding | Model Embedding Renggang | Dimensi Embedding | Jumlah Item |
|---|---|---|---|---|
| Mercari Multimodal + Embedding renggang | Embedding multimodal | TF-IDF (nama dan deskripsi item) |
1408 | ~3 juta |
| Mercari Teks (kemiripan semantik) + Embedding renggang | text-embedding-005 (Jenis tugas: SEMANTIC_SIMILARITY) |
TF-IDF (nama dan deskripsi item) |
768 | ~3 juta |
| Mercari Teks (tanya jawab) + Embedding renggang | text-embedding-005 (Jenis tugas: QUESTION_ANSWERING) |
TF-IDF (nama dan deskripsi item) |
768 | ~3 juta |
| GBIF Flowers Multimodal + Embedding renggang | Embedding multimodal | TF-IDF (nama dan deskripsi item) |
1408 | ~3,3 juta |
| GBIF Animals Embedding multimodal | Embedding multimodal | T/A | 1408 | ~7 juta |
Langkah berikutnya
Setelah memahami demo ini, Anda siap untuk mempelajari lebih dalam cara menggunakan Vector Search.
Panduan memulai: Gunakan set data contoh untuk membuat dan men-deploy indeks dalam waktu 30 menit atau kurang.
Sebelum memulai: Temukan hal yang perlu dilakukan untuk menyiapkan embedding dan tentukan jenis endpoint untuk men-deploy indeks Anda.