Mejora los resultados de la búsqueda con el ajuste de la búsqueda

Un modelo de búsqueda ajustado puede brindarte resultados de mejor calidad que la búsqueda de base. un modelo de responsabilidad compartida.

El ajuste de búsqueda es particularmente valioso si tienes búsquedas específicas de la industria o la empresa que los LLM generales no abordan tan bien. Se puede utilizar para aún más para entrenar el modelo de búsqueda.

Limitaciones

El ajuste de búsqueda solo se puede aplicar a almacenes de datos no estructurados.

Información acerca de los datos de entrenamiento

Para ajustar un modelo de búsqueda, empieza por reunir los datos de entrenamiento.

Los datos de entrenamiento deben contener las consultas que esperas que tus usuarios finales y fragmentos de texto, de 250 a 500 palabras de longitud, que contengan la información relevante necesaria para responder las consultas. Una consulta se puede asociar con varios fragmentos, siempre que cada fragmento contenga información que responda a la consulta.

Los datos de entrenamiento también deben contener fragmentos de texto que no estén vinculados con las consultas, pero que sean similares a las respuestas en estilo y longitud. Estos fragmentos sin búsquedas asociadas proporcionan palabras clave negativas aleatorios. para ajustar el modelo. Google recomienda que proporciones al menos 10,000 de estos fragmentos.

A continuación, se incluye la terminología para describir los datos de entrenamiento que deberás proporcionar:

• Consultas de entrenamiento: Son las consultas que prevés que harán tus usuarios finales. Asegúrate de enfocarte en las consultas con terminología específica del dominio o la empresa.

  Proporciona al menos 100.

• Segmentos extractivos: Los fragmentos (por lo general, varios párrafos) deben tomarse textualmente de los documentos del almacén de datos. Todos los documentos juntos en el almacén de datos se denominan "el corpus".

  Debes proporcionar dos tipos de segmentos extractivos:

  • Segmentos que contienen información relevante necesaria para responder las consultas de entrenamiento. Estos son segmentos que tienen coincidencias positivas con las consultas.

  • Segmentos que no están asociados con ninguna consulta de entrenamiento. Estos segmentos se usan como negativos aleatorios en el ajuste del modelo.

  Una o dos oraciones no son lo suficientemente largas como para ser un segmento extractivo. El segmento debe contener suficiente contexto para el entrenamiento. Por ejemplo, en respuesta a una consulta como "¿quién fundó Google?", un extracto breve, como "Larry Página" es insuficiente. Para ver ejemplos de segmentos lo suficientemente largos, consulta la siguiente tabla de ejemplos.

  Proporciona al menos un segmento extractivo por consulta y al menos 10,000 segmentos extractivos adicionales.

• Puntuaciones de relevancia: Las puntuaciones de relevancia son números enteros no negativos que estiman cuán relevante es el segmento extractivo para la consulta. Proporcionas un puntuación de cada par de segmento extractivo y de consulta. Una puntuación de 0 significa que el segmento extractivo no sea relevante para la consulta. Una puntuación mayor que cero indica cierta relevancia. Para una puntuación sencilla, Google recomienda 1 para todos los segmentos relevantes y 0 para los no relevantes. De manera alternativa, si Si deseas clasificar la relevancia, puedes asignar puntuaciones de relevancia del 0 al 10 (por ejemplo), con 10 para los segmentos más relevantes y 0 para los segmentos que no son relevantes para nada.

  Proporciona al menos 100 puntuaciones relevantes y, de forma opcional, puntuaciones no relevantes adicionales.

Ejemplos de pares de segmentos de consulta y extractivos

En la siguiente tabla, se proporcionan algunos ejemplos de pares de segmentos de consulta y extracción. Estos ejemplos generales son extraídos de Wikipedia. Sin embargo, Para un ajuste útil, deberás proporcionar documentos de conjuntos de datos propios que contienen información específica de tu empresa y que son más fáciles que se encuentran en la Web.

