Vector Search 是一款强大的向量搜索引擎，基于 Google Research 开发的开创性技术构建而成。借助 ScaNN 算法，您可以使用向量搜索构建新一代搜索和推荐系统以及生成式 AI 应用。
您可以获享 Google 核心产品（包括 Google 搜索、YouTube 和 Google Play）所依托的相同研究和技术。这意味着，您可以获得可靠的可伸缩性、可用性和性能，从而处理海量数据集并在全球范围内以极快的速度提供结果。Vector Search 是一款企业级解决方案，可帮助您在自己的应用中实现尖端的语义搜索功能。
|
|
|
|
开始使用
Vector Search 互动演示：通过实时演示，直观了解向量搜索技术的强大功能，并抢先体验 Vector Search。
Vector Search 快速入门：通过使用示例数据集构建、部署和查询 Vector Search 索引，在 30 分钟内试用 Vector Search。本教程介绍了设置、数据准备、索引创建、部署、查询和清理。
准备工作：通过选择和训练模型以及准备数据来准备嵌入。然后，选择要将查询索引部署到的公共或私有端点。
Vector Search 价格和价格计算器：Vector Search 价格包括用于托管已部署索引的虚拟机的费用，以及构建和更新索引的费用。即使是最低配置（每月低于 100 美元），对于中等规模的用例，也能应对高吞吐量。如需估算您的每月费用，请执行以下操作：
- 前往 Google Cloud 的价格计算器。
- 点击添加到估算。
- 搜索 Vertex AI。
- 点击 Vertex AI 按钮。
- 从 Service 类型下拉菜单中，选择 Vertex AI Vector Search。
- 保留默认设置或自行配置。每月估算费用显示在费用详情面板中。
文档
用例和博客
向量搜索技术正成为使用 AI 的企业的中心枢纽。与关系型数据库在 IT 系统中的运作方式类似，Vector Search 会根据相关性将各种业务元素（例如文档、内容、产品、用户、事件和其他实体）关联起来。除了搜索文档和图片等传统媒体外，Vector Search 还可以支持智能建议，将业务问题与解决方案进行匹配，甚至可以将 IoT 信号与监控提醒相关联。这是一个多功能工具，对于应对不断扩大的依托 AI 技术的企业数据领域至关重要。
|
搜索/信息检索
推荐 |
Vertex AI Vector Search 如何助力打造高性能生成式 AI 应用： Vector Search 可为各种应用提供支持，包括电子商务、RAG 系统、推荐引擎，以及聊天机器人、多模态搜索等。混合搜索进一步提升了针对小众字词的搜索结果。 Bloomreach、eBay 和 Mercado Libre 等客户之所以选择 Vertex AI，是因为它具有出色的性能、可扩缩性和成本效益，能够让他们实现更快的搜索速度和更高的转化率等优势。 eBay 使用 Vector Search 进行推荐：重点介绍 eBay 如何在其推荐系统中使用 Vector Search。借助这项技术，eBay 可以在其庞大的目录中查找类似商品，从而提升用户体验。 Mercari 利用 Google 的向量搜索技术打造全新的购物平台： 介绍 Mercari 如何使用向量搜索来改进其新的购物平台。Vector Search 为该平台的推荐功能提供支持，帮助用户更有效地找到相关商品。 Vertex AI Embeddings for Text：轻松实现 LLM 接地：侧重于如何使用 Vertex AI Embeddings for Text 数据实现 LLM 接地。Vector Search 在查找相关文本段方面发挥着重要作用，可确保模型的回答以事实信息为依据。 什么是多模式搜索：“具有视觉功能的 LLM”改变企业：介绍将 LLM 与视觉理解相结合的多模式搜索。该博客介绍了 Vector Search 如何处理和比较文本和图片数据，从而提供更全面的搜索体验。 解锁大规模多模态搜索：利用 Vertex AI 结合文本和图片的强大能力：介绍了如何使用 Vertex AI 构建多模态搜索引擎，该引擎使用加权的基于排名偏差的互换排名组合方法来结合文本搜索和图片搜索。这可以改善用户体验并提供更相关的结果。 使用 TensorFlow Recommenders 和 Vector Search 扩缩深度检索：介绍如何使用 TensorFlow Recommenders 和 Vector Search 构建播放列表推荐系统，涵盖深度检索模型、训练、部署和扩缩。 |
|
Gen AI：RAG 和智能体的检索 |
