La Búsqueda vectorial es un potente motor de búsqueda vectorial creado con tecnología innovadora desarrollada por Google Research. Con el algoritmo ScaNN, la Búsqueda de vectores te permite compilar sistemas de búsqueda y recomendación de nueva generación, así como aplicaciones de IA generativa.
Puedes aprovechar la misma investigación y tecnología que impulsan los productos principales de Google, como la Búsqueda de Google, YouTube y Google Play. Esto significa que obtienes la escalabilidad, la disponibilidad y el rendimiento que se necesitan para manejar conjuntos de datos masivos y ofrecer resultados ultrarrápidos a escala global. Con la Búsqueda vectorial, tienes una solución de nivel empresarial para implementar capacidades de búsqueda semántica de vanguardia en tus propias aplicaciones.
|
|
Infinite Fleurs: Descubre la creatividad asistida por IA en todo su esplendor |
|
Comenzar
Demostración interactiva de Vector Search: Consulta la demostración en vivo para ver un ejemplo realista de lo que puede hacer la tecnología de búsqueda de vectores y comenzar a usar Vector Search.
Guía de inicio rápido de Vector Search: Prueba Vector Search en 30 minutos creando, implementando y consultando un índice de Vector Search con un conjunto de datos de muestra. En este instructivo, se abordan la configuración, la preparación de datos, la creación de índices, la implementación, las consultas y la limpieza.
Antes de comenzar: Prepara tus incorporaciones eligiendo y entrenando un modelo, y preparando tus datos. Luego, elige un extremo público o privado en el que implementar tu índice de búsqueda.
Precios de la Búsqueda de vectores y calculadora de precios: Los precios de la Búsqueda de vectores incluyen el costo de las máquinas virtuales que se usan para alojar los índices implementados, así como los gastos de compilación y actualización de los índices. Incluso una configuración mínima (menos de USD 100 por mes) puede admitir una capacidad de procesamiento alta para casos de uso de tamaño moderado. Para calcular tus costos mensuales, sigue estos pasos:
- Ve a la calculadora de precios de Google Cloud.
- Haz clic en Agregar a la estimación.
- Busca Vertex AI.
- Haz clic en el botón Vertex AI.
- Elige Vertex AI Vector Search en el menú desplegable Tipo de servicio.
- Mantén la configuración predeterminada o establece la tuya. El costo mensual estimado se muestra en el panel Detalles del costo.
Documentación
Casos de uso y blogs
La tecnología de búsqueda de vectores se está convirtiendo en un centro fundamental para las empresas que usan IA. De manera similar a cómo funcionan las bases de datos relacionales en los sistemas de TI, conecta varios elementos comerciales, como documentos, contenido, productos, usuarios, eventos y otras entidades, según su relevancia. Además de buscar en medios convencionales, como documentos e imágenes, la Búsqueda de vectores también puede potenciar recomendaciones inteligentes, correlacionar problemas comerciales con soluciones y hasta vincular señales de IoT con alertas de supervisión. Es una herramienta versátil y esencial para navegar por el creciente panorama de los datos empresariales potenciados por IA.
|
Búsqueda y recuperación de información
Sistemas de recomendación |
Cómo la búsqueda de vectores de Vertex AI ayuda a desbloquear apps de IA generativa de alto rendimiento: La Búsqueda de vectores potencia diversas aplicaciones, como el comercio electrónico, los sistemas RAG y los motores de recomendación, junto con los chatbots, la búsqueda multimodal y mucho más. La búsqueda híbrida mejora aún más los resultados para los términos específicos. Clientes como Bloomreach, eBay y Mercado Libre usan Vertex AI por su rendimiento, escalabilidad y rentabilidad, y obtienen beneficios como búsquedas más rápidas y más conversiones. eBay uses Vector Search for recommendations: Destaca cómo eBay usa Vector Search para su sistema de recomendaciones. Esta tecnología permite que eBay encuentre productos similares en su extenso catálogo, lo que mejora la experiencia del usuario. Mercari leverages Google's vector search technology to create a new marketplace: Explica cómo Mercari usa la Búsqueda vectorial para mejorar su nueva plataforma de mercado. La Búsqueda de vectores potencia las recomendaciones de la plataforma, lo que ayuda a los usuarios a encontrar productos relevantes de manera más eficaz. Vertex AI Embeddings for Text: Grounding LLMs made easy: Se enfoca en la fundamentación de LLMs con Vertex AI Embeddings para datos de texto. La búsqueda de vectores desempeña un papel importante en la búsqueda de pasajes de texto relevantes que garantizan que las respuestas del modelo se basen en información fáctica. Qué es la Búsqueda multimodal: Los "LLMs con visión" cambian los negocios: Analiza la Búsqueda multimodal, que combina LLMs con comprensión visual. En él, se explica cómo la Búsqueda de vectores procesa y compara datos de texto y de imágenes, lo que permite experiencias de búsqueda más integrales. Desbloquea la búsqueda multimodal a gran escala: Combina el poder del texto y las imágenes con Vertex AI: Describe la creación de un motor de búsqueda multimodal con Vertex AI que combina la búsqueda de texto y de imágenes con un método de conjunto de clasificación recíproca ponderada y sesgada por el rango. Esto mejora la experiencia del usuario y proporciona resultados más relevantes. Cómo escalar la recuperación profunda con TensorFlow Recommenders y Vector Search: Explica cómo compilar un sistema de recomendación de playlists con TensorFlow Recommenders y Vector Search, y abarca los modelos de recuperación profunda, el entrenamiento, la implementación y el escalamiento. |
