Die Vektorsuche ist eine leistungsstarke Suchmaschine, die auf einer bahnbrechenden Technologie des Google Research-Teams basiert. Mit dem ScaNN-Algorithmus können Sie mit der Vektorsuche Such- und Empfehlungssysteme der nächsten Generation sowie generative KI-Anwendungen erstellen.
Sie können von derselben Forschung und Technologie profitieren, die auch die Grundlage für Google-Produkte wie die Google Suche, YouTube und Google Play bildet. Sie profitieren also von der Skalierbarkeit, Verfügbarkeit und Leistung, die für die Verarbeitung riesiger Datasets und die Bereitstellung blitzschneller Ergebnisse auf globaler Ebene erforderlich sind. Mit der Vektorsuche haben Sie eine Lösung auf Unternehmensniveau, um innovative semantische Suchfunktionen in Ihren eigenen Anwendungen zu implementieren.
|
|
|
|
Jetzt starten
Interaktive Demo zur Vektorsuche: Sehen Sie sich die Live-Demo an, um ein realistisches Beispiel für die Möglichkeiten der Vektorsuche zu erhalten und sich einen Vorsprung zu verschaffen.
Kurzanleitung zur Vektorsuche: Testen Sie die Vektorsuche in 30 Minuten, indem Sie einen Vektorsuchindex mit einem Beispieldatensatz erstellen, bereitstellen und abfragen. In dieser Anleitung werden die Einrichtung, die Datenvorbereitung, die Indexerstellung, die Bereitstellung, die Abfrage und die Bereinigung behandelt.
Vorbereitung: Bereiten Sie Ihre Einbettungen vor, indem Sie ein Modell auswählen und trainieren und Ihre Daten vorbereiten. Wählen Sie dann einen öffentlichen oder privaten Endpunkt aus, auf dem der Abfrageindex bereitgestellt werden soll.
Preise für die Vektorsuche und Preisrechner: Die Preise für die Vektorsuche umfassen die Kosten für virtuelle Maschinen, die zum Hosten bereitgestellter Indexe verwendet werden, sowie die Kosten für das Erstellen und Aktualisieren von Indexen. Selbst eine minimale Einrichtung (unter 100 $ pro Monat) kann einen hohen Durchsatz für mittelgroße Anwendungsfälle ermöglichen. So schätzen Sie Ihre monatlichen Kosten:
- Rufen Sie den Preisrechner fürGoogle Cloud auf.
- Klicken Sie auf Der Schätzung hinzufügen.
- Suchen Sie nach „Gemini Enterprise Agent Platform“.
- Klicken Sie auf den Button Gemini Enterprise Agent Platform.
- Wählen Sie im Drop-down-Menü Diensttyp die Option Gemini Enterprise Agent Platform Vektorsuche aus.
- Behalten Sie die Standardeinstellungen bei oder konfigurieren Sie Ihre eigenen. Die geschätzten Kosten pro Monat werden im Bereich Kostendetails angezeigt.
Dokumentation
Indexe und Endpunkte verwalten
Themen für Fortgeschrittene
Anwendungsfälle und Blogs
Die Vektorsuche wird zu einem zentralen Hub für Unternehmen, die KI einsetzen. Ähnlich wie relationale Datenbanken in IT-Systemen verbindet er verschiedene Geschäftselemente wie Dokumente, Inhalte, Produkte, Nutzer, Ereignisse und andere Entitäten basierend auf ihrer Relevanz. Neben der Suche in herkömmlichen Medien wie Dokumenten und Bildern kann die Vektorsuche auch intelligente Empfehlungen liefern, Geschäftsprobleme mit Lösungen abgleichen und sogar IoT-Signale mit Monitoring-Benachrichtigungen verknüpfen. Es ist ein vielseitiges Tool, das für die Navigation in der wachsenden Landschaft von KI-gestützten Unternehmensdaten unerlässlich ist.
