このページは Cloud Translation API によって翻訳されました。

ベクトル検索

ベクトル検索は、Google Research が開発した画期的なテクノロジーを基盤として構築された強力なベクトル検索エンジンです。ベクトル検索では、ScaNN アルゴリズムを活用して、次世代の検索システムとレコメンデーションシステム、生成 AI アプリケーションを構築できます。

Google 検索、YouTube、Google Play などの Google のコアプロダクトを支えるのと同じ研究とテクノロジーを活用できます。つまり、大規模なデータセットを処理し、グローバル規模で高速な結果を提供する信頼性の高いスケーラビリティ、可用性、パフォーマンスを実現できます。ベクトル検索を使用すると、最先端のセマンティック検索機能を独自のアプリケーションに実装するためのエンタープライズグレードのソリューションを利用できます。

ブログ: ベクトル検索によるマルチモーダル検索	Next 24 Infinite Nature のデモ
Infinite Fleurs: AI を活用した創造性の全開	漫画 ONE PIECE でマルチモーダル AI を体験する

使ってみる

ベクトル検索のインタラクティブなデモ: ベクトル検索テクノロジーでできることの現実的な例をライブデモで確認し、ベクトル検索をいち早く開始しましょう。

ベクトル検索のクイックスタート: サンプルデータセットを使用してベクトル検索インデックスを構築、デプロイ、クエリすることで、30 分間でベクトル検索を試すことができます。このチュートリアルでは、設定、データの準備、インデックスの作成、デプロイ、クエリ、クリーンアップについて説明します。

開始する前に: モデルを選択してトレーニングし、データを準備してエンベディングを準備します。次に、クエリインデックスをデプロイするパブリックエンドポイントまたはプライベートエンドポイントを選択します。

ベクトル検索の料金と料金計算ツール: ベクトル検索の料金には、デプロイされたインデックスのホストに使用される仮想マシンの費用と、インデックスの構築と更新の費用が含まれます。最小限の設定（月額 $100 未満）でも、中程度のユースケースで高いスループットを実現できます。毎月の費用を見積もるには:

Google Cloud の料金計算ツールに移動します。
[Add To Estimate] をクリックします。
Vertex AI を検索します。
[Vertex AI] ボタンをクリックします。
[サービスタイプ] プルダウンから [Vertex AI Vector Search] を選択します。
デフォルトの設定をそのまま使用するか、独自の設定を構成します。1 か月あたりの推定費用は [費用の詳細] パネルに表示されます。

ドキュメント

ユースケースとブログ

ベクトル検索技術は、AI を使用する企業にとって中枢的なハブになりつつあります。IT システムでリレーショナルデータベースが機能する仕組みと同様に、ドキュメント、コンテンツ、プロダクト、ユーザー、イベントなどのさまざまなビジネス要素を、関連性に基づいて接続します。ベクトル検索は、ドキュメントや画像などの従来のメディアの検索だけでなく、インテリジェントな推奨事項の提供、ビジネス上の問題とソリューションのマッチング、IoT シグナルとモニタリングアラートのリンクも可能です。これは、AI 対応のエンタープライズデータの増大する環境をナビゲートするために不可欠な汎用ツールです。

検索 / 情報検索

レコメンデーション
システム

Vertex AI ベクトル検索によって高パフォーマンスの生成 AI アプリを実現: ベクトル検索は、チャットボット、マルチモーダル検索などとともに、e コマース、RAG システム、レコメンデーションエンジンなど、さまざまなアプリケーションを強化します。ハイブリッド検索により、ニッチな用語の検索結果がさらに強化されます。Bloomreach、eBay、Mercado Libre などの企業は、パフォーマンス、スケーラビリティ、費用対効果に優れている Vertex AI を使用して、検索の高速化やコンバージョンの増加などのメリットを実現しています。

eBay がレコメンデーションにベクトル検索を使用: eBay がレコメンデーションシステムにベクトル検索を使用している方法に重点を置いて説明します。このテクノロジーにより、eBay は広範なカタログ内で類似商品を見つけることができ、ユーザーエクスペリエンスが向上します。

