Vector Search es un potente motor de búsqueda de vectores creado con tecnología innovadora desarrollada por Google Research. Con el ScaNN ScaNN, Vector Search te permite crear sistemas de búsqueda y recomendación de nueva generación, además de aplicaciones de IA generativa.
Puedes beneficiarte de la misma investigación y tecnología que potencian 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 Vector Search, 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 obtener 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, la consulta y la limpieza.
Antes de comenzar: Prepara tus embeddings eligiendo y entrenando un modelo, y preparando tus datos. Luego, elige un extremo público o privado para implementar tu índice de consultas.
Precios y calculadora de precios de Vector Search: Los precios de Vector Search incluyen el costo de las máquinas virtuales que se usan para alojar los índices implementados, así como los gastos de creación y actualización de índices. Incluso una configuración mínima (menos de USD 100 por mes) puede admitir una alta capacidad de procesamiento para casos de uso de tamaño moderado. Para estimar tus costos mensuales, haz lo siguiente:
- Ve a la calculadora de precios de Google Cloud.
- Haz clic en Agregar a la estimación.
- Busca Gemini Enterprise Agent Platform.
- Haz clic en el botón Gemini Enterprise Agent Platform.
- Elige Gemini Enterprise Agent Platform Vector Search en el menú desplegable Tipo de servicio.
- Mantén la configuración predeterminada o configura la tuya. El costo estimado por mes 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 neurálgico para las empresas que usan IA. Al igual que el funcionamiento de las bases de datos relacionales en los sistemas de TI, conecta varios elementos empresariales, como documentos, contenido, productos, usuarios, eventos y otras entidades, en función de su relevancia. Además de buscar medios convencionales, como documentos e imágenes, Vector Search también puede potenciar recomendaciones inteligentes, hacer coincidir problemas empresariales con soluciones e incluso vincular señales de IoT a alertas de supervisión. Es una herramienta versátil que es esencial para navegar por el creciente panorama de los datos empresariales habilitados para la IA.
|
Búsqueda o recuperación de información
Sistemas de recomendación |
Cómo la búsqueda de vectores de Gemini Enterprise Agent Platform ayuda a desbloquear apps de IA generativa de alto rendimiento: Vector Search potencia diversas aplicaciones, incluidos el comercio electrónico, los sistemas RAG y los motores de recomendaciones, junto con chatbots, búsqueda multimodal y mucho más. La búsqueda híbrida mejora aún más los resultados para términos específicos. Clientes como Bloomreach, eBay y Mercado Libre usan Gemini Enterprise Agent Platform por su rendimiento, escalabilidad y rentabilidad, y obtienen beneficios como búsquedas más rápidas y mayores conversiones. **eBay usa Vector Search para recomendaciones**: Destaca cómo eBay usa Vector Search para su sistema de recomendaciones. Esta tecnología le permite a eBay encontrar productos similares dentro de su extenso catálogo, lo que mejora la experiencia del usuario. **Mercari aprovecha la tecnología de búsqueda vectorial de Google para crear un nuevo mercado**: Explica cómo Mercari usa Vector Search para mejorar su nueva plataforma de mercado. Vector Search potencia las recomendaciones de la plataforma, lo que ayuda a los usuarios a encontrar productos relevantes de manera más eficaz. **Embeddings de Gemini Enterprise Agent Platform para texto: Fundamentación de LLM simplificada**: Se enfoca en la fundamentación de LLM con las embeddings de Gemini Enterprise Agent Platform para datos de texto. Vector Search desempeña un papel importante en la búsqueda de pasajes de texto relevantes que garantizan que las respuestas del modelo se fundamenten en información objetiva. Qué es la búsqueda multimodal: los "LLM con visión" cambian los negocios: Analiza la búsqueda multimodal, que combina LLM con comprensión visual. Explica cómo Vector Search procesa y compara datos de texto y de imágenes, lo que permite experiencias de búsqueda más completas. Desbloquea la búsqueda multimodal a gran escala: Combina la potencia de texto y la búsqueda con imágenes con Gemini Enterprise Agent Platform: Describe la creación de un motor de búsqueda multimodal con Gemini Enterprise Agent Platform que combina la búsqueda de texto y la búsqueda con imágenes con un método de conjunto de clasificación recíproca ponderada. Esto mejora la experiencia del usuario y proporciona resultados más relevantes. **Escala la recuperación profunda con los recomendadores de TensorFlow y Vector Search**: Explica cómo crear un sistema de recomendación de listas de reproducción con los recomendadores de TensorFlow y Vector Search, que abarca modelos de recuperación profunda, entrenamiento, implementación y escalamiento. |