|
Suche/Informationsabruf
Empfehlungssysteme |
How Gemini Enterprise Agent Platform vector search helps unlock high-performance gen AI apps: Die Vektorsuche unterstützt verschiedene Anwendungen, darunter E-Commerce, RAG-Systeme und Empfehlungssysteme, sowie Chatbots, multimodale Suche und mehr. Die Hybridsuche verbessert die Ergebnisse für Nischenbegriffe weiter. Kunden wie Bloomreach, eBay und Mercado Libre nutzen die Gemini Enterprise Agent Platform aufgrund ihrer Leistung, Skalierbarkeit und Kosteneffizienz und profitieren von Vorteilen wie schnellerer Suche und mehr Conversions. eBay verwendet die Vektorsuche für Empfehlungen: Hier wird beschrieben, wie eBay die Vektorsuche für sein Empfehlungssystem verwendet. Mit dieser Technologie kann eBay ähnliche Produkte in seinem umfangreichen Katalog finden und so die Nutzerfreundlichkeit verbessern. Mercari nutzt die Vektorsuchtechnologie von Google, um einen neuen Marktplatz zu erstellen: Erläutert, wie Mercari die Vektorsuche verwendet, um seine neue Marktplatzplattform zu verbessern. Die Vektorsuche unterstützt die Empfehlungen der Plattform und hilft Nutzern, relevante Produkte effektiver zu finden. Gemini Enterprise Agent Platform Embeddings for Text: Grounding LLMs made easy: Konzentriert sich auf die Fundierung von LLMs mit Gemini Enterprise Agent Platform Embeddings für Textdaten. Die Vektorsuche spielt eine wichtige Rolle beim Finden relevanter Textpassagen, die dafür sorgen, dass die Antworten des Modells auf Fakten basieren. What is Multimodal Search: "LLMs with vision" change businesses: In diesem Artikel wird die multimodale Suche erläutert, die LLMs mit visuellem Verständnis kombiniert. Es wird erläutert, wie die Vektorsuche sowohl Text- als auch Bilddaten verarbeitet und vergleicht, um umfassendere Suchergebnisse zu ermöglichen. Multimodale Suche im großen Maßstab: Text- und Bildleistung mit der Gemini Enterprise Agent Platform kombinieren: Beschreibt, wie Sie mit der Gemini Enterprise Agent Platform eine multimodale Suchmaschine erstellen, die Text- und Bildsuche mithilfe einer gewichteten Rank-Biased Reciprocal Rank-Ensemble-Methode kombiniert. Dies verbessert die Nutzerfreundlichkeit und liefert relevantere Ergebnisse. Deep Retrieval mit TensorFlow Recommenders und der Vektorsuche skalieren: In diesem Artikel wird erläutert, wie Sie mit TensorFlow Recommenders und der Vektorsuche ein Empfehlungssystem für Playlists erstellen. Dabei werden Deep-Retrieval-Modelle, Training, Bereitstellung und Skalierung behandelt. |
|
Generative KI: Abruf für RAG und Agenten |
Gemini Enterprise Agent Platform and Denodo unlock enterprise data with Gen AI: Hier wird gezeigt, wie die Integration der Gemini Enterprise Agent Platform in Denodo es Unternehmen ermöglicht, mithilfe von generativer KI Erkenntnisse aus ihren Daten zu gewinnen. Die Vektorsuche ist entscheidend für den effizienten Zugriff auf relevante Daten und deren Analyse in einer Unternehmensumgebung. Infinite Nature und die Natur von Branchen: Diese „wilde“ Demo zeigt die vielfältigen Möglichkeiten von KI: In dieser Demo wird das Potenzial von KI in verschiedenen Branchen veranschaulicht. Die Vektorsuche wird verwendet, um generative Empfehlungen und multimodale semantische Suchen zu ermöglichen. Infinite Fleurs: KI-gestützte Kreativität in voller Blüte: Infinite Fleurs von Google ist ein KI-Experiment, bei dem mithilfe von Vector Search und Gemini-Modellen einzigartige Blumensträuße auf der Grundlage von Nutzer-Prompts generiert werden. Diese Technologie zeigt das Potenzial von KI, Kreativität in verschiedenen Branchen zu fördern. LlamaIndex für RAG in Google Cloud: Hier wird beschrieben, wie Sie LlamaIndex verwenden, um Retrieval Augmented Generation (RAG) mit Large Language Models zu ermöglichen. LlamaIndex verwendet die Vektorsuche, um relevante Informationen aus einer Wissensdatenbank abzurufen. Das führt zu genaueren und kontextbezogenen Antworten. RAG und Fundierung auf der Gemini Enterprise Agent Platform: Hier werden RAG- und Fundierungstechniken auf der Gemini Enterprise Agent Platform untersucht. Die Vektorsuche hilft dabei, relevante Fundierungsinformationen beim Abrufen zu identifizieren, wodurch generierte Inhalte genauer und zuverlässiger werden. Vektorsuche in LangChain: Anleitung zur Verwendung der Vektorsuche mit LangChain zum Erstellen und Bereitstellen eines Vektordatenbankindex für Textdaten, einschließlich Question Answering und PDF-Verarbeitung. |