メルカリが Google のベクトル検索技術を活用して、新たなマーケットプレイスを創出: メルカリがベクトル検索を使用して新しいマーケットプレイスプラットフォームを改善する方法について説明します。ベクトル検索は、プラットフォームのおすすめ機能の基盤となり、ユーザーが関連性の高い商品をより効果的に見つけられるようにします。

Vertex AI Embeddings for Text: LLM の根拠づけが容易に: テキストデータに Vertex AI Embeddings を使用して LLM をグラウンディングすることに焦点を当てています。ベクトル検索は、モデルの回答が事実に基づく情報を根拠にしていることを確認するために、関連するテキストの文章を見つけるうえで重要な役割を果たします。

マルチモーダル検索とは何か: 「視覚を備えた LLM」がビジネスを変える:LLM と画像認識を組み合わせたマルチモーダル検索について説明します。ベクトル検索がテキストデータと画像データの両方を処理して比較し、より包括的な検索体験を可能にする仕組みについて説明します。

大規模なマルチモーダル検索が可能に: Vertex AI を活用してテキストと画像の検索を統合: 重み付けされた Rank-Biased Reciprocal Rank アンサンブル手法を使用してテキストと画像の検索を組み合わせる Vertex AI を使用したマルチモーダル検索エンジンの構築について説明します。これにより、ユーザーエクスペリエンスが向上し、より関連性の高い結果が得られます。

TensorFlow Recommender とベクトル検索を使用したディープリトリーブのスケーリング: ディープリトリーブモデル、トレーニング、デプロイ、スケーリングについて解説しながら、TensorFlow Recommender とベクトル検索を使用してプレイリストのレコメンデーションシステムを構築する方法について説明します。

生成 AI: RAG とエージェントの検索

Vertex AI と Denodo が生成 AI でエンタープライズデータを活用する: Vertex AI と Denodo を統合することで、企業が生成 AI を使用してデータから分析情報を得る方法を示します。ベクトル検索は、エンタープライズ環境内で関連データに効率的にアクセスして分析するうえで重要です。

Infinite Nature と業界の特性: AI の多様な可能性を示す「自然」デモ: さまざまな業界における AI の可能性を示すデモを紹介します。ベクトル検索を利用して、生成レコメンデーションとマルチモーダルセマンティック検索を強化します。

Infinite Fleurs: AI を活用した創造性の全開: Google の Infinite Fleurs は、ベクトル検索、Gemini、Imagen の各モデルを使用した AI 実験で、ユーザーのメッセージに基づいて独自の花束を生成します。この技術は、さまざまな業界で創造性を刺激する AI の可能性を示しています。

Google Cloud の RAG 用 LlamaIndex: LlamaIndex を使用して、大規模言語モデルによる検索拡張生成（RAG）を容易にする方法について説明します。LlamaIndex はベクトル検索を使用してナレッジベースから関連情報を取得し、より正確でコンテキストに適した回答を生成します。

Vertex AI での RAG とグラウンディング: Vertex AI での RAG とグラウンディングの手法について説明します。ベクトル検索は、取得時に関連するグラウンディング情報を特定するのに役立ち、生成されたコンテンツの精度と信頼性を高めます。

LangChain でのベクトル検索: 質問応答や PDF 処理など、テキストデータ用のベクトルデータベースインデックスの構築とデプロイに LangChain でベクトル検索を使用するガイドです。

BI、データ分析、モニタリングなど

Vertex AI のストリーミング取り込みでリアルタイム AI を実現: ベクトル検索のストリーミング更新と、リアルタイム AI 機能を提供する方法について説明します。この技術により、受信データストリームをリアルタイムで処理して分析できます。

