Búsqueda de vectores es un potente motor de búsqueda de vectores basado en una tecnología innovadora desarrollada por Google Research. Gracias al algoritmo ScaNN, Vector Search te permite crear sistemas de búsqueda y recomendación de última generación, así como 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 que se necesitan para gestionar conjuntos de datos masivos y ofrecer resultados ultrarrápidos a escala global. Con la búsqueda vectorial, 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 todo su esplendor |
|
Empezar
Demostración interactiva de Vector Search: consulta la demostración en directo para ver un ejemplo realista de lo que puede hacer la tecnología de búsqueda vectorial y empieza a usar Vector Search.
Guía de inicio rápido de Vector Search: prueba Vector Search en 30 minutos creando, desplegando y consultando un índice de Vector Search con un conjunto de datos de ejemplo. En este tutorial se explica cómo configurar, preparar los datos, crear índices, implementar, consultar y limpiar.
Antes de empezar: prepara tus inserciones eligiendo y entrenando un modelo, y preparando tus datos. A continuación, elige un endpoint público o privado para desplegar el índice de consulta.
Precios de Vector Search y calculadora de precios: los precios de Vector Search incluyen el coste de las máquinas virtuales usadas para alojar los índices implementados, así como los gastos de creación y actualización de índices. Incluso una configuración mínima (menos de 100 USD al mes) puede admitir un alto rendimiento para casos prácticos de tamaño moderado. Para estimar tus costes mensuales, sigue estos pasos:
- Ve a la calculadora de precios de Google Cloud.
- Haz clic en Añadir 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 configura la tuya. El coste mensual estimado se muestra en el panel Detalles del coste.
Documentación
Casos prácticos y blogs
La tecnología de búsqueda vectorial se está convirtiendo en un centro neurálgico para las empresas que usan la IA. Al igual que las bases de datos relacionales en los sistemas informáticos, conecta varios elementos empresariales, como documentos, contenido, productos, usuarios, eventos y otras entidades, en función de su relevancia. Además de buscar en contenido multimedia convencional, como documentos e imágenes, la búsqueda vectorial también puede ofrecer recomendaciones inteligentes, asociar problemas empresariales con soluciones e incluso vincular señales de IoT con alertas de monitorización. Es una herramienta versátil e imprescindible para moverse por el creciente panorama de los datos empresariales basados en IA.
|
Búsqueda o recuperación de información
Sistemas de |
Cómo ayuda la búsqueda de vectores de Vertex AI a desbloquear aplicaciones de IA generativa de alto rendimiento: Búsqueda de vectores impulsa diversas aplicaciones, como el comercio electrónico, los sistemas de RAG y los motores de recomendaciones, así como los chatbots, la búsqueda multimodal y más. La búsqueda híbrida mejora aún más los resultados de los términos específicos. Clientes como Bloomreach, eBay y Mercado Libre usan Vertex AI por su rendimiento, escalabilidad y rentabilidad, y obtienen ventajas como búsquedas más rápidas y un aumento de las conversiones. eBay usa Vector Search para las recomendaciones: destaca cómo usa eBay Vector Search en su sistema de recomendaciones. Esta tecnología permite a eBay encontrar productos similares en su amplio catálogo, lo que mejora la experiencia de usuario. Mercari aprovecha la tecnología de búsqueda de vectores de Google para crear un nuevo mercado: se explica cómo usa Mercari la búsqueda de vectores para mejorar su nueva plataforma de mercado. Vector Search impulsa las recomendaciones de la plataforma, lo que ayuda a los usuarios a encontrar productos relevantes de forma más eficaz. Vertex AI Embeddings para texto: grounding de LLMs de forma sencilla: se centra en el grounding de LLMs mediante Vertex AI Embeddings para datos de texto. La búsqueda vectorial juega un papel importante a la hora de encontrar fragmentos de texto relevantes que aseguren que las respuestas del modelo se basen en información objetiva. Qué es la búsqueda multimodal: "LLMs con visión" cambia las empresas: se habla de la búsqueda multimodal, que combina LLMs con la comprensión visual. Se explica cómo la búsqueda vectorial procesa y compara datos de texto e imágenes, lo que permite ofrecer experiencias de búsqueda más completas. Descubre la búsqueda multimodal a gran escala: combina la potencia del texto y las imágenes con Vertex AI: describe cómo crear un motor de búsqueda multimodal con Vertex AI que combine la búsqueda de texto e imágenes mediante un método de conjunto de rango recíproco con sesgo de rango ponderado. De esta forma, se mejora la experiencia de usuario y se proporcionan resultados más relevantes. Escalar la recuperación profunda con TensorFlow Recommenders y Vector Search: explica cómo crear un sistema de recomendación de listas de reproducción con TensorFlow Recommenders y Vector Search, que abarca modelos de recuperación profunda, entrenamiento, implementación y escalado. |