|
BI, Datenanalyse, Monitoring und mehr |
KI in Echtzeit mit Streamingaufnahme in der Agent Platform ermöglichen: Hier werden Streaming-Updates in der Vektorsuche und die Bereitstellung von KI-Funktionen in Echtzeit erläutert. Diese Technologie ermöglicht die Verarbeitung und Analyse eingehender Datenstreams in Echtzeit. |
Weitere Informationen
Die folgenden Ressourcen können Ihnen beim Einstieg in die Vektorsuche helfen:
Notebooks und Lösungen
|
|
|
Kurzanleitung: Vektorsuche auf der Agent Platform: Bietet eine Übersicht über die Vektorsuche. Sie ist für Nutzer gedacht, die neu auf der Plattform sind und schnell loslegen möchten. |
Erste Schritte mit Texteinbettungen und Vektorsuche: Einführung in Texteinbettungen und Vektorsuche. Es wird erklärt, wie diese Technologien funktionieren und wie sie zur Verbesserung der Suchergebnisse eingesetzt werden können. |
|
|
|
Semantische Suche und Stichwortsuche kombinieren: Anleitung zur Hybridsuche mit der Vektorsuche der Gemini Enterprise Agent Platform: Anleitung zur Verwendung der Vektorsuche für die Hybridsuche. Es werden die Schritte zum Einrichten und Konfigurieren eines hybriden Suchsystems beschrieben. |
RAG Engine auf der Gemini Enterprise Agent Platform mit Vektorsuche: Hier wird die Verwendung der RAG Engine mit der Vektorsuche erläutert. Es werden die Vorteile der gemeinsamen Verwendung dieser beiden Technologien erläutert und Beispiele für die Verwendung in realen Anwendungen gegeben. |
|
|
|
Infrastruktur für eine RAG-fähige generative KI-Anwendung mit der Gemini Enterprise Agent Platform und der Vektorsuche: Hier wird die Architektur für die Erstellung einer generativen KI-Anwendung und RAG mit der Vektorsuche, Cloud Run und Cloud Storage beschrieben. Außerdem werden Anwendungsfälle, Designentscheidungen und wichtige Überlegungen behandelt. |
Two-Tower-Retrieval für die Kandidatengenerierung in großem Umfang implementieren: Bietet eine Referenzarchitektur, die zeigt, wie Sie mit der Gemini Enterprise Agent Platform einen End-to-End-Workflow für die Two-Tower-Kandidatengenerierung implementieren. Das Two-Tower-Modellierungsframework ist eine leistungsstarke Abruftechnik für Personalisierungsanwendungsfälle, da es die semantische Ähnlichkeit zwischen zwei verschiedenen Entitäten wie Webabfragen und Kandidatenelementen lernt. |
Training
Erste Schritte mit der Vektorsuche und Einbettungen Die Vektorsuche wird verwendet, um ähnliche oder verwandte Elemente zu finden. Er kann für Empfehlungen, die Suche, Chatbots und die Textklassifizierung verwendet werden. Dazu werden Einbettungen erstellt, in Google Cloudhochgeladen und für Abfragen indexiert. In diesem Lab geht es um Texteinbettungen mit der Gemini Enterprise Agent Platform. Einbettungen können aber auch für andere Datentypen generiert werden.
Vektorsuche und Einbettungen In diesem Kurs wird die Vektorsuche vorgestellt und beschrieben, wie sie beim Erstellen einer Suchanwendung mit Large Language Model-APIs (LLM) für Einbettungen genutzt werden kann. Der Kurs besteht aus konzeptionellen Lektionen über Vektorsuche und Texteinbettungen, interaktiven Demos zum Erstellen einer Vektorsuche auf der Gemini Enterprise Agent Platform und einem Übungs-Lab.
Texteinbettungen verstehen und anwenden
Die Embeddings API der Gemini Enterprise Agent Platform generiert Texteinbettungen. Das sind
numerische Darstellungen von Text, die für Aufgaben wie das Identifizieren ähnlicher Elemente verwendet werden.
In diesem Kurs verwenden Sie Texteinbettungen für Aufgaben wie Klassifizierung und semantische Suche. Außerdem kombinieren Sie die semantische Suche mit LLMs, um mit der Gemini Enterprise Agent Platform Frage-Antwort-Systeme zu erstellen.
Crashkurs „Maschinelles Lernen“: Einbettungen In diesem Kurs werden Worteinbettungen vorgestellt und mit dünnbesetzten Darstellungen verglichen. Es werden Methoden zum Erhalten von Einbettungen erläutert und es wird zwischen statischen und kontextuellen Einbettungen unterschieden.