El último par de esta tabla es un ejemplo de un par de puntuación cero, donde el valor respuesta no es relevante para la consulta.

Consulta de entrenamiento	Segmento de extracción	Puntuación
¿Quién fundó Google?	Google fue fundado el 4 de septiembre de 1998 por expertos informáticos estadounidenses Larry Page y Sergey Brin mientras estudiaban en un doctorado en la Universidad de Stanford en California.En conjunto, poseen alrededor del 14% de sus acciones y controlar el 56% de su poder de votación accionaria a través de acciones con supervotación. La compañía se hizo pública a través de una oferta pública inicial (OPI) en 2004. En 2015, Google se reorganizó como una subsidiaria de propiedad total de Alphabet Inc. Google es la subsidiaria más grande de Alphabet y es una sociedad de cartera para las propiedades y los intereses de Internet de Alphabet. Sundar Pichai fue nombrado director general de Google el 24 de octubre de 2015, en reemplazo de Larry Page, quien se convirtió en el director general de Alphabet. El 3 de diciembre de 2019, Pichai también se convirtió en el director general de Alphabet. [...] En la lista de los marcas valiosas, Google es fue clasificada en segundo lugar por Forbes y cuarto por Interbrand.	1
¿dónde se bombea la sangre cuando sale del ventrículo derecho?	La sangre oxigenada sale de los pulmones a través de las venas pulmonares, que la devuelven a la parte izquierda del corazón y completan el ciclo pulmonar. Luego, esta sangre entra al atrio izquierdo, que la bombea a través de la válvula mitral al ventrículo izquierdo. Desde el ventrículo izquierdo, la sangre pasa a través de la válvula aórtica hacia la aorta. Luego, la sangre se distribuye por todo el cuerpo. a través de la circulación sistémica antes de regresar nuevamente al sistema pulmonar de la circulación. Arterias Artículo principal: Arteria pulmonar desde la derecha ventrículo, la sangre se bombea a través de la válvula pulmonar semilunar hacia la izquierda arteria pulmonar principal derecha (una para cada pulmón), que se ramifica arterias pulmonares que se extienden por los pulmones. [...] El cortocircuito cardíaco es una conexión poco natural entre partes del corazón que genera un flujo sanguíneo que pasa por alto los pulmones.	1
¿dónde se encuentra el Salón de la Fama del Bolo?	The World Bowling Writers ( WBW ) International Bowling Hall de fama se estableció en 1993 y se encuentra en la International Bowling Museum and Hall of Fame , en el campus internacional de bolos de Arlington , Texas. Historia El Museo Internacional de Bolos y Salón de la Fama se sitúa en 11 Stadium Plaza, St. Louis, Misuri, EE.UU., y compartió el mismo edificio con el Museo del Salón de la Fama de los Cardenales de San Luis, hasta el 8 de noviembre de 2008. Se trasladó a Arlington y volvió a abrir a principios de 2010. En 2012, la WBW se fusionó con la International Bowling Media Association. Después de la fusión, los miembros del Salón de la Fama de la WBW se convirtieron en parte del Salón de la Fama de Luby de la IBMA. Los oficiales de World Bowling Writers, que formaron la Junta del Salón, [...]. Se eligen a la mujer y al hombre que reciben la mayor cantidad de votos.	1
¿Por qué el cielo es azul?	La frase "Hello, World!" programa es generalmente un programa de computadora simple que muestra (o muestra) en la pantalla (a menudo, la consola) un mensaje similar a "¡Hola, mundo!" y se ignoran las entradas del usuario. En la mayoría de los casos, lenguajes de programación de uso general, este programa se usa para ilustrar un la sintaxis básica del lenguaje. La frase "Hello, World!" programa suele ser el primero que escribió estudiante de un nuevo lenguaje de programación, pero ese programa también puede usarse como una comprobación que garantice que el software de computadora destinado a compilar o ejecutar código fuente esté instalado correctamente y de que su operador comprenda cómo usarlo. [...] A la versión en C le precedió el “A Tutorial” de Kernighan, de 1972. Introducción al lenguaje B, donde se conoce la primera versión del programa en un ejemplo usado para ilustrar las variables externas	0

Información acerca de las pruebas

Después del entrenamiento, se prueba la búsqueda ajustada para determinar si el ajuste mejoró los resultados. Puedes proporcionar de forma explícita las consultas que quieres probar. Si si no proporcionas consultas de prueba, Vertex AI Search usa el 20% de las consultas de entrenamiento como consultas de prueba.

