Vector Search es un potente motor de búsqueda de vectores basado en la tecnología innovadora desarrollada por Google Research. Con el algoritmo ScaNN, Vector Search te permite crear sistemas de búsqueda y sistemas de recomendación de nueva generación, además de aplicaciones de IA generativa.
Puedes beneficiarte de 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 en los que se confía para controlar conjuntos de datos masivos y entregar resultados ultrarrápidos a escala global. Con Vector Search, tienes una solución de nivel empresarial para implementar funciones de búsqueda semántica de vanguardia en tus propias aplicaciones.
|
|
Infinite Fleurs: Descubre la creatividad asistida por IA en su máximo 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 los datos, la creación de índices, la implementación, las consultas y la limpieza.
Antes de comenzar: Elige y entrena un modelo, y prepara tus datos para preparar tus incorporaciones. Luego, elige un extremo público o privado en el que implementarás 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, sigue estos pasos:
- Ve a la calculadora de precios deGoogle 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 establece 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. De manera similar a cómo funcionan las bases de datos relacionales en los sistemas de TI, conecta varios elementos empresariales, como documentos, contenido, productos, usuarios, eventos y otras entidades, según su relevancia. Además de buscar contenido multimedia convencional, como documentos e imágenes, Vector Search también puede potenciar recomendaciones inteligentes, vincular problemas empresariales con soluciones y hasta vincular indicadores de IoT con alertas de supervisión. Es una herramienta versátil que resulta esencial para navegar por el creciente panorama de los datos empresariales basados en IA.
|
Búsqueda y 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: La búsqueda de vectores potencia diversas aplicaciones, como el comercio electrónico, los sistemas de RAG y los motores de recomendación, además de chatbots, la búsqueda multimodal y mucho más. La búsqueda híbrida mejora aún más los resultados para los términos de nicho. Clientes como Bloomreach, eBay y Mercado Libre usan Gemini Enterprise Agent Platform por su rendimiento, escalabilidad y rentabilidad, lo que les permite obtener beneficios como búsquedas más rápidas y un aumento de las conversiones. eBay usa Vector Search para las recomendaciones: Se destaca cómo eBay usa Vector Search para su sistema de recomendaciones. Esta tecnología permite que eBay encuentre productos similares dentro de su extenso catálogo, lo que mejora la experiencia del usuario. Mercari aprovecha la tecnología de búsqueda de vectores de Google para crear un nuevo mercado: Se 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 fundamentar LLM con embeddings de Gemini Enterprise Agent Platform para datos de texto. Vector Search desempeña un papel importante en la búsqueda de pasajes de texto pertinentes que garanticen que las respuestas del modelo se basen en información fáctica. Qué es la búsqueda multimodal: los "LLM con visión" cambian los negocios: Se analiza la búsqueda multimodal, que combina los LLM con la comprensión visual. Se 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 de imagen 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 de imágenes con un método de conjunto de clasificación recíproca ponderada con sesgo de clasificación. Esto mejora la experiencia del usuario y proporciona resultados más pertinentes. Escala la recuperación profunda con los recomendadores de TensorFlow y Vector Search: Se explica cómo compilar un sistema de recomendación de playlists con los recomendadores de TensorFlow y Vector Search, lo que abarca modelos de recuperación profunda, entrenamiento, implementación y escalamiento. |
|
IA generativa: recuperación para RAG y agentes |
Gemini Enterprise Agent Platform y Denodo desbloquean los datos empresariales con la 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 a los datos pertinentes y analizarlos de forma eficiente en un entorno empresarial. Infinite Nature and the nature of industries: This 'wild' demo shows the diverse possibilities of AI: Muestra una demostración que ilustra el potencial de la IA en diferentes industrias. Utiliza Vector Search para potenciar las recomendaciones generativas y la búsqueda semántica multimodal. Infinite Fleurs: Descubre la creatividad asistida por IA en su máximo esplendor: Infinite Fleurs de Google, un experimento de IA que usa Vector Search y modelos de Gemini, genera ramos de flores únicos según las instrucciones de los usuarios. Esta tecnología demuestra el potencial de la IA para inspirar la creatividad en varios sectores. LlamaIndex para RAG en Google Cloud: Describe cómo usar LlamaIndex para facilitar la generación mejorada por recuperación (RAG) con modelos de lenguaje grandes. LlamaIndex utiliza Vector Search para recuperar información pertinente de una base de conocimiento, lo que genera respuestas más precisas y adecuadas según el contexto. 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 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, lo que incluye la búsqueda de respuestas y el procesamiento de PDF. |
|