|
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 información valiosa a partir de sus datos. La búsqueda vectorial es fundamental para acceder y analizar de forma eficiente los datos relevantes en un entorno empresarial. Naturaleza infinita y la naturaleza de los sectores: esta demostración "salvaje" muestra las diversas posibilidades de la IA: muestra una demostración que ilustra el potencial de la IA en diferentes sectores. Utiliza Vector Search para ofrecer recomendaciones generativas y búsquedas semánticas multimodales. Infinite Fleurs: descubre la creatividad asistida por IA en todo su esplendor: Infinite Fleurs de Google es un experimento de IA que usa la búsqueda vectorial y los modelos de Gemini e Imagen para generar ramos de flores únicos a partir de las peticiones de los usuarios. Esta tecnología muestra el potencial de la IA para inspirar la creatividad en diversos sectores. LlamaIndex para RAG en Google Cloud: describe cómo usar LlamaIndex para facilitar la generación aumentada de recuperación (RAG) con modelos de lenguaje de gran tamaño. LlamaIndex utiliza Búsqueda de vectores para obtener información relevante de una base de conocimientos, lo que da como resultado respuestas más precisas y contextualmente adecuadas. RAG y grounding en Vertex AI: analiza las técnicas de RAG y grounding en Vertex AI. La búsqueda vectorial ayuda a identificar información de base relevante durante la recuperación, lo que hace que el contenido generado sea más preciso y fiable. Búsqueda vectorial en LangChain: proporciona una guía para usar la búsqueda vectorial con LangChain para crear e implementar un índice de base de datos vectorial para datos de texto, incluidas las funciones de respuesta a preguntas y procesamiento de PDFs. |
|
Inteligencia empresarial, analíticas de datos, monitorización y más |
Habilitar la IA en tiempo real con la ingesta de streaming en Vertex AI: explora la actualización de streaming en Vector Search y cómo proporciona funciones de IA en tiempo real. Esta tecnología permite procesar y analizar en tiempo real los flujos de datos entrantes. |
Recursos relacionados
Puedes usar los siguientes recursos para empezar a usar la búsqueda vectorial:
Cuadernos y soluciones
|
|
|
Guía de inicio rápido de Vertex AI Vector Search: ofrece una descripción general de Vector Search. Está diseñado para usuarios que no conocen la plataforma y quieren empezar a usarla rápidamente. |
Empezar a usar inserciones de texto y búsqueda vectorial: presenta las inserciones de texto y la búsqueda vectorial. Se explica cómo funcionan estas tecnologías y cómo se pueden usar para mejorar los resultados de búsqueda. |
|
|
|
Combinar la búsqueda semántica y por palabras clave: tutorial de búsqueda híbrida con Vertex AI Vector Search: Proporciona instrucciones sobre cómo usar Vector Search para la búsqueda híbrida. En él se explican los pasos necesarios para configurar un sistema de búsqueda híbrido. |
Vertex AI RAG Engine con Vector Search: explora el uso de Vertex AI RAG Engine con Vector Search. En él se explican las ventajas de usar estas dos tecnologías juntas y se ofrecen ejemplos de cómo se pueden usar en aplicaciones reales. |
|
|
|
Infraestructura para una aplicación de IA generativa compatible con RAG que use Vertex AI y Vector Search: se detallan la arquitectura para crear una aplicación de IA generativa y RAG con Vector Search, Cloud Run y Cloud Storage, y se explican los casos de uso, las opciones de diseño y las consideraciones clave. |
<p"> Implementa 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 integral con Vertex AI. El marco de modelización de dos torres es una técnica de recuperación eficaz para los casos prácticos de personalización, ya que aprende la similitud semántica entre dos entidades diferentes, como las consultas web y los elementos candidatos. </p"> |
Formación
Empezar a usar Vector Search e inserciones Vector Search se usa para encontrar elementos similares o relacionados. Se puede usar para recomendaciones, búsquedas, chatbots y clasificación de texto. El proceso consiste en crear inserciones, subirlas a Google Cloude indexarlas para poder hacer consultas. En este laboratorio, nos centraremos en las inserciones de texto con Vertex AI, pero se pueden generar inserciones para otros tipos de datos.