Archivos de entrenamiento

Los datos de entrenamiento deben subirse en tres (opcionalmente cuatro) archivos específicos:

• Un archivo de corpus que contiene los segmentos extractivos

• Un archivo de consulta que solo contiene las consultas

• Un archivo de etiquetas de entrenamiento que conecta las consultas con segmentos y contiene las puntuaciones de relevancia

• Un archivo de etiquetas de prueba que sea similar a las etiquetas de entrenamiento (opcional) pero se usa para evaluar el modelo ajustado en lugar de entrenarlo

Los tres archivos de entrenamiento (archivo corpus, archivo de consulta y archivo de etiquetas de entrenamiento) y El archivo de etiquetas de prueba (opcional) debe estar en Cloud Storage. Las rutas de la Los archivos se definen mediante los campos de la llamada a trainCustomMethod.

Archivo corpus

El archivo corpus contiene segmentos extractivos: segmentos que contienen información para responder las consultas en el archivo de consulta y muchos segmentos adicionales para usar como negativos aleatorios cuando se ajuste el modelo. Debes tener al menos 100 segmentos que contengan respuestas a las consultas. las consultas pueden ser respondida por varios segmentos. También debes tener al menos 10,000 segmentos aleatorios.

Si los documentos de tu almacén de datos contienen menos de 500 palabras, puedes usar documentos completos como segmentos. De lo contrario, crea segmentos aleatorios de 250 a 500 palabras de los documentos de tu almacén de datos y agrégalos al archivo del corpus de forma programática.

El archivo del corpus es un archivo JSONL (líneas JSON) en el que cada línea tiene los campos _id y text con valores de cadena. Por ejemplo:

  {"_id": "doc1", "text": "Google was founded on September 4, 1998, by American computer scientists Larry Page and Sergey Brin while they were PhD students at Stanford University in California. Together they own about 14% of its publicly listed shares and control 56% of its stockholder voting power through super-voting stock. The company went public via an initial public offering (IPO) in 2004. In 2015, Google was reorganized as a wholly owned subsidiary of Alphabet Inc. Google is Alphabet's largest subsidiary and is a holding company for Alphabet's internet properties and interests. Sundar Pichai was appointed CEO of Google on October 24, 2015, replacing Larry Page, who became the CEO of Alphabet. On December 3, 2019, Pichai also became the CEO of Alphabet. [...] On the list of most valuable brands, Google is 105 ranked second by Forbes and fourth by Interbrand."}
  {"_id": "doc2", "text": "Oxygenated blood leaves the lungs through pulmonary veins, which return it to the left part of the heart, completing the pulmonary cycle. This blood then enters the left atrium, which pumps it through the mitral valve into the left ventricle. From the left ventricle, the blood passes through the aortic valve to the aorta. The blood is then distributed to the body through the systemic circulation before returning again to the pulmonary circulation. Arteries Main article: Pulmonary artery From the right ventricle, blood is pumped through the semilunar pulmonary valve into the left and right main pulmonary artery (one for each lung), which branch into smaller pulmonary arteries that spread throughout the lungs. [...] Cardiac shunt is an unnatural connection between parts of the heart that leads to blood flow that bypasses the lungs."}
  {"_id": "doc3", "text": "The World Bowling Writers ( WBW ) International Bowling Hall of Fame was established in 1993 and is located in the International Bowling Museum and Hall of Fame , on the International Bowling Campus in Arlington , Texas. History The International Bowling Museum and Hall of Fame was located at 11 Stadium Plaza, St. Louis, Missouri, USA, and shared the same building with the St. Louis Cardinals Hall of Fame Museum, until November 8, 2008. It moved to Arlington and reopened in early 2010. In 2012, the WBW was merged with the International Bowling Media Association. After the merger, the WBW Hall of Fame inductees became part of the IBMA Luby Hall of Fame.  officers of the World Bowling Writers, which formed the Hall's Board.][...] The man and woman who receive the most votes are elected."}
  {"_id": "doc4", "text": "A \"Hello, World!\" program is generally a simple computer program which outputs (or displays) to the screen (often the console) a message similar to "Hello, World!" while ignoring any user input. A small piece of code in most general-purpose programming languages, this program is used to illustrate a language's basic syntax. A "Hello, World!" program is often the first written by a student of a new programming language, but such a program can also be used as a check to ensure that the computer software intended to compile or run source code is correctly installed, and that its operator understands how to use it.  [...] The C-language version was preceded by Kernighan's own 1972 A Tutorial Introduction to the Language B, where the first known version of the program is found in an example used to illustrate external variables."}

