La ricerca vettoriale sulla piattaforma Gemini Enterprise Agent consente agli utenti di cercare elementi semanticamente simili utilizzando gli incorporamenti vettoriali. Utilizzando il workflow da Spanner ad Agent Platform Vector Search, puoi integrare il tuo database Spanner con la ricerca vettoriale per eseguire una ricerca di similarità vettoriale sui tuoi dati Spanner.
Il seguente diagramma mostra il flusso di lavoro end-to-end dell'applicazione per abilitare e utilizzare la ricerca vettoriale sui dati Spanner:
Il flusso di lavoro generale è il seguente:
Genera e archivia gli incorporamenti vettoriali.
Puoi generare incorporamenti vettoriali dei tuoi dati, quindi archiviarli e gestirli in Spanner con i tuoi dati operativi. Puoi generare incorporamenti con la funzione SQL
ML.PREDICT`ML.PREDICT` di Spanner per accedere al modello di text embedding della piattaforma Agent Platform o utilizzare altri modelli di embedding di cui è stato eseguito il deployment sulla piattaforma Agent Platform.Sincronizza gli incorporamenti con la ricerca vettoriale.
Utilizza il workflow da Spanner alla ricerca vettoriale sulla Agent Platform, di cui è stato eseguito il deployment utilizzando Workflows per esportare e caricare gli embedding in un indice della Ricerca vettoriale. Puoi utilizzare Cloud Scheduler per pianificare periodicamente questo workflow in modo da mantenere aggiornato l'indice di ricerca vettoriale con le ultime modifiche apportate agli embedding in Spanner.
Esegui la ricerca di similarità vettoriale utilizzando l'indice della Ricerca vettoriale.
Esegui una query sull'indice di ricerca vettoriale per cercare e trovare risultati per elementi semanticamente simili. Puoi eseguire query utilizzando un endpoint pubblico o tramite il peering VPC.
Caso d'uso di esempio
Un caso d'uso illustrativo per la ricerca vettoriale è quello di un rivenditore online che ha un inventario di centinaia di migliaia di articoli. In questo scenario, sei uno sviluppatore di un rivenditore online e vuoi utilizzare la ricerca di similarità vettoriale nel catalogo prodotti in Spanner per aiutare i clienti a trovare prodotti pertinenti in base alle loro query di ricerca.
Segui i passaggi 1 e 2 presentati nel flusso di lavoro generale per generare incorporamenti vettoriali per il catalogo prodotti e sincronizzarli con la ricerca vettoriale.
Ora immagina che un cliente che naviga nella tua applicazione esegua una ricerca come "i migliori pantaloncini sportivi ad asciugatura rapida che posso indossare in acqua". Quando la tua
applicazione riceve questa query, devi generare un incorporamento della richiesta per
questa richiesta di ricerca utilizzando la funzione ML.PREDICT
SQL di Spanner. Assicurati di utilizzare lo stesso modello di embedding utilizzato per generare gli incorporamenti per il catalogo prodotti.
Quindi, esegui una query sull'indice di ricerca vettoriale per gli ID prodotto i cui incorporamenti corrispondenti sono simili all'incorporamento della richiesta generato dalla richiesta di ricerca del cliente. L'indice di ricerca potrebbe consigliare ID prodotto per elementi semanticamente simili, come pantaloncini da wakeboard, abbigliamento da surf e costumi da bagno.
Dopo che la ricerca vettoriale restituisce questi ID prodotto simili, puoi eseguire una query su Spanner per le descrizioni, il conteggio dell'inventario, il prezzo e altri metadati pertinenti dei prodotti e mostrarli al cliente.
Puoi anche utilizzare l'AI generativa per elaborare i risultati restituiti da Spanner prima di mostrarli al cliente. Ad esempio, puoi utilizzare i modelli di AI generativa di grandi dimensioni di Google per generare un riepilogo conciso dei prodotti consigliati. Per saperne di più, consulta questo tutorial su come utilizzare l'AI generativa per ricevere suggerimenti personalizzati in un'applicazione di e-commerce.
Passaggi successivi
- Scopri come generare incorporamenti utilizzando Spanner.
- Scopri di più sullo strumento multifunzione dell'AI: gli incorporamenti vettoriali
- Scopri di più sul machine learning e sugli incorporamenti nel nostro corso intensivo sugli incorporamenti.
- Scopri di più sul flusso di lavoro di ricerca vettoriale da Spanner ad Agent Platform, consulta il repository GitHub.
- Scopri di più sul pacchetto spanner-analytics open source che facilita le operazioni di analisi dei dati comuni in Python e include integrazioni con i notebook Jupyter.