Vertex AI 和 Denodo 利用生成式 AI 解锁企业数据：介绍了 Vertex AI 与 Denodo 的集成如何让企业能够使用生成式 AI 从其数据中获得数据洞见。在企业环境中高效访问和分析相关数据，Vector Search 至关重要。 无限的自然和行业的本质：此“狂野”演示展示了 AI 的多种可能性： 展示一个演示，说明 AI 在不同行业中的潜力。 它利用向量搜索来支持生成式推荐和多模态语义搜索。 Infinite Fleurs：探索 AI 赋能的百花齐放的创意：Google 的 Infinite Fleurs 是一项使用向量搜索、Gemini 和 Imagen 模型的 AI 实验，可根据用户的提示生成独特的花束。这项技术展示了 AI 在各个行业激发创造力方面的潜力。 适用于 Google Cloud 上 RAG 的 LlamaIndex：介绍了如何使用 LlamaIndex 通过大型语言模型实现检索增强生成 (RAG)。LlamaIndex 利用 Vector Search 从知识库中检索相关信息，从而生成更准确且与上下文更为契合的回答。 Vertex AI 上的 RAG 和接地： 介绍 Vertex AI 上的 RAG 和接地技术。 Vector Search 有助于在检索过程中识别相关的“基准信息”，从而生成更准确、更可靠的内容。 LangChain 上的 Vector Search：提供有关将 Vector Search 与 LangChain 搭配使用以构建和部署文本数据的矢量数据库索引（包括问答和 PDF 处理）的指南。 |
|
BI、数据分析、监控等 |
使用 Vertex AI 中的流式注入功能实现实时 AI：探索 Vector Search 中的流式更新以及它如何提供实时 AI 功能。借助此技术，您可以实时处理和分析传入的数据流。 |
相关资源
您可以使用以下资源开始使用 Vector Search：
笔记本和解决方案
|
|
|
Vertex AI Vector Search 快速入门：介绍了 Vector Search 的概览。此快速入门面向刚开始接触该平台且希望快速上手的用户。 |
文本嵌入和 Vector Search 使用入门：介绍了文本嵌入和 Vector Search。此使用入门介绍了这些技术的工作原理，以及如何利用这些技术来改进搜索结果。 |
|
|
|
结合语义和关键字搜索：使用 Vertex AI Vector Search 的混合搜索教程：提供有关如何使用 Vector Search 进行混合搜索的说明。此教程介绍了设置和配置混合搜索系统所涉及的步骤。 |
Vertex AI RAG Engine 与 Vector Search 搭配使用： 探索如何将 Vertex AI RAG Engine 与 Vector Search 搭配使用。 本文介绍了将这两种技术结合使用的好处，并提供了示例，说明如何在实际应用中使用这两种技术。 |
|
|
|
使用 Vertex AI 和 Vector Search 且支持 RAG 的生成式 AI 应用的基础设施：详细介绍了使用 Vector Search、Cloud Run 和 Cloud Storage 构建生成式 AI 应用和 RAG 的架构，涵盖了使用场景、设计选项和关键注意事项。 |
<p"> 实现用于大规模候选生成的双塔检索：提供一个参考架构，向您展示如何使用 Vertex AI 实现端到端双塔候选生成工作流。 双塔模型框架是一种强大的检索技术，适用于个性化用例，因为它可以学习两个不同实体（例如网页查询和候选项）之间的语义相似性。 </p"> |
培训
Vector Search 和嵌入使用入门 Vector Search 用于查找类似或相关的项。它可用于推荐、搜索、聊天机器人和文本分类。该过程涉及创建嵌入、将其上传到 Google Cloud并为其编入索引以进行查询。本实验侧重于如何使用 Vertex AI 生成文本嵌入，但也可以为其他数据类型生成嵌入。
Vector Search 和嵌入 此课程介绍了 Vector Search，并说明了如何使用 Vector Search 通过用于嵌入的大语言模型 (LLM) API 来构建搜索应用。本课程包括以下内容：讲解矢量搜索和文本嵌入概念的讲座、关于如何在 Vertex AI 上构建矢量搜索的实际演示，以及一项实践实验。
了解和应用文本嵌入
Vertex AI Embeddings API 会生成文本嵌入，即文本的数值表示法，
用于执行相似项识别等任务。
在本课程中，您将使用文本嵌入来执行分类和语义搜索等任务，并将语义搜索与 LLM 结合使用，以便使用 Vertex AI 构建问答系统。
机器学习速成课程：嵌入 此课程介绍了字词嵌入，并将其与稀疏表示进行对比。此课程探索了获取嵌入的方法，并区分了静态嵌入和上下文嵌入。
相关产品
Vertex AI 嵌入：简要介绍了 Embeddings API。文本和多模态嵌入用例，以及指向其他资源和相关 Google Cloud 服务的链接。
Vertex AI Agent Builder Ranking API 该 Ranking API 会使用预训练语言模型根据与查询的相关性对文档进行重新排名，并提供精确的得分。它非常适合用于改进来自各种来源（包括 Vector Search）的搜索结果。