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 los flujos 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 diseñado para usuarios que son nuevos en la plataforma y quieren comenzar rápidamente. |
Comienza a usar los embeddings de texto y Vector Search: Presenta los embeddings de texto y Vector Search. En él, se 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 Vector Search de Gemini Enterprise Agent Platform: Proporciona instrucciones para usar Vector Search en la búsqueda híbrida. Se abarcan los pasos que se deben seguir para configurar un sistema de búsqueda híbrida. |
RAG Engine en Gemini Enterprise Agent Platform con Vector Search: Explora el uso de RAG Engine con Vector Search. Se analizan los beneficios de usar estas dos tecnologías juntas y se proporcionan ejemplos de cómo se pueden usar en aplicaciones del mundo real. |
|
|
|
Infraestructura para una aplicación de IA generativa compatible con RAG con Gemini Enterprise Agent Platform y Vector Search: Se detalla la arquitectura para compilar una aplicación de IA generativa y RAG con Vector Search, Cloud Run y Cloud Storage, lo que abarca casos de uso, opciones de diseño y consideraciones clave. |
Implementa la recuperación de dos torres para la generación de candidatos a gran escala: Proporciona una arquitectura de referencia que te muestra cómo implementar un flujo de trabajo de generación de candidatos de dos torres de extremo a extremo con Gemini Enterprise Agent Platform. El framework de modelado de dos torres es una técnica de recuperación potente para casos de uso de personalización, ya que aprende la similitud semántica entre dos entidades diferentes, como consultas web y 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, luego, indexarlos para realizar consultas. Este lab se enfoca en los 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 puede usarse para compilar una aplicación de búsqueda con APIs de modelo de lenguaje grande (LLM) para embeddings. Este curso se compone de lecciones conceptuales sobre Vector Search y los embeddings de texto, demostraciones prácticas para compilar Vector Search en Gemini Enterprise Agent Platform y un lab práctico.
Comprende y aplica 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 respuesta a preguntas con Gemini Enterprise Agent Platform.
Curso intensivo de aprendizaje automático: Embeddings En este curso, se presentan los embeddings de palabras y se los compara con las representaciones dispersas. Se exploran métodos para obtener embeddings y se diferencian los embeddings estáticos de los contextuales.
Productos relacionados
Embeddings de Gemini Enterprise Agent Platform Proporciona una descripción general de la API de Embeddings. Casos de uso de incorporaciones de texto y multimodales, junto con vínculos a recursos adicionales y servicios de Google Cloud relacionados.
API de clasificación de Agent Search La API de clasificación vuelve a clasificar los documentos según 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, incluida Vector Search.
Feature Store de Gemini Enterprise Agent Platform Te 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. Agent Platform Feature Store permite recuperar de forma instantánea los valores de atributos de los elementos que Vector Store devolvió para las consultas.
Agent Platform Pipelines Agent Platform Pipelines permite automatizar, supervisar y administrar tus sistemas de AA de manera sin servidores organizando los flujos de trabajo de AA con canalizaciones de AA. Puedes ejecutar por lotes canalizaciones de AA definidas con Kubeflow Pipelines o el framework de TensorFlow Extended (TFX). Pipelines permite crear canalizaciones automatizadas para generar incorporaciones, 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 y los tipos de tareas de Gemini Enterprise Agent Platform. Vector Search se puede usar con embeddings de tipo de tarea para mejorar el contexto y la exactitud del contenido generado encontrando información más pertinente.
TensorFlow Recommenders Es una biblioteca de código abierto para compilar 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 crear 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. La biblioteca se desarrolla activamente con la IA de Google.
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 exactitud 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, incluidos 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 una 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 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 realizar búsquedas híbridas 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 estás usando Vector Search! Aquí te explicamos cómo convertirte en un experto
¿Sabías que probablemente usas la búsqueda de vectores todos los días sin darte cuenta? Desde encontrar ese producto difícil de hallar en las redes sociales hasta buscar una canción que no puedes sacarte de la cabeza, la búsqueda de vectores 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 de RAG y cómo los embeddings de tipo de tarea pueden cerrar de forma eficaz la brecha semántica entre las preguntas y las respuestas, lo que genera una recuperación más eficaz y un mejor rendimiento 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 la función que limita las búsquedas a un subconjunto del índice con reglas booleanas. La restricción también se conoce como “filtrado”. Con Vector Search, puedes usar el filtrado numérico y el filtrado de atributos de texto.