El tamaño máximo del archivo es de 500,000 líneas.

Archivo de consulta

El archivo de consulta contiene las consultas de ejemplo que se usarán para ajustar la un modelo de responsabilidad compartida. Cada consulta debe tener uno o más segmentos extractivos correspondientes en el archivo del corpus. Debes proporcionar, al menos, 100 búsquedas de concordancia positiva. También puedes proporcionar consultas no relevantes, que son aquellas que corresponden a segmentos extractivos con una puntuación de relevancia de cero.

El archivo de consulta está en formato JSONL y tiene los mismos campos que el archivo corpus.

Por ejemplo:

  {"_id": "query1", "text": "who founded Google?"}
  {"_id": "query2", "text": "where is blood pumped after it leaves the right ventricle?"}
  {"_id": "query3", "text": "where is the bowling hall of fame located?"}
  {"_id": "query4", "text": "why is the sky blue?"}

La cantidad máxima de consultas permitidas en el archivo es de 40,000.

Etiquetas de entrenamiento

El archivo de etiquetas de entrenamiento conecta las consultas con los segmentos extractivos y califica cada par de consulta y segmento.

Si el archivo de etiquetas de prueba no está presente, entonces el 20% de las consultas en el archivo de etiquetas de entrenamiento se reservan para evaluar el modelo ajustado después de capacitación.

El archivo contiene el ID de una consulta y el ID de su segmento extractivo coincidente (o no coincidente) y una puntuación para la relevancia del segmento para la consulta. Debe haber al menos una línea por consulta. si una consulta es respondida por dos segmentos, hay dos líneas para esa consulta. Score es un valor de número entero no negativo. Cualquier puntuación mayor que cero indica que el documento está relacionado con la consulta. Los números más grandes indican un nivel de relevancia mayor. Si se omite la puntuación, el valor predeterminado es 1.

El archivo de etiquetas de entrenamiento es un archivo TSV (valores separados por tabulaciones) con un encabezado. El archivo debe tener las columnas query-id, corpus-id y score. query-id es una cadena que coincide con la clave _id del archivo de consulta, y corpus-id es una cadena que coincide con _id en el archivo de corpus.

Por ejemplo:

  query-id  corpus-id   score
  query1    doc1    1
  query2    doc2    1
  query3    doc3    1
  query3    doc9    1
  query4    doc4    0

Nota: Asegúrate de que los separadores de este archivo sean caracteres de tabulación (\t). Algunos navegadores y editores de texto pueden reemplazar las pestañas con una secuencia de espacios.

El archivo de etiquetas de entrenamiento debe incluir al menos 100 ID de consulta únicos. La cantidad de IDs de consulta en el archivo de etiquetas de entrenamiento combinada con la cantidad de consultas en el archivo de etiquetas de prueba debe ser inferior a 500,000.

