Gemini Enterprise Agent Platform Vector Search מאפשר למשתמשים לחפש פריטים דומים מבחינה סמנטית באמצעות הטבעות וקטוריות. באמצעות תהליך העבודה Spanner to Agent Platform Vector Search, אפשר לשלב את מסד הנתונים של Spanner עם Vector Search כדי לבצע חיפוש דמיון וקטורי בנתוני Spanner.
בתרשים הבא מוצג תהליך העבודה של האפליקציה מקצה לקצה, שמתאר איך אפשר להפעיל את התכונה 'חיפוש וקטורי' ולהשתמש בה בנתוני Spanner:
תהליך העבודה הכללי הוא כזה:
יצירה ואחסון של הטמעות וקטוריות.
אתם יכולים ליצור הטמעות וקטוריות של הנתונים שלכם, ואז לאחסן ולנהל אותן ב-Spanner יחד עם הנתונים התפעוליים שלכם. אפשר ליצור הטבעות באמצעות פונקציית ה-SQL של Spanner
ML.PREDICTכדי לגשת למודל הטבעת הטקסט של Agent Platform או להשתמש במודלים אחרים של הטבעות שפריסתם בוצעה ב-Agent Platform.סנכרון ההטמעות עם Vector Search
משתמשים בתהליך העבודה Spanner to Agent Platform Vector Search, שנפרס באמצעות Workflows, כדי לייצא ולהעלות הטמעות לאינדקס החיפוש של Vector Search. אתם יכולים להשתמש ב-Cloud Scheduler כדי לתזמן את תהליך העבודה הזה באופן תקופתי, וכך לשמור על עדכניות של אינדקס חיפוש הווקטורים עם השינויים האחרונים בהטמעות ב-Spanner.
ביצוע חיפוש דמיון וקטורי באמצעות אינדקס Vector Search.
שליחת שאילתה לאינדקס החיפוש של Vector Search כדי לחפש ולמצוא תוצאות של פריטים דומים מבחינה סמנטית. אפשר לשלוח שאילתות באמצעות נקודת קצה ציבורית או באמצעות קישור (peering) בין רשתות VPC שכנות.
תרחיש שימוש לדוגמה
תרחיש שימוש לדוגמה בחיפוש וקטורי הוא קמעונאי אונליין שיש לו מלאי של מאות אלפי פריטים. בתרחיש הזה, אתם מפתחים בחברה קמעונאית אונליין, ואתם רוצים להשתמש בחיפוש דמיון וקטורי בקטלוג המוצרים שלכם ב-Spanner כדי לעזור ללקוחות למצוא מוצרים רלוונטיים על סמך שאילתות החיפוש שלהם.
כדי ליצור הטמעות וקטוריות לקטלוג המוצרים ולסנכרן את ההטמעות האלה עם Vector Search, פועלים לפי שלב 1 ושלב 2 שמופיעים בתהליך העבודה הכללי.
עכשיו דמיינו לקוח שמבצע חיפוש באפליקציה שלכם, למשל "מכנסי ספורט קצרים שמתייבשים מהר ואפשר ללבוש אותם במים". כשהאפליקציה מקבלת את השאילתה הזו, צריך ליצור הטמעה של הבקשה עבור בקשת החיפוש הזו באמצעות פונקציית ה-SQL של Spanner ML.PREDICT. חשוב לוודא שאתם משתמשים באותו מודל הטמעה ששימש ליצירת ההטמעות של קטלוג המוצרים.
לאחר מכן, שולחים שאילתה לאינדקס של Vector Search כדי לקבל מזהי מוצרים שההטבעות התואמות שלהם דומות להטבעת הבקשה שנוצרה מבקשת החיפוש של הלקוח. יכול להיות שמדד החיפוש ימליץ על מזהי מוצרים של פריטים דומים מבחינה סמנטית, כמו מכנסיים קצרים לווייקבורדינג, בגדי גלישה ומכנסי שחייה.
אחרי שחיפוש וקטורי מחזיר את מזהי המוצרים הדומים האלה, אפשר לשלוח שאילתה ל-Spanner כדי לקבל את תיאורי המוצרים, את מספר הפריטים במלאי, את המחיר ומטא-נתונים רלוונטיים אחרים, ולהציג אותם ללקוח.
אפשר גם להשתמש ב-AI גנרטיבי כדי לעבד את התוצאות שמוחזרות מ-Spanner לפני שמציגים אותן ללקוח. לדוגמה, אפשר להשתמש במודלים גדולים של AI גנרטיבי מבית Google כדי ליצור סיכום תמציתי של המוצרים המומלצים. מידע נוסף זמין במדריך הזה בנושא שימוש ב-AI גנרטיבי כדי לקבל המלצות מותאמות אישית באפליקציית מסחר אלקטרוני.
המאמרים הבאים
- איך יוצרים הטמעות באמצעות Spanner
- מידע נוסף על כלי ה-AI הרב-תכליתי: הטמעות וקטוריות
- בקורס המהיר שלנו בנושא הטמעות אפשר לקרוא מידע נוסף על למידת מכונה והטמעות.
- מידע נוסף על תהליך העבודה של חיפוש וקטורים מ-Spanner אל Agent Platform זמין במאגר GitHub.
- מידע נוסף על חבילת spanner-analytics בקוד פתוח, שמקלה על פעולות נפוצות של ניתוח נתונים ב-Python וכוללת שילובים עם Jupyter Notebooks.