Esegui una query su un indice pubblico per ottenere i vicini più prossimi

Dopo aver creato l'indice ed eseguito il deployment, puoi eseguire query per ottenere i vicini più prossimi.

Ecco alcuni esempi di query di corrispondenza per trovare i primi vicini più prossimi utilizzando l'algoritmo k-closeest neighbors (k-NN).

Esempi di query per l'endpoint pubblico

Python

Python

def vector_search_find_neighbors(
    project: str,
    location: str,
    index_endpoint_name: str,
    deployed_index_id: str,
    queries: List[List[float]],
    num_neighbors: int,
) -> None:
    """Query the vector search index.

    Args:
        project (str): Required. Project ID
        location (str): Required. The region name
        index_endpoint_name (str): Required. Index endpoint to run the query
        against.
        deployed_index_id (str): Required. The ID of the DeployedIndex to run
        the queries against.
        queries (List[List[float]]): Required. A list of queries. Each query is
        a list of floats, representing a single embedding.
        num_neighbors (int): Required. The number of neighbors to return.
    """
    # Initialize the Vertex AI client
    aiplatform.init(project=project, location=location)

    # Create the index endpoint instance from an existing endpoint.
    my_index_endpoint = aiplatform.MatchingEngineIndexEndpoint(
        index_endpoint_name=index_endpoint_name
    )

    # Query the index endpoint for the nearest neighbors.
    resp = my_index_endpoint.find_neighbors(
        deployed_index_id=deployed_index_id,
        queries=queries,
        num_neighbors=num_neighbors,
    )
    print(resp)

    # Query hybrid datapoints, sparse-only datapoints, and dense-only datapoints.
    hybrid_queries = [
        aiplatform.matching_engine.matching_engine_index_endpoint.HybridQuery(
            dense_embedding=[1, 2, 3],
            sparse_embedding_dimensions=[10, 20, 30],
            sparse_embedding_values=[1.0, 1.0, 1.0],
            rrf_ranking_alpha=0.5,
        ),
        aiplatform.matching_engine.matching_engine_index_endpoint.HybridQuery(
            dense_embedding=[1, 2, 3],
            sparse_embedding_dimensions=[10, 20, 30],
            sparse_embedding_values=[0.1, 0.2, 0.3],
        ),
        aiplatform.matching_engine.matching_engine_index_endpoint.HybridQuery(
            sparse_embedding_dimensions=[10, 20, 30],
            sparse_embedding_values=[0.1, 0.2, 0.3],
        ),
        aiplatform.matching_engine.matching_engine_index_endpoint.HybridQuery(
            dense_embedding=[1, 2, 3]
        ),
    ]

    hybrid_resp = my_index_endpoint.find_neighbors(
            deployed_index_id=deployed_index_id,
            queries=hybrid_queries,
            num_neighbors=num_neighbors,)
    print(hybrid_resp)

Curl

Il valore publicEndpointDomainName elencato di seguito è disponibile in Deployment ed è formattato come <number>.<region>-<number>.vdb.vertexai.goog.

  $ curl -X POST -H "Content-Type: application/json" -H "Authorization: Bearer `gcloud auth print-access-token`" https://1957880287.us-central1-181224308459.vdb.vertexai.goog/v1/projects/181224308459/locations/us-central1/indexEndpoints/3370566089086861312:findNeighbors -d '{deployed_index_id: "test_index_public1", queries: [{datapoint: {datapoint_id: "0", feature_vector: [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]}, neighbor_count: 5}]}'
  

Questo esempio di curl mostra come chiamare dai client http(s), anche se l'endpoint pubblico supporta il doppio protocollo per restful e grpc_cli.

  $ curl -X POST -H "Content-Type: application/json" -H "Authorization: Bearer `gcloud auth print-access-token`" https://1957880287.us-central1-181224308459.vdb.vertexai.goog/v1/projects/${PROJECT_ID}/locations/us-central1/indexEndpoints/${INDEX_ENDPOINT_ID}:readIndexDatapoints -d '{deployed_index_id:"test_index_public1", ids: ["606431", "896688"]}'
  

Questo esempio di curl mostra come eseguire query con limitazioni per token e numeriche.

  $ curl -X POST -H "Content-Type: application/json" -H "Authorization: Bearer `gcloud auth print-access-token`"  https://${PUBLIC_ENDPOINT_DOMAIN}/v1/projects/${PROJECT_ID}/locations/${LOCATION}/indexEndpoints/${INDEX_ENDPOINT_ID}:findNeighbors -d '{deployed_index_id:"${DEPLOYED_INDEX_ID}", queries: [{datapoint: {datapoint_id:"x", feature_vector: [1, 1], "sparse_embedding": {"values": [111.0,111.1,111.2], "dimensions": [10,20,30]}, numeric_restricts: [{namespace: "int-ns", value_int: -2, op: "GREATER"}, {namespace: "int-ns", value_int: 4, op: "LESS_EQUAL"}, {namespace: "int-ns", value_int: 0, op: "NOT_EQUAL"}], restricts: [{namespace: "color", allow_list: ["red"]}]}}]}'
  

Console

Usa queste istruzioni per eseguire query su un indice di cui è stato eseguito il deployment in un endpoint pubblico dalla console.