Etiquetas de prueba

Al igual que el archivo de etiquetas de entrenamiento, este archivo opcional contiene los IDs de la consulta. y puntuaciones de pertinencia y segmento extractivo. Contiene menos consultas y diferentes que las del archivo de etiquetas de entrenamiento. Si están presentes, los pares de segmentos de consulta y extracción en el archivo se usan para evaluar el ajuste. Si no está presente el archivo de etiquetas de prueba, se usan los pares de segmentos de consulta y extracción del archivo de etiquetas de entrenamiento para la evaluación.

Este archivo tiene el mismo formato que el archivo de etiquetas de entrenamiento.

Por ejemplo:

  query-id  corpus-id   score
  query200    doc200    1
  query201    doc201    1
  query202    doc202    1

Aunque el archivo de etiquetas de prueba es opcional, si lo proporcionas, debe contener al menos tres IDs de consulta únicos.

Antes de comenzar

Activa las funciones de la edición Enterprise para la app.

Ajusta la búsqueda

Para ajustar un modelo de búsqueda con tus propios datos de entrenamiento, sigue estos pasos.

Nota: En el caso de los almacenes de datos grandes, el ajuste de la búsqueda puede demorar un par de días.

Console

Para usar la consola de Google Cloud y ajustar un modelo, sigue estos pasos:

1. Prepara tus datos de entrenamiento y, de manera opcional, tus archivos de datos de prueba. Usa el formatos descritos en Archivos de entrenamiento.

2. Sube los archivos a Cloud Storage.

3. En la consola de Google Cloud, ve a la página Agent Builder.

   Agent Builder

4. En la página Apps, haz clic en el nombre de la app para la que quieres que entren. el modelo de base de datos en la nube.

5. En el menú de navegación, haz clic en Configuraciones.

6. Haz clic en la pestaña Ajuste.

7. Haz clic en Ajustar el modelo de base.

8. Especifica los archivos de corpus, consulta, entrenamiento y, de manera opcional, de prueba que preparaste en los pasos 1 y 2 anteriores.

9. Haz clic en Iniciar ajuste.

10. Actualiza la página para ver el estado en la tabla Actividad de ajuste reciente. en la pestaña Ajuste.

REST

Si deseas usar el método trainCustomModel para ajustar un almacén de datos, haz lo siguiente: sigue estos pasos:

1. Prepara los archivos de datos de entrenamiento (y, de forma opcional, los datos de prueba). Usa el formatos descritos en Archivos de entrenamiento.

2. Coloca los archivos en un bucket de Cloud Storage.

3. Sube los archivos del bucket de Cloud Storage a Vertex AI Search ejecuta el siguiente comando curl:

   curl -X POST \
   -H "Authorization: Bearer $(gcloud auth print-access-token)" \
   -H "Content-Type: application/json" \
   "https://discoveryengine.googleapis.com/v1/projects/PROJECT_ID/locations/global/collections/default_collection/dataStores/DATA_STORE_ID:trainCustomModel" \
   -d '{
   "gcsTrainingInput": {
    "corpusDataPath": "CORPUS_JSONL_GCS_PATH",
    "queryDataPath": "QUERY_JSONL_GCS_PATH",
    "trainDataPath": "TRAIN_JSONL_GCS_PATH",
    "testDataPath": "TEST_JSONL_GCS_PATH"
   },
   "modelType": "search-tuning"
   }'
   

   Reemplaza lo siguiente:

   • PROJECT_ID: El ID del proyecto de Google Cloud.

   • DATA_STORE_ID: El ID del almacén de datos que que quieres ajustar.

   • CORPUS_JSONL_GCS_PATH: Es la ruta de acceso del archivo JSONL del corpus en Cloud Storage, por ejemplo, gs://my-bucket/corpus.jsonl.