Ähnliche Produkte
Gemini Enterprise Agent Platform Embeddings: Übersicht über die Embeddings API. Anwendungsfälle für Text- und multimodale Einbettungen sowie Links zu zusätzlichen Ressourcen und zugehörigen Diensten von Google Cloud .
Agent Search Ranking API Die Ranking API ordnet Dokumente basierend auf ihrer Relevanz für eine Abfrage mithilfe eines vortrainierten Sprachmodells neu an und liefert präzise Bewertungen. Es eignet sich ideal, um Suchergebnisse aus verschiedenen Quellen, einschließlich der Vektorsuche, zu verbessern.
Gemini Enterprise Agent Platform Feature Store Ermöglicht die Verwaltung und Bereitstellung von Featuredaten mit BigQuery als Datenquelle. Er stellt Ressourcen für die Onlinebereitstellung bereit und fungiert als Metadatenebene, um die neuesten Featurewerte direkt aus BigQuery bereitzustellen. Mit Agent Platform Feature Store können Sie Featurewerte für die Elemente, die Vector Store für Abfragen zurückgegeben hat, sofort abrufen.
Agent Platform-Pipelines Mit Agent Platform-Pipelines können Sie Ihre ML-Systeme serverlos automatisieren, überwachen und steuern, indem Sie ML-Workflows mit ML-Pipelines orchestrieren. Sie können ML-Pipelines, die mit Kubeflow Pipelines oder dem TensorFlow Extended-Framework (TFX) definiert wurden, im Batch ausführen. Mit Pipelines können Sie automatisierte Pipelines erstellen, um Einbettungen zu generieren, Vektorsuchindexe zu erstellen und zu aktualisieren und eine MLOps-Einrichtung für Such- und Empfehlungssysteme in der Produktion zu erstellen.
Ressourcen für Detailanalysen
Enhancing your gen AI use case with Gemini Enterprise Agent Platform embeddings and task types In diesem Kurs geht es darum, wie Sie Anwendungen mit generativer KI mithilfe von Einbettungen und Aufgabentypen der Gemini Enterprise Agent Platform verbessern können. Die Vektorsuche kann mit Einbettungen vom Typ „Aufgabe“ verwendet werden, um den Kontext und die Genauigkeit generierter Inhalte zu verbessern, indem relevantere Informationen gefunden werden.
TensorFlow Recommenders Eine Open-Source-Bibliothek zum Erstellen von Empfehlungssystemen. Sie vereinfacht den Prozess von der Datenvorbereitung bis zur Bereitstellung und unterstützt die flexible Modellerstellung. TFRS bietet Tutorials und Ressourcen und ermöglicht die Erstellung komplexer Empfehlungsmodelle.
TensorFlow Ranking TensorFlow Ranking ist eine Open-Source-Bibliothek zum Erstellen skalierbarer neuronaler LTR-Modelle (Learning to Rank). Es unterstützt verschiedene Verlustfunktionen und Ranking-Messwerte und kann in der Suche, für Empfehlungen und in anderen Bereichen eingesetzt werden. Die Bibliothek wird von Google AI aktiv weiterentwickelt.
Announcing ScaNN: Efficient Vector Similarity Search ScaNN von Google, ein Algorithmus für die effiziente Suche nach Vektorähnlichkeiten, nutzt eine neuartige Technik, um die Genauigkeit und Geschwindigkeit bei der Suche nach nächsten Nachbarn zu verbessern. Es übertrifft bestehende Methoden und hat breite Anwendungsmöglichkeiten bei Aufgaben des maschinellen Lernens, die eine semantische Suche erfordern. Die Forschungsarbeit von Google umfasst verschiedene Bereiche, darunter grundlegendes ML und die gesellschaftlichen Auswirkungen von KI.
SOAR: Neue Algorithmen für eine noch schnellere Vektorsuche mit ScaNN Der SOAR-Algorithmus von Google verbessert die Effizienz der Vektorsuche durch die Einführung einer kontrollierten Redundanz, was schnellere Suchen mit kleineren Indizes ermöglicht. SOAR weist Vektoren mehreren Clustern zu und erstellt „Sicherungssuchpfade“ für eine bessere Leistung.
Ähnliche Videos
Erste Schritte mit der Vektorsuche über die Agent Platform
Die Vektorsuche ist ein leistungsstarkes Tool zum Erstellen von KI-basierten Anwendungen. In diesem Video wird die Technologie vorgestellt und eine detaillierte Anleitung für den Einstieg gegeben.