ベクトル検索の使用を開始するには、次のリソースをご覧ください。

ノートブックとソリューション
チュートリアルとトレーニング
関連サービス
詳細な資料

ノートブックとソリューション


Vertex AI ベクトル検索のクイックスタート: ベクトル検索の概要について説明します。このチュートリアルは、プラットフォームを初めて使用し、すぐに使い始めることを希望するユーザーを対象としています。	テキストエンベディングとベクトル検索を使ってみる: テキストエンベディングとベクトル検索の概要について説明します。これらの技術の仕組みと、検索結果の改善に役立つ方法について説明します。

セマンティック検索とキーワード検索の組み合わせ: Vertex AI ベクトル検索を使用したハイブリッド検索のチュートリアル: ハイブリッド検索にベクトル検索を使用する方法について説明します。ハイブリッド検索システムの設定と構成の手順について説明します。	Vertex AI RAG Engine とベクトル検索: Vertex AI RAG Engine とベクトル検索の使用方法について説明します。このドキュメントでは、これらの 2 つのテクノロジーを組み合わせて使用するメリットについて説明し、実際のアプリケーションで使用できる例を示します。

Vertex AI とベクトル検索を使用した RAG 対応生成 AI アプリケーション用インフラストラクチャ: ベクトル検索、Cloud Run、Cloud Storage を使用して生成 AI アプリケーションと RAG を構築するためのアーキテクチャについて、ユースケース、設計の選択肢、主な考慮事項を説明します。	大規模な候補生成のための Two-Tower リトリーブを実装する: Vertex AI を使用してエンドツーエンドの Two-Tower 候補生成ワークフローを実装する方法を示すリファレンスアーキテクチャを提供します。Two-Tower モデリングフレームワークは、ウェブ検索と候補アイテムなど、2 つの異なるエンティティ間のセマンティック類似性を学習するため、パーソナライズのユースケースに有効な検索手法です。

トレーニング

ベクトル検索とエンベディングを使ってみる ベクトル検索は、類似または関連するアイテムを見つけるために使用されます。レコメンデーション、検索、chatbot、テキスト分類に使用できます。このプロセスでは、エンベディングを作成して Google Cloudにアップロードし、クエリ用にインデックスに登録します。このラボでは Vertex AI を使用したテキストエンベディングに焦点を当てますが、エンベディングは他のデータ型に対しても生成できます。

ベクトル検索とエンベディング このコースでは、ベクトル検索を紹介し、エンベディングのための大規模言語モデル（LLM）API を組み込んだ検索アプリケーションを構築するために使用する方法を説明します。このコースは、ベクトル検索とテキストエンベディングの概念の説明、Vertex AI でベクトル検索を構築する実用的なデモ、演習ラボで構成されています。

テキストエンベディングの理解と適用 Vertex AI Embeddings API は、テキストエンベディングを生成します。これは、類似アイテムの識別などのタスクに使用されるテキストの数値表現です。

このコースでは、分類やセマンティック検索などのタスクにテキストエンベディングを使用し、セマンティック検索と LLM を組み合わせて、Vertex AI を使用して質問応答システムを構築します。

機械学習集中講座: エンベディング このコースでは、単語エンベディングについて説明し、スパース表現と比較します。エンベディングを取得する方法について説明し、静的エンベディングとコンテキストエンベディングを区別します。

Vertex AI エンベディング: Embeddings API の概要について説明します。テキストとマルチモーダルのエンベディングのユースケースと、追加のリソースと関連する Google Cloud サービスへのリンク。

Vertex AI Search ランキング API: ランキング API は、事前トレーニング済みの言語モデルを使用してクエリとの関連性に基づいてドキュメントを再ランク付けし、正確なスコアを提示します。ベクトル検索など、さまざまなソースからの検索結果を改善するのに最適です。

Vertex AI Feature Store: BigQuery をデータソースとして使用して特徴データを管理、提示できます。オンラインサービング用のリソースをプロビジョニングし、メタデータレイヤとして機能して、BigQuery から最新の特徴値を直接提示します。Feature Store を使用すると、クエリに対してベクトルストアから返されたアイテムの特徴値を即座に取得できます。