Vertex AI Feature Store 让您可以使用 BigQuery 作为数据源来管理和传送特征数据。它会为在线传送预配资源，并充当元数据层，以便直接从 BigQuery 传送最新的特征值。使用 Feature Store 可即时检索 Vector Store 针对查询返回的项的特征值。
Vertex AI Pipelines 借助 Vertex AI Pipelines，您可以使用机器学习流水线编排机器学习工作流，从而以无服务器方式实现机器学习系统的自动化、监控和治理。您可以批量运行使用 Kubeflow Pipelines 或 TensorFlow Extended (TFX) 框架定义的机器学习流水线。借助流水线，您可以构建自动化流水线，以便生成嵌入、创建和更新 Vector Search 索引，以及为生产搜索和推荐系统构成 MLOps 设置。
深入探究资源
使用 Vertex AI 嵌入和任务类型增强您的生成式 AI 用例 侧重于如何使用 Vertex AI 嵌入和任务类型改进生成式 AI 应用。向量搜索可与任务类型嵌入搭配使用，通过查找更多相关信息来增强生成内容的上下文和准确性。
TensorFlow Recommender 用于构建推荐系统的开源库。它简化了从数据准备到部署的流程，并支持灵活的模型构建。TFRS 提供教程和资源，并支持创建复杂的推荐模型。
TensorFlow Ranking TensorFlow Ranking 是一个开源库，用于构建可伸缩的神经 learning-to-rank (LTR) 模型。它支持各种损失函数和排名指标，可应用于搜索、推荐和其他领域。该库由 Google AI 团队积极开发。
正式推出 ScaNN：高效的向量相似性搜索 Google 的 ScaNN 是一种高效的向量相似性搜索算法，它利用一种新技术来提高查找最近邻的准确性和速度。它比现有方法更出色，在需要进行语义搜索的机器学习任务中具有广泛的应用。Google 的研究工作涵盖了各个领域，包括基础机器学习和 AI 的社会影响。
SOAR：用于通过 ScaNN 实现更快的 Vector Search 的新算法 Google 的 SOAR 算法通过引入受控冗余来提高 Vector Search 效率，从而能够使用较小的索引实现更快的搜索。SOAR 会将向量分配给多个聚类，从而创建“备份”搜索路径以提高性能。
相关视频
使用 Vertex AI 的 Vector Search 的使用入门
Vector Search 是一款功能强大的工具，可用于构建依托 AI 技术的应用。此视频介绍了该技术，并提供了分步入门指南。
Vector Search 可用于混合搜索，让您能够将 Vector Search 的强大功能与传统搜索引擎的灵活性和速度相结合。此视频介绍了混合搜索，并向您展示了如何使用 Vector Search 进行混合搜索。
您已在使用 Vector Search！下面介绍了如何成为专家
您知道吗？您可能每天都在使用 Vector Search，只是没有意识到？从在社交媒体上查找难以捉摸的商品，到追踪脑海中挥之不去的歌曲，Vector Search 是这些日常体验背后的 AI 魔法。
DeepMind 团队推出了新的“任务类型”嵌入功能，可提高 RAG 搜索质量
借助 Google DeepMind 团队开发的新任务类型嵌入，提高 RAG 系统的准确性和相关性。观看视频，了解 RAG 搜索质量中存在的常见难题，以及任务类型嵌入如何有效地弥合问题和答案之间的语义差距，从而实现更有效的检索和增强的 RAG 性能。
Vector Search 术语
以下列表包含一些重要的术语，您需要了解这些术语才能使用 Vector Search：
向量：向量是带有幅度和方向的浮点值列表。它可用于表示任何类型的数据，例如数字、空间中的点和方向。
嵌入：嵌入是一种向量类型，用于通过捕获数据的语义含义来表示数据。嵌入通常是使用机器学习技术创建的，通常用于自然语言处理 (NLP) 和其他机器学习应用。
密集嵌入：密集嵌入使用主要包含非零值的数组来表示文本的语义含义。借助密集嵌入，系统可以根据语义相似性返回类似的搜索结果。
稀疏嵌入：与密集嵌入相比，稀疏嵌入使用包含极少非零值的高维数组来表示文本语法。稀疏嵌入通常用于关键字搜索。
混合搜索：混合搜索同时使用密集嵌入和稀疏嵌入，可让您基于关键字搜索和语义搜索的组合进行搜索。Vector Search 支持基于密集嵌入、稀疏嵌入和混合搜索进行搜索。
索引：为相似度搜索而部署的一组向量。可以在索引中添加或移除向量。相似度搜索查询会被发送到特定索引，并搜索该索引中的向量。
标准答案：该术语是指根据真实世界（例如标准答案数据集）验证机器学习的准确率。
召回率：索引返回的最近邻的百分比，这些最近邻实际上是真正的最近邻。例如，如果一个对 20 个最近邻的最近邻查询返回 19 个标准答案最近邻项，则召回率为 19/20x100 = 95%。
限制：使用布尔值规则将搜索限制为索引的子集的功能。限制也称为“过滤”。借助 Vector Search，您可以使用数字过滤和文本属性过滤。