|
IA generativa: Recuperación para RAG y agentes |
Vertex AI y Denodo desbloquean los datos empresariales con la IA generativa: Muestra cómo la integración de Vertex AI con Denodo permite a las empresas usar la IA generativa para obtener estadísticas a partir de sus datos. La Búsqueda de vectores es clave para acceder y analizar de manera eficiente los datos pertinentes en un entorno empresarial. Infinite Nature and the nature of industries: Esta demostración "salvaje" muestra las diversas posibilidades de la IA: Se muestra una demostración que ilustra el potencial de la IA en diferentes industrias. Utiliza la Búsqueda de vectores para potenciar las recomendaciones generativas y la búsqueda semántica multimodal. Infinite Fleurs: Descubre la creatividad asistida por IA en todo su esplendor: Infinite Fleurs de Google, un experimento de IA que usa la búsqueda de vectores, los modelos de Gemini y los de Imagen, genera ramos de flores únicos según las instrucciones del usuario. Esta tecnología demuestra el potencial de la IA para inspirar la creatividad en diversas industrias. LlamaIndex for RAG on Google Cloud: Describe cómo usar LlamaIndex para facilitar la generación aumentada de recuperación (RAG) con modelos de lenguaje grandes. LlamaIndex utiliza la Búsqueda de vectores para recuperar información pertinente de una base de conocimiento, lo que genera respuestas más precisas y adecuadas para el contexto. RAG y fundamentación en Vertex AI: Analiza las técnicas de RAG y fundamentación en Vertex AI. La Búsqueda de vectores ayuda a identificar información de fundamentación pertinente durante la recuperación, lo que hace que el contenido generado sea más preciso y confiable. Vector Search en LangChain: Proporciona una guía para usar Vector Search con LangChain para compilar e implementar un índice de base de datos de vectores para datos de texto, incluida la búsqueda de respuestas y el procesamiento de PDF. |
|
IE, estadísticas de datos, supervisión y mucho más |
Cómo habilitar la IA en tiempo real con la transferencia de transmisión en Vertex AI: Explora la actualización de transmisión en Vector Search y cómo proporciona capacidades de IA en tiempo real. Esta tecnología permite el procesamiento y el análisis en tiempo real de los flujos de datos entrantes. |
Recursos relacionados
Puedes usar los siguientes recursos para comenzar a usar la Búsqueda de vectores:
Notebooks y soluciones
|
|
|
Inicio rápido de Vertex AI Vector Search: Proporciona una descripción general de Vector Search. Está diseñado para usuarios que recién comienzan a usar la plataforma y quieren empezar rápidamente. |
Comienza a usar las incorporaciones de texto y la búsqueda de vectores: Presenta las incorporaciones de texto y la búsqueda de vectores. Explica cómo funcionan estas tecnologías y cómo se pueden usar para mejorar los resultados de la búsqueda. |
|
|
|
Combinación de búsqueda semántica y de palabras clave: un instructivo de búsqueda híbrida con la Búsqueda de vectores de Vertex AI: Proporciona instrucciones para usar la Búsqueda de vectores para la búsqueda híbrida. En él, se describen los pasos necesarios para configurar un sistema de búsqueda híbrida. |
Vertex AI RAG Engine con Vector Search: Explora el uso de Vertex AI RAG Engine con Vector Search. Se analizan los beneficios de usar estas dos tecnologías en conjunto y se proporcionan ejemplos de cómo se pueden usar en aplicaciones del mundo real. |
|
|
|
Infraestructura para una aplicación de IA generativa compatible con RAG que usa Vertex AI y Vector Search: Detalla la arquitectura para compilar una aplicación de IA generativa y RAG con Vector Search, Cloud Run y Cloud Storage, y abarca casos de uso, opciones de diseño y consideraciones clave. |
Implementación de la recuperación de dos torres para la generación de candidatos a gran escala: Proporciona una arquitectura de referencia que muestra cómo implementar un flujo de trabajo de generación de candidatos de dos torres de extremo a extremo con Vertex AI. El marco de modelado de dos torres es una técnica de recuperación eficaz para los casos de uso de personalización, ya que aprende la similitud semántica entre dos entidades diferentes, como las búsquedas web y los elementos candidatos. |
Capacitación
Comienza a usar la búsqueda de vectores y las embeddings La búsqueda de vectores se usa para encontrar elementos similares o relacionados. Se puede usar para recomendaciones, búsquedas, chatbots y clasificación de texto. El proceso implica crear embeddings, subirlos a Google Cloudy crear índices para realizar consultas. Este lab se enfoca en los embeddings de texto con Vertex AI, pero se pueden generar embeddings para otros tipos de datos.