Búsqueda de vectores e incrustaciones En este curso se presenta la búsqueda de vectores y se describe cómo se puede usar para crear una aplicación de búsqueda con APIs de modelos de lenguaje extenso (LLMs) para incrustaciones. El curso consta de lecciones conceptuales sobre la búsqueda de vectores y las incrustaciones de texto, demostraciones prácticas sobre cómo crear una búsqueda de vectores en Vertex AI y un laboratorio práctico.
Información sobre los elementos insertados de texto y cómo aplicarlos
La API Embeddings de Vertex AI genera elementos insertados de texto, que son
representaciones numéricas de texto que se usan en tareas como identificar elementos similares.
En este curso, usarás incrustaciones de texto para tareas como la clasificación y la búsqueda semántica, y combinarás la búsqueda semántica con LLMs para crear 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 comparan con las representaciones dispersas. Explora métodos para obtener inserciones y diferencia entre inserciones estáticas y contextuales.
Productos relacionados
Vertex AI Embeddings Ofrece una descripción general de la API Embeddings. Casos prácticos de inserciones de texto y multimodales, así como enlaces a recursos adicionales y servicios relacionados. Google Cloud
API de clasificación de aplicaciones de IA La API de clasificación vuelve a clasificar los documentos en función de su relevancia para una consulta mediante un modelo de lenguaje preentrenado, lo que proporciona puntuaciones precisas. Es ideal para mejorar los resultados de búsqueda de varias fuentes, incluida la búsqueda de vectores.
Vertex AI Feature Store Te permite gestionar y proporcionar datos de características usando BigQuery como fuente de datos. Proporciona recursos para el servicio online y actúa como una capa de metadatos para ofrecer los valores de las funciones más recientes directamente desde BigQuery. Feature Store permite recuperar al instante los valores de las características de los elementos que Vector Store ha devuelto en las consultas.
Vertex AI Pipelines Vertex AI Pipelines permite automatizar, monitorizar y gobernar los sistemas de aprendizaje automático sin servidor orquestando flujos de trabajo de aprendizaje automático con canalizaciones de aprendizaje automático. Puedes ejecutar en lotes flujos de procesamiento de aprendizaje automático definidos mediante Kubeflow Pipelines o el framework TensorFlow Extended (TFX). Las canalizaciones permiten crear canalizaciones automatizadas para generar inserciones, crear y actualizar índices de búsqueda vectorial, y configurar MLOps para sistemas de búsqueda y recomendación de producción.
Recursos para profundizar
Mejorar tu caso práctico de IA generativa con las inserciones y los tipos de tareas de Vertex AI Se centra en mejorar las aplicaciones de IA generativa con las inserciones y los tipos de tareas de Vertex AI. La búsqueda de vectores se puede usar con incrustaciones de tipo de tarea para mejorar el contexto y la precisión del contenido generado buscando información más relevante.
TensorFlow Recommenders Una biblioteca de código abierto para crear sistemas de recomendación. Simplifica el proceso desde la preparación de los datos hasta la implementación y admite la creación de modelos flexibles. TFRS ofrece tutoriales y recursos, y permite crear modelos de recomendación sofisticados.
TensorFlow Ranking TensorFlow Ranking es una biblioteca de código abierto para crear modelos de aprendizaje para clasificar (LTR) neuronales escalables. Admite varias funciones de pérdida y métricas de clasificación, con aplicaciones en búsquedas, recomendaciones y otros campos. La biblioteca está desarrollada activamente por Google AI.
Presentamos ScaNN: búsqueda eficiente de similitud de vectores ScaNN de Google, un algoritmo para la búsqueda eficiente de similitud de vectores, utiliza una técnica novedosa para mejorar la precisión y la velocidad a la hora de encontrar los vecinos más cercanos. Supera a los métodos actuales y tiene amplias aplicaciones en tareas de aprendizaje automático que requieren búsqueda semántica. Los esfuerzos de investigación de Google abarcan varios ámbitos, como el aprendizaje automático fundamental y los impactos sociales de la IA.
