Coba model Gemini 1.5, model multimodal terbaru di Vertex AI, dan lihat model yang dapat Anda bangun dengan jendela konteks hingga 2 juta token. Coba model Gemini 1.5, model multimodal terbaru di Vertex AI, dan lihat model yang dapat Anda bangun dengan jendela konteks hingga 2 juta token.

Halaman ini diterjemahkan oleh Cloud Translation API.

Parameter konfigurasi indeks

Guna mengonfigurasi indeks untuk penelusuran kesamaan, Anda harus mengonfigurasi kolom berikut.

Untuk mengetahui petunjuk tentang cara mengonfigurasi indeks, lihat Mengonfigurasi parameter indeks.

`NearestNeighborSearch`

Kolom

Kolom
`contentsDeltaUri`	`string` Memungkinkan penyisipan, pembaruan, atau penghapusan konten pada `Index` Vector Search. String ini harus berupa jalur direktori Cloud Storage yang valid, seperti `gs://BUCKET_NAME/PATH_TO_INDEX_DIR/`. Jika Anda menetapkan kolom ini saat memanggil `IndexService.UpdateIndex`, tidak akan ada kolom `Index` lain yang juga dapat diperbarui sebagai bagian dari panggilan yang sama. Pelajari cara membuat struktur file data individu.
`isCompleteOverwrite`	`boolean` Jika kolom ini ditetapkan bersama dengan `contentsDeltaUri` saat memanggil `IndexService.UpdateIndex`, konten `Index` yang ada akan diganti dengan data dari `contentsDeltaUri`. Jika kolom ini ditetapkan ke true, seluruh indeks akan sepenuhnya ditimpa dengan file metadata baru yang Anda berikan.
`config`	`NearestNeighborSearchConfig` Konfigurasi Vector Search `Index`.

contentsDeltaUri

string

Memungkinkan penyisipan, pembaruan, atau penghapusan konten pada Index Vector Search. String ini harus berupa jalur direktori Cloud Storage yang valid, seperti gs://BUCKET_NAME/PATH_TO_INDEX_DIR/.

Jika Anda menetapkan kolom ini saat memanggil IndexService.UpdateIndex, tidak akan ada kolom Index lain yang juga dapat diperbarui sebagai bagian dari panggilan yang sama. Pelajari cara membuat struktur file data individu.

isCompleteOverwrite

boolean

Jika kolom ini ditetapkan bersama dengan contentsDeltaUri saat memanggil IndexService.UpdateIndex, konten Index yang ada akan diganti dengan data dari contentsDeltaUri. Jika kolom ini ditetapkan ke true, seluruh indeks akan sepenuhnya ditimpa dengan file metadata baru yang Anda berikan.

config

NearestNeighborSearchConfig

Konfigurasi Vector Search Index.

`NearestNeighborSearchConfig`

Kolom
`dimensions`	`int32` Wajib. Jumlah dimensi vektor input. Hanya digunakan untuk penyematan padat.
`approximateNeighborsCount`	`int32` Wajib jika algoritma tree-AH digunakan. Jumlah default tetangga yang harus ditemukan melalui perkiraan penelusuran sebelum pengurutan ulang yang sama persis dilakukan. Pengurutan ulang yang sama persis adalah prosedur ketika hasil yang ditampilkan oleh algoritma perkiraan penelusuran diurutkan ulang menggunakan komputasi jarak yang lebih mahal.
`ShardSize`	`ShardSize` Ukuran setiap shard. Jika besar, indeks akan di-shard berdasarkan ukuran shard yang ditentukan. Selama penayangan, setiap shard ditayangkan di node terpisah dan diskalakan secara independen.
`distanceMeasureType`	`DistanceMeasureType` Ukuran jarak yang digunakan dalam penelusuran tetangga terdekat.
`featureNormType`	`FeatureNormType` Jenis normalisasi yang akan dilakukan pada setiap vektor.
`algorithmConfig`	`oneOf:` `TreeAhConfig` `BruteForceConfig` Konfigurasi untuk algoritma yang digunakan Vector Search untuk penelusuran yang efisien. Hanya digunakan untuk penyematan padat. `TreeAhConfig`: Opsi konfigurasi untuk menggunakan algoritma tree-AH. Untuk mengetahui informasi selengkapnya, lihat blog ini Menskalakan deep retrieval dengan Pemberi Rekomendasi TensorFlow dan Vector Search `BruteForceConfig`: Opsi ini mengimplementasikan penelusuran linear standar dalam database untuk setiap kueri. Tidak ada kolom yang harus dikonfigurasi untuk penelusuran brute force. Untuk memilih algoritma ini, teruskan objek kosong untuk `BruteForceConfig`.

`DistanceMeasureType`

Enum
`SQUARED_L2_DISTANCE`	Jarak Euclidean (L₂)
`L1_DISTANCE`	Jarak Manhattan (L₁)
`DOT_PRODUCT_DISTANCE`	Nilai default. Didefinisikan sebagai negatif dari perkalian titik.
`COSINE_DISTANCE`	Jarak Kosinus. Sebaiknya gunakan DOT_PRODUCT_DISTANCE + UNIT_L2_NORM, bukan jarak COSINE. Algoritma kami lebih dioptimalkan untuk jarak DOT_PRODUCT, dan saat dikombinasikan dengan UNIT_L2_NORM, algoritma ini menawarkan rank dan kesetaraan matematika yang sama dengan jarak COSINE.

`ShardSize`

Enum
`SHARD_SIZE_SMALL`	2 GiB per shard
`SHARD_SIZE_MEDIUM`	20 GiB per shard
`SHARD_SIZE_LARGE`	50 GiB per shard

`FeatureNormType`

Enum
`UNIT_L2_NORM`	Jenis normalisasi unit L2.
`NONE`	Nilai default. Tidak ada jenis normalisasi yang ditetapkan.

`TreeAhConfig`

Ini adalah kolom yang harus dipilih untuk algoritma tree-AH.

Kolom
`fractionLeafNodesToSearch`	`double`
	Fraksi default node daun tempat kueri apa pun dapat dicari. Harus dalam rentang 0,0 - 1,0, eksklusif. Nilai defaultnya adalah 0,05 jika tidak ditetapkan.
`leafNodeEmbeddingCount`	`int32`
	Jumlah embedding pada setiap node daun. Nilai defaultnya adalah 1000 jika tidak ditetapkan.
`leafNodesToSearchPercent`	`int32`
	Tidak digunakan lagi, gunakan `fractionLeafNodesToSearch`. Persentase default node daun tempat kueri apa pun dapat dicari. Harus dalam rentang 1-100, inklusif. Nilai defaultnya adalah 10 (berarti 10%) jika tidak ditetapkan.

`BruteForceConfig`

Opsi ini mengimplementasikan penelusuran linear standar dalam database untuk setiap kueri. Tidak ada kolom yang harus dikonfigurasi untuk penelusuran brute force. Untuk memilih algoritma ini, teruskan objek kosong untuk BruteForceConfig ke algorithmConfig.