Búsqueda de vectores y embeddings En este curso, se presenta la búsqueda de vectores y se describe cómo puede usarse para compilar una aplicación de búsqueda con APIs de modelo de lenguaje grande (LLM) para embeddings. El curso consta de lecciones conceptuales sobre la búsqueda de vectores y las incorporaciones de texto, demostraciones prácticas para compilar una búsqueda de vectores en Vertex AI y un lab práctico.
Comprensión y aplicación de incorporaciones de texto
La API de Vertex AI Embeddings genera incorporaciones de texto, que son
representaciones numéricas de texto que se usan para tareas como la identificación de elementos similares.
En este curso, usarás embeddings de texto para tareas como la clasificación y la búsqueda semántica, y combinarás la búsqueda semántica con LLMs para compilar sistemas de respuesta a preguntas con Vertex AI.
Curso intensivo de aprendizaje automático: Embeddings En este curso, se presentan los embeddings de palabras y se los compara con las representaciones dispersas. Explora los métodos para obtener embeddings y diferencia entre los embeddings estáticos y los contextuales.
Productos relacionados
Vertex AI Embeddings Proporciona una descripción general de la API de Embeddings. Casos de uso de la incorporación de texto y multimodal, junto con vínculos a recursos adicionales y Google Cloud servicios relacionados.
API de clasificación de Vertex AI Search La API de clasificación vuelve a clasificar los documentos según su relevancia para una búsqueda con un modelo de lenguaje previamente entrenado, lo que proporciona puntuaciones precisas. Es ideal para mejorar los resultados de la búsqueda de varias fuentes, incluida la búsqueda de vectores.
Vertex AI Feature Store Te permite administrar y entregar datos de atributos con BigQuery como fuente de datos. Aprovisiona recursos para la publicación en línea y actúa como una capa de metadatos para publicar los valores de atributos más recientes directamente desde BigQuery. Feature Store permite la recuperación instantánea de los valores de los atributos de los elementos que Vector Store devolvió para las búsquedas.
Vertex AI Pipelines Vertex AI Pipelines permite la automatización, la supervisión y la administración de tus sistemas de AA de manera sin servidores a través de la organización de flujos de trabajo de AA con canalizaciones de AA. Puedes ejecutar en lotes canalizaciones de AA definidas con Kubeflow Pipelines o el framework de TensorFlow Extended (TFX). Las canalizaciones permiten crear canalizaciones automatizadas para generar incorporaciones, crear y actualizar índices de Vector Search, y formar una configuración de MLOps para sistemas de recomendación y búsqueda de producción.
Recursos de análisis detallados
Mejora los casos de uso de la IA generativa con las embeddings y los tipos de tareas de Vertex AI Se enfoca en mejorar las aplicaciones de IA generativa con las embeddings y los tipos de tareas de Vertex AI. La Búsqueda de vectores se puede usar con embeddings de tipo de tarea para mejorar el contexto y la precisión del contenido generado, ya que encuentra información más pertinente.
TensorFlow Recommenders Biblioteca de código abierto para compilar sistemas de recomendación. Simplifica el proceso desde la preparación de los datos hasta la implementación y admite la compilación flexible de modelos. TFRS ofrece instructivos y recursos, y permite la creación de modelos de recomendación sofisticados.
TensorFlow Ranking TensorFlow Ranking es una biblioteca de código abierto para compilar modelos de aprendizaje neuronal para clasificar (LTR) escalables. Admite varias funciones de pérdida y métricas de clasificación, con aplicaciones en la búsqueda, las recomendaciones y otros campos. Google AI desarrolla activamente la biblioteca.