Vertex AI Pipelines Vertex AI Pipelines は、ML パイプラインで ML ワークフローをオーケストレートすることで、ML システムの自動化、モニタリング、ガバナンスをサーバーレスで実現します。Kubeflow Pipelines または TensorFlow Extended（TFX）フレームワークを使用して定義された ML パイプラインをバッチで実行できます。パイプラインを使用すると、エンベディングの生成、ベクトル検索インデックスの作成と更新、本番環境の検索システムとおすすめシステムの MLOps 設定を構築するための自動化されたパイプラインを構築できます。

詳細リソース

Vertex AI エンベディングとタスクタイプを使用して生成 AI のユースケースを強化する Vertex AI エンベディングとタスクタイプを使用して生成 AI アプリケーションを改善することに重点を置いています。ベクトル検索は、タスクタイプのエンベディングで使用して、より関連性の高い情報を検索することで、生成されたコンテンツのコンテキストと精度を高めることができます。

TensorFlow Recommender: レコメンデーションシステムを構築するためのオープンソースライブラリ。データの準備からデプロイまでのプロセスが簡素化され、柔軟なモデル構築がサポートされます。TFRS にはチュートリアルとリソースが用意されており、高度なレコメンデーションモデルを作成できます。

TensorFlow Ranking: TensorFlow Ranking は、スケーラブルなニューラル順序学習（LTR）モデルを構築するためのオープンソースライブラリです。さまざまな損失関数とランキング指標をサポートしており、検索、レコメンデーションなどの分野で使用できます。このライブラリは Google AI によって積極的に開発されています。

ScaNN の発表: 効率的なベクトル類似度検索 Google の ScaNN は、効率的なベクトル類似度検索アルゴリズムであり、新しい手法を使用して最近傍の検索の精度と速度を向上させます。既存の方法よりも優れており、セマンティック検索を必要とする ML タスクに幅広く適用できます。Google の研究は、基礎的な ML や AI の社会的な影響など、さまざまな分野にわたっています。

SOAR: ScaNN によるベクトル検索をさらに高速化する新しいアルゴリズム Google の SOAR アルゴリズムは、制御された冗長性を導入することでベクトル検索の効率を高め、インデックスの小型化と高速検索を実現します。SOAR はベクトルを複数のクラスタに割り当て、「バックアップ」検索パスを作成してパフォーマンスを向上させます。

Vertex AI を使用したベクトル検索のスタートガイド

ベクトル検索は、AI を活用したアプリケーションを構築するための強力なツールです。この動画では、このテクノロジーの概要と、使用を開始するための手順について説明します。

ベクトル検索を使用したハイブリッド検索について

ベクトル検索はハイブリッド検索に使用できます。これにより、ベクトル検索の強力さと従来の検索エンジンの柔軟性と速度を組み合わせることができます。この動画では、ハイブリッド検索の概要について説明し、ハイブリッド検索にベクトル検索を使用する方法をご覧いただきます。

ベクトル検索はすでに使用されています。エキスパートになる方法

ベクトル検索は、気付かないうちに毎日使用しているものである可能性があります。ソーシャルメディアで見つからない商品を見つけることから、頭から離れない曲を探すことまで、ベクトル検索はこうした日常的なエクスペリエンスの背後にある AI の魔法です。

DeepMind チームによる新しい「タスクタイプ」エンベディングで RAG 検索の品質が向上

Google DeepMind チームが開発した新しいタスクタイプエンベディングを使用して、RAG システムの精度と関連性を高めましょう。この動画では、RAG 検索の品質に関する一般的な課題と、タスクタイプのエンベディングが質問と回答のセマンティックギャップを効果的に埋めて、より効果的な検索と RAG のパフォーマンス向上につながる方法について説明します。