Hybridsuche mit der Vektorsuche
Die Vektorsuche kann für die Hybridsuche verwendet werden. So können Sie die Leistungsfähigkeit der Vektorsuche mit der Flexibilität und Geschwindigkeit einer herkömmlichen Suchmaschine kombinieren. In diesem Video wird die Hybridsuche vorgestellt und gezeigt, wie Sie die Vektorsuche für die Hybridsuche verwenden.
Sie verwenden bereits die Vektorsuche! So wirst du zum Experten
Wussten Sie, dass Sie die Vektorsuche wahrscheinlich jeden Tag verwenden, ohne es zu merken? Von der Suche nach einem schwer auffindbaren Produkt in den sozialen Medien bis hin zum Finden eines Songs, der Ihnen nicht mehr aus dem Kopf geht – die Vektorsuche ist die KI-Magie hinter diesen alltäglichen Erlebnissen.
Neue Einbettung vom Typ „Aufgabentyp“ vom DeepMind-Team verbessert die Qualität der RAG-Suche
Mit den neuen Aufgabentyp-Einbettungen, die vom Google DeepMind-Team entwickelt wurden, können Sie die Genauigkeit und Relevanz Ihrer RAG-Systeme verbessern. In diesem Video erfahren Sie mehr über die häufigsten Herausforderungen bei der RAG-Suchqualität und wie Aufgabentyp-Einbettungen die semantische Lücke zwischen Fragen und Antworten effektiv schließen können, was zu einem effektiveren Abruf und einer verbesserten RAG-Leistung führt.
Terminologie für die Vektorsuche
Diese Liste enthält einige wichtige Begriffe, die Sie kennen müssen, um die Vektorsuche zu verwenden:
Vektor: Ein Vektor ist eine Liste von Gleitkommawerten, die eine Größe und eine Richtung haben. Sie können damit alle Arten von Daten darstellen, z. B. Zahlen, Punkte im Raum und Richtungen.
Einbettung: Eine Einbettung ist ein Vektortyp, der zur Darstellung von Daten verwendet wird, um ihre semantische Bedeutung zu erfassen. Einbettungen werden meist mithilfe von Techniken des maschinellen Lernens erstellt und häufig in Natural Language Processing (NLP) und anderen ML-Anwendungen verwendet.
Dichte Einbettungen: Dichte Einbettungen stellen die semantische Bedeutung von Text dar und verwenden Arrays, die hauptsächlich Werte ungleich null enthalten. Mit dichten Einbettungen können ähnliche Suchergebnisse basierend auf semantischer Ähnlichkeit zurückgegeben werden.
Dünnbesetzte Einbettungen: Dünnbesetzte Einbettungen stellen die Textsyntax dar und verwenden hochdimensionale Arrays, die im Vergleich zu dichten Einbettungen nur sehr wenige Werte ungleich null enthalten. Dünnbesetzte Einbettungen werden häufig für die Stichwortsuche verwendet.
Hybridsuche: Bei der Hybridsuche werden sowohl dichte als auch dünnbesetzte Einbettungen verwendet. So können Sie anhand einer Kombination aus Stichwortsuche und semantischer Suche suchen. Die Vektorsuche unterstützt die Suche auf Basis von dichten Einbettungen, dünnbesetzten Einbettungen und die Hybridsuche.
Index: Eine Sammlung von Vektoren, die gemeinsam für die Ähnlichkeitssuche bereitgestellt werden. Vektoren können einem Index hinzugefügt oder aus einem Index entfernt werden. Ähnlichkeitssuchanfragen werden an einen bestimmten Index gestellt und durchsuchen die Vektoren in diesem Index.
Grundwahrheit: Ein Begriff, bei dem das maschinelle Lernen auf Genauigkeit im echten Leben geprüft wird, z. B. ein Grundwahrheits-Dataset.
Recall: Der Prozentsatz der vom Index zurückgegebenen nächsten Nachbarn, die tatsächlich die echten nächsten Nachbarn sind. Wenn z. B. eine Abfrage nach 20 nächsten Nachbarn 19 der „grundlegend echten“ nächsten Nachbarn zurückgibt, beträgt der Recall 19/20 × 100 = 95 %.
Einschränken: Funktion, mit der Suchanfragen mithilfe von booleschen Regeln auf eine Teilmenge des Index beschränkt werden. „Einschränken“ wird auch als „Filter“ bezeichnet. Mit der Vektorsuche können Sie numerische Filter und Textattributfilter verwenden.