Presentamos ScaNN: Búsqueda de similitud vectorial eficaz ScaNN de Google, un algoritmo para la búsqueda de similitud vectorial eficaz, utiliza una técnica novedosa para mejorar la precisión y la velocidad en la búsqueda de vecinos más cercanos. Supera a los métodos existentes y tiene amplias aplicaciones en tareas de aprendizaje automático que requieren búsqueda semántica. Los esfuerzos de investigación de Google abarcan diversas áreas, como el AA fundamental y los impactos sociales de la IA.
SOAR: Nuevos algoritmos para una búsqueda de vectores aún más rápida con ScaNN El algoritmo SOAR de Google mejora la eficiencia de la Búsqueda de vectores, ya que introduce redundancia controlada, lo que permite realizar búsquedas más rápidas con índices más pequeños. SOAR asigna vectores a varios clústeres, lo que crea rutas de búsqueda de "copia de seguridad" para mejorar el rendimiento.
Videos relacionados
Comienza a usar la Búsqueda de vectores con Vertex AI
La Búsqueda de vectores es una herramienta poderosa para crear aplicaciones impulsadas por IA. En este video, se presenta la tecnología y se proporciona una guía paso a paso para comenzar.
Aprende sobre la búsqueda híbrida con la búsqueda de vectores
Vector Search se puede usar para la búsqueda híbrida, lo que te permite combinar el poder de la búsqueda de vectores con la flexibilidad y la velocidad de un motor de búsqueda convencional. En este video, se presenta la búsqueda híbrida y se muestra cómo usar Vector Search para realizar búsquedas híbridas.
¡Ya estás usando la búsqueda de vectores! Cómo ser un experto
¿Sabías que es probable que uses la búsqueda vectorial todos los días sin darte cuenta? Desde encontrar ese producto esquivo en las redes sociales hasta rastrear una canción que no puedes sacarte de la cabeza, la búsqueda vectorial es la magia de la IA detrás de estas experiencias cotidianas.
El nuevo embedding de "tipo de tarea" del equipo de DeepMind mejora la calidad de la búsqueda de RAG
Mejora la exactitud y la relevancia de tus sistemas de RAG con los nuevos embeddings de tipo de tarea desarrollados por el equipo de Google DeepMind. Mira el video y obtén información sobre los desafíos comunes en la calidad de la búsqueda con RAG y cómo los embeddings de tipo de tarea pueden cerrar de manera eficaz la brecha semántica entre preguntas y respuestas, lo que lleva a una recuperación más eficaz y a un mejor rendimiento de RAG.
Terminología de Búsqueda de Vectores
En esta lista, se incluye terminología importante que deberás comprender para usar Vector Search:
Vectores: Un vector es una lista de valores de números de punto flotante que tienen magnitud y dirección. Se puede usar para representar cualquier tipo de datos, como números, puntos en el espacio y direcciones.
Incorporación: una incorporación es un tipo de vector que se usa para representar datos de una manera que captura su significado semántico. Por lo general, las incorporaciones se crean con técnicas de aprendizaje automático y, a menudo, se usan en el procesamiento de lenguaje natural (PLN) y otras aplicaciones de aprendizaje automático.
Embeddings densos: Los embeddings densos representan el significado semántico del texto con arrays que contienen principalmente valores distintos de cero. Con embeddings densos, se pueden mostrar resultados de búsqueda similares en función de la similitud semántica.
Embeddings dispersos: Los embeddings dispersos representan la sintaxis de texto con arrays de alta dimensión que contienen muy pocos valores distintos de cero en comparación con los embeddings densos. Los embeddings dispersos suelen usarse para las búsquedas de palabras clave.
Búsqueda híbrida: La búsqueda híbrida usa embeddings densos y dispersos, lo que te permite realizar búsquedas basadas en una combinación de búsqueda de palabras clave y búsqueda semántica. La búsqueda vectorial admite la búsqueda basada en embeddings densos, embeddings dispersos y la búsqueda híbrida.
índice: es una colección de vectores implementados juntos para la búsqueda de similitud. Los vectores pueden agregarse a un índice o quitarse de este. Las consultas de búsqueda de similitud se emiten a un índice específico y buscan los vectores en ese índice.
Verdad fundamental: Un término que se refiere a la verificación del aprendizaje automático para la exactitud en el mundo real, como un conjunto de datos de verdad fundamental.
Recuperación: Es el porcentaje de vecinos más cercanos que muestra el índice que en realidad son vecinos más cercanos. Por ejemplo, si una consulta de vecino más cercano a 20 vecinos más cercanos mostró 19 de los vecinos más cercanos de “verdad fundamental”, la recuperación será 19/20*100 = 95%.
Restringir: Es una función que limita las búsquedas a un subconjunto del índice mediante reglas booleanas. La restricción también se conoce como “filtrado”. Con Vector Search, puedes usar el filtrado numérico y el filtrado de atributos de texto.