Penelusuran Vektor Platform Agen Gemini Enterprise memungkinkan pengguna menelusuri item yang semantikanya serupa menggunakan embedding vektor. Dengan menggunakan alur kerja Spanner ke Penelusuran Vektor Platform Agen, Anda dapat mengintegrasikan database Spanner dengan Penelusuran Vektor untuk melakukan penelusuran kemiripan vektor pada data Spanner.
Diagram berikut menunjukkan alur kerja aplikasi end-to-end tentang cara mengaktifkan dan menggunakan Penelusuran Vektor pada data Spanner:
Alur kerja umumnya adalah sebagai berikut:
Membuat dan menyimpan embedding vektor.
Anda dapat membuat embedding vektor data, lalu menyimpan dan mengelolanya di Spanner dengan data operasional. Anda dapat membuat embedding dengan fungsi SQL
ML.PREDICTSpanner untuk mengakses model embedding teks Platform Agen atau menggunakan model embedding lain yang di-deploy ke Platform Agen.Menyinkronkan embedding ke Penelusuran Vektor.
Gunakan alur kerja Spanner ke Penelusuran Vektor Platform Agen, yang di-deploy menggunakan Workflows untuk mengekspor dan mengupload embedding ke dalam indeks Penelusuran Vektor. Anda dapat menggunakan Cloud Scheduler untuk menjadwalkan alur kerja ini secara berkala agar indeks Penelusuran Vektor tetap diperbarui dengan perubahan terbaru pada embedding di Spanner.
Melakukan penelusuran kemiripan vektor menggunakan indeks Penelusuran Vektor.
Kirim kueri ke indeks Penelusuran Vektor untuk menelusuri dan menemukan hasil untuk item yang semantikanya serupa. Anda dapat mengirim kueri menggunakan a endpoint publik atau melalui peering VPC.
Contoh kasus penggunaan
Kasus penggunaan ilustratif untuk Penelusuran Vektor adalah retailer online yang memiliki inventaris ratusan ribu item. Dalam skenario ini, Anda adalah developer untuk retailer online, dan Anda ingin menggunakan penelusuran kemiripan vektor pada katalog produk di Spanner untuk membantu pelanggan menemukan produk yang relevan berdasarkan kueri penelusuran mereka.
Ikuti langkah 1 dan langkah 2 yang ditampilkan dalam alur kerja umum untuk membuat embedding vektor bagi katalog produk, dan menyinkronkan embedding ini ke Penelusuran Vektor.
Sekarang bayangkan pelanggan yang menjelajahi aplikasi Anda melakukan penelusuran seperti "celana pendek olahraga terbaik dan cepat kering yang dapat saya gunakan di dalam air". Saat aplikasi Anda menerima kueri ini, Anda harus membuat embedding permintaan untuk permintaan penelusuran ini menggunakan fungsi SQL Spanner.ML.PREDICT Pastikan untuk menggunakan model embedding yang sama dengan yang digunakan untuk membuat embedding bagi katalog produk Anda.
Selanjutnya, kirim kueri ke indeks Penelusuran Vektor untuk ID produk yang embedding-nya sesuai dengan embedding permintaan yang dibuat dari permintaan penelusuran pelanggan Anda. Indeks penelusuran mungkin merekomendasikan ID produk untuk item yang semantikanya serupa seperti celana pendek wakeboarding, pakaian selancar, dan celana renang.
Setelah Penelusuran Vektor menampilkan ID produk serupa ini, Anda dapat mengirim kueri ke Spanner untuk mendapatkan deskripsi produk, jumlah inventaris, harga, dan metadata lain yang relevan, lalu menampilkannya kepada pelanggan.
Anda juga dapat menggunakan AI generatif untuk memproses hasil yang ditampilkan dari Spanner sebelum menampilkannya kepada pelanggan. Misalnya, Anda dapat menggunakan model AI generatif besar Google untuk membuat ringkasan singkat produk yang direkomendasikan. Untuk mengetahui informasi selengkapnya, lihat tutorial ini tentang cara menggunakan AI Generatif untuk mendapatkan rekomendasi yang dipersonalisasi dalam aplikasi e-commerce.
Langkah berikutnya
- Pelajari cara membuat embedding menggunakan Spanner.
- Pelajari lebih lanjut alat serbaguna AI: Embedding vektor
- Pelajari lebih lanjut machine learning dan embedding dalam kursus singkat kami tentang embedding.
- Pelajari lebih lanjut alur kerja Spanner ke Penelusuran Vektor Platform Agen, lihat repositori GitHub.
- Pelajari lebih lanjut paket spanner-analytics open source yang memfasilitasi operasi analisis data umum di Python dan mencakup integrasi dengan Notebook Jupyter.