|
IA generativa: recuperación para RAG y agentes |
**Gemini Enterprise Agent Platform y Denodo desbloquean datos empresariales con IA generativa**: Muestra cómo la integración de Gemini Enterprise Agent Platform con Denodo permite a las empresas usar la IA generativa para obtener estadísticas de sus datos. Vector Search es clave para acceder y analizar de manera eficiente datos relevantes en un entorno empresarial. Infinite Nature y la naturaleza de las industrias: Esta demostración 'salvaje' muestra las diversas posibilidades de la IA: Muestra una demostración que ilustra el potencial de la IA en diferentes industrias. Utiliza Vector Search para potenciar 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 Vector Search, los modelos de Gemini, genera ramos de flores únicos en función de las instrucciones del usuario. Esta tecnología muestra el potencial de la IA para inspirar la creatividad en varias industrias. LlamaIndex para RAG en Google Cloud: Describe cómo usar LlamaIndex para facilitar la generación aumentada por recuperación (RAG) con modelos de lenguaje grandes. LlamaIndex utiliza Vector Search para recuperar información relevante de una base de conocimiento, lo que genera respuestas más precisas y contextuales. **RAG y fundamentación en Gemini Enterprise Agent Platform**: Examina las técnicas de RAG y fundamentación en Gemini Enterprise Agent Platform. Vector Search ayuda a identificar información de fundamentación relevante 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 crear e implementar un índice de base de datos de vectores para datos de texto, incluido el procesamiento de PDF y la búsqueda de respuestas. |
|
IE, análisis de datos, supervisión y mucho más |
Habilita la IA en tiempo real con la transferencia de transmisión en Agent Platform: 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 las transmisiones de datos entrantes. |
Recursos relacionados
Puedes usar los siguientes recursos para comenzar a usar Vector Search:
- Notebooks y soluciones
- Instructivos y capacitación
- Productos relacionados
- Material de análisis detallado
Notebooks y soluciones
|
|
|
Guía de inicio rápido de Vector Search de Agent Platform: Proporciona una descripción general de Vector Search. Está diseñada para usuarios que son nuevos en la plataforma y quieren comenzar rápidamente. |
**Comienza a usar las embeddings de texto y Vector Search:** Presenta las embeddings de texto y Vector Search. 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 Gemini Enterprise Agent Platform Búsqueda de vectores: Proporciona instrucciones para usar Vector Search para la búsqueda híbrida. Abarca los pasos necesarios para configurar un sistema de búsqueda híbrida. |
Motor RAG en Gemini Enterprise Agent Platform con Vector Search: Explora el uso del motor RAG con Vector Search. Analiza los beneficios de usar estas dos tecnologías juntas y proporciona ejemplos de cómo se pueden usar en aplicaciones del mundo real. |
|
|
|
Infraestructura para una aplicación de IA generativa compatible con RAG mediante Gemini Enterprise Agent Platform y Vector Search: Detalla la arquitectura para crear una aplicación de IA generativa y RAG con Vector Search, Cloud Run y Cloud Storage, que abarca casos de uso, opciones de diseño y consideraciones clave. |
Implementa la recuperación de dos túneles 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 túneles de extremo a extremo con Gemini Enterprise Agent Platform. El framework de modelado de dos túneles es una potente técnica de recuperación para casos de uso de personalización, ya que aprende la similitud semántica entre dos entidades diferentes, como las consultas 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 incluye crear embeddings, subirlas a Google Cloud, y, luego, indexarlas para realizar consultas. Este lab se enfoca en las embeddings de texto con Gemini Enterprise Agent Platform, 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 se puede usar para compilar una aplicación de búsqueda con APIs de modelo de lenguaje grande (LLM) para embeddings. El curso se compone de lecciones conceptuales sobre Vector Search y las embeddings de texto, demostraciones prácticas para compilar una búsqueda de vectores en Gemini Enterprise Agent Platform y un lab práctico.
Comprende y aplica las embeddings de texto
La API de Embeddings de Gemini Enterprise Agent Platform genera embeddings de texto, que son
representaciones numéricas de texto que se usan para tareas como identificar elementos similares.