   • QUERY_JSONL_GCS_PATH: Es la ruta de acceso del archivo JSONL de consulta en Cloud Storage, por ejemplo, gs://my-bucket/query.jsonl.

   • TRAIN_JSONL_GCS_PATH: Es la ruta de acceso al archivo TSV de etiquetas de entrenamiento en Cloud Storage, por ejemplo, gs://my-bucket/train.tsv.

   • TEST_JSONL_GCS_PATH: Es un campo opcional para especifica la ruta de Cloud Storage para tus etiquetas de prueba TSV , por ejemplo, gs://my-bucket/test.tsv. Si no tienes un archivo de etiquetas de prueba, quita el campo testDataPath o déjalo en blanco.

   Para obtener información general sobre este método, consulta trainCustomModel.

   El ajuste comienza automáticamente después de que se suben los archivos de datos.

   Haz clic para ver un ejemplo de comando y respuesta de curl.

   curl -X POST
   -H "Authorization: Bearer $(gcloud auth print-access-token)"
   -H "Content-Type: application/json"
   "https://discoveryengine.googleapis.com/v1/projects/12345/locations/global/collections/default_collection/dataStores/my-data-store_4321:trainCustomModel"
   -d '{
   "dataStore":
   "projects/12345/locations/global/collections/default_collection/dataStores/my-data-store_4321",
   "gcsTrainingInput": {
   "corpusDataPath": "gs://my-bucket/corpus.jsonl",
   "queryDataPath": "gs://my-bucket/query.jsonl",
   "trainDataPath": "gs://my-bucket/train.tsv"
   },
   "modelType": "search-tuning"
   }
   {
   "name": "projects/12345/locations/global/collections/default_collection/dataStores/my-data-store_4321/operations/train-custom-model-6071430366161939774",
   "metadata": {
   "@type": "type.googleapis.com/google.cloud.discoveryengine.v1.TrainCustomModelMetadata"
   },
   "response": {
   "@type": "type.googleapis.com/google.cloud.discoveryengine.v1.TrainCustomModelResponse",
   "modelStatus": "in-progress"
   }

4. Anota el valor name que muestra el método trainCustomModel y sigue las instrucciones que se indican en Obtén detalles sobre una operación de larga duración para ver cuándo se completa la operación de optimización de la búsqueda.

Prueba la búsqueda ajustada y úsala para búsquedas individuales

Una vez finalizado el ajuste, puedes probarlo comparando los resultados de consultas con el modelo ajustado y los resultados de las mismas consultas con el modelo base.

Console

Si quieres usar la consola de Google Cloud para obtener una vista previa del comportamiento de un modelo ajustado, sigue los pasos que se indican a continuación: estos pasos:

1. Ve a la pestaña Ajuste:

   1. En la consola de Google Cloud, ve a la página Agent Builder.

      Agent Builder

   2. Haz clic en el nombre de la app de la que quieres obtener una vista previa.

   3. Haz clic en Configuraciones.

   4. Haz clic en la pestaña Ajuste.

2. Haz clic en Modelo ajustado y usa el panel de vista previa de la derecha para crear consultas que usan el modelo ajustado.

3. Haz clic en Modelo base y usa el panel de vista previa a la derecha para y hacer consultas con el modelo original.

4. Compara la calidad de los resultados.

REST

Para evaluar el efecto del ajuste, puedes realizar consultas con el campo enableSearchAdaptor configurado en true y, luego, en false, y comparar los resultados. Si estableces el campo enableSearchAdaptor en true, indica que se usa una versión ajustada de búsqueda para esa consulta.

Para realizar búsquedas que usen el modelo ajustado:

1. En la llamada al método de consulta, establece el campo enableSearchAdaptor en el campo customFineTuningSpec como true.