1. Nella sezione Vertex AI della console Google Cloud, vai alla sezione Deployment e utilizzo. Seleziona Ricerca vettoriale.

   Vai a Vector Search

2. Seleziona l'indice su cui eseguire la query. Si apre la pagina Informazioni indice.
3. Scorri verso il basso fino alla sezione Indici di cui è stato eseguito il deployment e seleziona l'indice di cui hai eseguito la query su cui vuoi eseguire la query. Si apre la pagina Informazioni sull'indice di cui è stato eseguito il deployment.
4. Nella sezione Indice query, scegli se eseguire la query in base a un valore di incorporamento denso, un valore di incorporamento sparso, un valore di incorporamento ibrido (incorporamenti densi e sparsi) o un punto dati specifico.
5. Inserisci i parametri di ricerca per il tipo di query selezionato. Ad esempio, se esegui la query in base a un incorporamento denso, inserisci il vettore di incorporamento in base al quale eseguire la query.
6. Esegui la query utilizzando il comando curl fornito o eseguendo la query con Cloud Shell.
7. Se utilizzi Cloud Shell, seleziona Esegui in Cloud Shell.
8. Esegui in Cloud Shell.
9. I risultati restituiscono i vicini più prossimi.

Per un esempio end-to-end di come creare un indice, eseguirne il deployment su un endpoint pubblico ed eseguire query, consulta il blocco note ufficiale: Using Vector Search and Vertex AI Embeddings for Text for StackOverflow Domande.

Impostazioni relative al tempo di query che influiscono sulle prestazioni

I seguenti parametri di tempo di query possono influenzare la latenza, la disponibilità e i costi quando si utilizza Vector Search. Queste linee guida si applicano alla maggior parte dei casi. Tuttavia, sperimenta sempre le configurazioni per assicurarti che funzionino per il tuo caso d'uso.

Per le definizioni dei parametri, consulta Parametri di configurazione dell'indice.

Parametro	Informazioni	Impatto sulle prestazioni
approximateNeighborsCount	Indica all'algoritmo il numero di risultati approssimativi da recuperare da ogni shard. Il valore di approximateNeighborsCount deve essere sempre maggiore del valore di setNeighborsCount. Se il valore di setNeighborsCount è piccolo, 10 volte è consigliato per approximateNeighborsCount. Per valori setNeighborsCount maggiori, è possibile utilizzare un moltiplicatore più piccolo.	L'aumento del valore di approximateNeighborsCount può influire sulle prestazioni nei seguenti modi: Richiamo: aumentato Latenza: potenzialmente aumentata Disponibilità: nessun impatto Costo: può aumentare perché durante una ricerca vengono elaborati più dati La riduzione del valore di approximateNeighborsCount può influire sulle prestazioni nei seguenti modi: Richiamo: diminuito Latenza: potenzialmente riduzioni Disponibilità: nessun impatto Costo: può ridurre i costi perché durante una ricerca vengono elaborati meno dati
setNeighborCount	Specifica il numero di risultati che la query deve restituire.	Valori inferiori o uguali a 300 rimangono efficaci nella maggior parte dei casi d'uso. Per valori più grandi, esegui il test in base al tuo caso d'uso specifico.
fractionLeafNodesToSearch	Controlla la percentuale di nodi foglia da visitare quando cerchi i vicini più prossimi. Ciò è correlato al valore leafNodeEmbeddingCount per il fatto che maggiore è il numero di incorporamenti per nodo foglia, più dati verranno esaminati per foglia.	L'aumento del valore di fractionLeafNodesToSearch può influire sulle prestazioni nei seguenti modi: Richiamo: aumentato Latenza: aumentata Disponibilità: nessun impatto Costo: può aumentare perché una latenza più elevata occupa più risorse della macchina La riduzione del valore di fractionLeafNodesToSearch può influire sulle prestazioni nei seguenti modi: Richiamo: diminuito Latenza: diminuita Disponibilità: nessun impatto Costo: può diminuire perché una latenza più bassa occupa meno risorse della macchina

Passaggi successivi

• Scopri come aggiornare e ricreare l'indice.
• Scopri come filtrare le corrispondenze vettoriali.
• Scopri come monitorare un indice