En este curso, usarás embeddings de texto para tareas como la clasificación y la búsqueda semántica, y combinarás la búsqueda semántica con LLM para crear sistemas de búsqueda de respuestas con Gemini Enterprise Agent Platform.
Curso intensivo de aprendizaje automático: Embeddings En este curso, se presentan las embeddings de palabras y se comparan con las representaciones dispersas. Se exploran los métodos para obtener embeddings y se diferencian las embeddings estáticas de las contextuales.
Productos relacionados
Embeddings de Gemini Enterprise Agent Platform Proporciona una descripción general de la API de Embeddings. Casos de uso de embeddings de texto y multimodales, junto con vínculos a recursos adicionales y servicios relacionados Google Cloud .
API de clasificación de Agent Search La API de clasificación reclasifica los documentos en función de la relevancia para una consulta con un modelo de lenguaje previamente entrenado, lo que proporciona puntuaciones precisas. Es ideal para mejorar los resultados de la búsqueda de varias fuentes, incluido Vector Search.
Feature Store de Gemini Enterprise Agent PlatformTe permite administrar y entregar datos de atributos con BigQuery como fuente de datos. Aprovisiona recursos para la entrega en línea y actúa como una capa de metadatos para entregar los valores de atributos más recientes directamente desde BigQuery. Feature Store permite la recuperación instantánea de los valores de atributos de los elementos que Vector Store mostró para las consultas.
Canalizaciones de Agent Platform Las canalizaciones de Agent Platform permiten la automatización, la supervisión y la administración de tus sistemas de AA de forma sin servidores mediante 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 TensorFlow Extended (TFX). Las canalizaciones permiten crear canalizaciones automatizadas para generar embeddings, crear y actualizar índices de Vector Search, y formar una configuración de MLOps para sistemas de búsqueda y recomendación de producción.
Recursos para un análisis detallado
Mejora los casos de uso de la IA generativa con las embeddings y los tipos de tareas de Gemini Enterprise Agent Platform Se enfoca en mejorar las aplicaciones de IA generativa con las embeddings de Gemini Enterprise Agent Platform y los tipos de tareas. La búsqueda de vectores se puede usar con embeddings de tipo de tarea para mejorar el contexto y la precisión del contenido generado mediante la búsqueda de información más relevante.
TensorFlow Recommenders Es una biblioteca de código abierto para crear sistemas de recomendación. Simplifica el proceso desde la preparación de datos hasta la implementación y admite la creación de modelos flexibles. 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 crear modelos de aprendizaje de clasificación (LTR) neuronales y escalables. Admite varias funciones de pérdida y métricas de clasificación, con aplicaciones en la búsqueda, la recomendación 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 los métodos existentes y tiene amplias aplicaciones en tareas de aprendizaje automático que requieren búsqueda semántica. Los esfuerzos de investigación de Google abarcan varias áreas, incluido 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 mediante la introducción de redundancia controlada, lo que permite 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 Vector Search con Agent Platform
Vector Search es una herramienta potente para crear aplicaciones potenciadas por IA. En este video, se presenta la tecnología y se proporciona una guía paso a paso para comenzar.
Aprende a usar la búsqueda híbrida con Vector Search
Vector Search se puede usar para la búsqueda híbrida, lo que te permite combinar la potencia de Vector Search 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 la búsqueda híbrida.
Ya usas Vector Search. A continuación, te mostramos cómo convertirte en un experto
¿Sabías que es probable que uses la búsqueda de vectores todos los días sin darte cuenta? Desde encontrar ese producto esquivo en las redes sociales hasta encontrar una canción que se te quedó en la cabeza, la búsqueda de vectores es la magia de la IA detrás de estas experiencias cotidianas.
La nueva embedding de "tipo de tarea" del equipo de DeepMind mejora la calidad de la búsqueda de RAG
Mejora la precisión y la relevancia de tus sistemas RAG con las nuevas embeddings de tipo de tarea desarrolladas por el equipo de Google DeepMind. Mira y obtén información sobre los desafíos comunes en la calidad de la búsqueda de RAG y cómo las embeddings de tipo de tarea pueden cerrar de manera eficaz la brecha semántica entre las preguntas y las respuestas, lo que lleva a una recuperación más eficaz y un rendimiento mejorado de RAG.
Terminología de Vector Search
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. Vector Search 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.