   Por ejemplo:

   curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" \
   -H "Content-Type: application/json" \
   "https://discoveryengine.googleapis.com/v1/projects/PROJECT_ID/locations/global/collections/default_collection/engines/APP_ID/servingConfigs/default_search:search" \
   -d '{
   "query": "QUERY",
   "customFineTuningSpec": { "enableSearchAdaptor": true }
   }'
   

   Reemplaza lo siguiente:

   • PROJECT_ID: El ID del proyecto de Google Cloud.
   • APP_ID: Es el ID de la app que deseas. para cada búsqueda.

Para obtener información detallada sobre las búsquedas, consulta Cómo obtener resultados de la búsqueda y el método servingConfigs.search.

Activar búsqueda ajustada

Después de probar la búsqueda ajustada y decidir que quieres usarla para todas las búsquedas, puedes establecerlo como el modelo de búsqueda predeterminado.

Console

Para hacer que el modelo ajustado sea el modelo predeterminado y aplicarlo a la página principal de la vista previa, haz lo siguiente: el widget y las llamadas a la API, sigue estos pasos:

1. Ve a la pestaña Ajuste:

   1. En la consola de Google Cloud, ve a la página Agent Builder.

      Agent Builder

   2. Haz clic en el nombre de la app.

   3. Haz clic en Configuraciones.

   4. Haz clic en la pestaña Ajuste.

2. Haz clic en Modelo ajustado.

3. Haz clic en Publicar.

REST

Cuando configuras el modelo ajustado para que sea el modelo predeterminado, no necesitas especificar el campo customFineTuningSpec en la búsqueda, como en el ejemplo anterior procedimiento.

Para usar la versión ajustada de búsqueda de forma predeterminada para todas las consultas de búsqueda, sigue estos pasos:

1. Para establecer la búsqueda ajustada como el modelo predeterminado, ejecuta el siguiente comando curl :

   curl -X PATCH \
   -H "Authorization: Bearer $(gcloud auth print-access-token)" \
   -H "Content-Type: application/json" \
   -H "X-Goog-User-Project: PROJECT_ID" \
   "https://discoveryengine.googleapis.com/v1/projects/PROJECT_ID/locations/global/collections/default_collection/engines/APP_ID/servingConfigs/default_search?updateMask=customFineTuningSpec.enableSearchAdaptor" \
   -d '{
   "customFineTuningSpec": {
    "enableSearchAdaptor": true
   }
   }'
   

   Para obtener información general sobre este método, consulta servingConfigs.patch.

Cómo desactivar la búsqueda optimizada

Si ya no quieres usar la versión ajustada de la búsqueda (por ejemplo, si los resultados no son mejores ni peores que antes del ajuste, entonces puede inhabilitar la búsqueda ajustada.

Console

Para volver a usar el modelo base como modelo predeterminado, sigue estos pasos:

1. Ve a la pestaña Ajuste:

   1. En la consola de Google Cloud, ve a la página Agent Builder.

      Agent Builder

   2. Haz clic en el nombre de la app.

   3. Haz clic en Configuraciones.

   4. Haz clic en la pestaña Ajuste.

2. Haz clic en Modelo base.

3. Haz clic en Publicar.

REST

Para dejar de usar el modelo ajustado, ejecuta una llamada curl similar a la anterior pero configura enableSearchAdaptor como false:

1. Ejecuta el siguiente comando curl:

   curl -X PATCH \
   -H "Authorization: Bearer $(gcloud auth print-access-token)" \
   -H "Content-Type: application/json" \
   -H "X-Goog-User-Project: PROJECT_ID" \
   "https://discoveryengine.googleapis.com/v1/projects/PROJECT_ID/locations/global/collections/default_collection/engines/APP_ID/servingConfigs/default_search?updateMask=customFineTuningSpec.enableSearchAdaptor" \
   -d '{
   "customFineTuningSpec": {
    "enableSearchAdaptor": false
   }
   }'
   

   Para obtener información general sobre este método, consulta servingConfigs.patch

¿Qué sigue?

• Para comprender el impacto del ajuste de la búsqueda en la calidad de la búsqueda, evalúala. Para obtener más información, consulta Evalúa la calidad de la búsqueda.