SOAR: nuevos algoritmos para que la búsqueda de vectores con ScaNN sea aún más rápida El algoritmo SOAR de Google mejora la eficiencia de la búsqueda de vectores introduciendo 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 "respaldo" para mejorar el rendimiento.
Vídeos relacionados
Empieza a usar Vector Search con Vertex AI
La búsqueda de vectores es una herramienta potente para crear aplicaciones basadas en IA. En este vídeo se presenta la tecnología y se ofrece una guía paso a paso para empezar.
Aprender a usar la búsqueda híbrida con Vector Search
La búsqueda de vectores se puede usar para la búsqueda híbrida, lo que te permite combinar la potencia de la búsqueda de vectores con la flexibilidad y la velocidad de un motor de búsqueda convencional. En este vídeo se presenta la búsqueda híbrida y se muestra cómo usar Vector Search para realizar búsquedas híbridas.
Ya estás usando la búsqueda vectorial Cómo convertirse en experto
¿Sabías que probablemente usas la búsqueda vectorial todos los días sin darte cuenta? Desde encontrar ese producto escurridizo en redes sociales hasta dar con una canción que no te puedes quitar de la cabeza, la búsqueda vectorial es la magia de la IA que hay detrás de estas experiencias cotidianas.
Mejora la precisión y la relevancia de tus sistemas RAG con las nuevas inserciones de tipo de tarea desarrolladas por el equipo de Google DeepMind. Descubre los problemas habituales de calidad de la búsqueda RAG y cómo las inserciones de tipo de tarea pueden salvar la brecha semántica entre preguntas y respuestas, lo que lleva a una recuperación más eficaz y a un mejor rendimiento de RAG.
Terminología de Vector Search
Esta lista contiene algunos términos importantes que debes conocer para usar la búsqueda vectorial:
Vector: un vector es una lista de valores flotantes que tiene magnitud y dirección. Se puede usar para representar cualquier tipo de datos, como números, puntos en el espacio y direcciones.
Incrustación: una incrustación es un tipo de vector que se usa para representar datos de forma que se capture su significado semántico. Las inserciones se suelen crear con técnicas de aprendizaje automático y se utilizan a menudo en el procesamiento del lenguaje natural (PLN) y otras aplicaciones de aprendizaje automático.
Inserciones densas: representan el significado semántico del texto mediante arrays que contienen principalmente valores distintos de cero. Con las inserciones densas, se pueden devolver resultados de búsqueda similares en función de la similitud semántica.
Inserciones dispersas: representan la sintaxis del texto mediante matrices de alta dimensión que contienen muy pocos valores distintos de cero en comparación con las inserciones densas. Las inserciones dispersas se suelen usar en búsquedas por palabras clave.
Búsqueda híbrida: la búsqueda híbrida usa tanto los embeddings densos como los dispersos, lo que te permite buscar en función de una combinación de búsqueda por palabras clave y búsqueda semántica. Búsqueda de vectores admite búsquedas basadas en incrustaciones densas, incrustaciones dispersas y búsquedas híbridas.
Índice: colección de vectores implementada conjuntamente para la búsqueda de similitud. Los vectores se pueden añadir o quitar de un índice. Las consultas de búsqueda de similitud se envían a un índice específico y buscan los vectores de ese índice.
Verdad fundamental: término que hace referencia a la verificación de la precisión del aprendizaje automático en el mundo real, como un conjunto de datos de verdad fundamental.
Recuerdo: el porcentaje de vecinos más cercanos devueltos por el índice que son realmente los vecinos más cercanos. Por ejemplo, si una consulta de los vecinos más cercanos para los 20 vecinos más cercanos de la verdad fundamental devuelve 19 de los vecinos más cercanos de la verdad fundamental, la recuperación es 19/20 × 100 = 95%.
Restringir: función que limita las búsquedas a un subconjunto del índice mediante reglas booleanas. Restringir también se denomina "filtrar". Con la búsqueda vectorial, puedes usar el filtrado numérico y el filtrado por atributos de texto.