Setelah Anda men-deploy endpoint indeks Private Service Connect atau VPC Network Peering, kuerinya sedikit berbeda, bergantung pada cara deployment-nya:
Di-deploy dengan otomatisasi Private Service Connect
Untuk IndexEndpoints
yang di-deploy dengan otomatisasi Private Service Connect,
Python SDK akan otomatis memetakan jaringan Private Service Connect
ke endpoint yang sesuai. Jika tidak menggunakan Python SDK, Anda harus
terhubung langsung ke alamat IP yang dibuat untuk endpoint, dengan mengikuti
petunjuk untuk
mengajukan kueri deployment manual Private Service Connect.
Python
Untuk mempelajari cara menginstal atau mengupdate Vertex AI SDK untuk Python, lihat Menginstal Vertex AI SDK untuk Python. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi Python API.
Di-deploy dengan konfigurasi manual Private Service Connect
Untuk IndexEndpoints
Private Service Connect
yang di-deploy dengan koneksi yang dikonfigurasi secara manual,
endpoint Anda diakses menggunakan alamat IP alamat komputasi yang diteruskan
ke lampiran layanan Private Service Connect endpoint Anda.
Jika belum diketahui, Anda bisa mendapatkan alamat IP yang diteruskan ke URI
lampiran layanan menggunakan perintah gcloud ai index-endpoints describe
dan gcloud compute forwarding-rules list
.
Lakukan penggantian berikut:
- INDEX_ENDPOINT_ID: ID endpoint indeks yang memenuhi syarat sepenuhnya.
- REGION: Region tempat endpoint indeks Anda di-deploy.
SERVICE_ATTACHMENT_URI=`gcloud ai index-endpoints describe INDEX_ENDPOINT_ID \ --region=REGION \ --format="value(deployedIndexes.privateEndpoints.serviceAttachment)"` gcloud compute forwarding-rules list --filter="TARGET:${SERVICE_ATTACHMENT_URI}"
Output-nya akan menyertakan alamat IP internal yang akan digunakan saat membuat kueri
IndexEndpoint
.
Python
Untuk mempelajari cara menginstal atau mengupdate Vertex AI SDK untuk Python, lihat Menginstal Vertex AI SDK untuk Python. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi Python API.
Command-line
Untuk membuat kueri DeployedIndex
, hubungkan ke TARGET_IP
di port 10000
dan panggil metode Match
atau
BatchMatch
. Selain itu, Anda dapat membuat kueri menggunakan ID penyematan tertentu.
Contoh berikut menggunakan alat open source grpc_cli
untuk mengirim permintaan gRPC ke server indeks yang di-deploy.
Match
.
./grpc_cli call ${TARGET_IP}:10000 google.cloud.aiplatform.container.v1.MatchService.Match 'deployed_index_id: "${DEPLOYED_INDEX_ID}", float_val: [-0.1,..]'
Pada contoh kedua, Anda menggabungkan dua kueri terpisah ke dalam permintaan BatchMatch
yang sama.
./grpc_cli call ${TARGET_IP}:10000 google.cloud.aiplatform.container.v1.MatchService.BatchMatch 'requests: [{deployed_index_id: "${DEPLOYED_INDEX_ID}", requests: [{deployed_index_id: "${DEPLOYED_INDEX_ID}", float_val: [-0.1,..]}, {deployed_index_id: "${DEPLOYED_INDEX_ID}", float_val: [-0.2,..]}]}]'
Anda harus melakukan panggilan ke API ini dari klien yang berjalan di [VPC yang sama dengan yang di-peering dengan layanan](#vpc-network-peering-setup).
Untuk menjalankan kueri menggunakan embedding_id
, gunakan contoh berikut.
./grpc_cli call ${TARGET_IP}:10000 google.cloud.aiplatform.container.v1.MatchService.Match "deployed_index_id:'"test_index1"',embedding_id: '"606431"'"
Dalam contoh ini, Anda mengirim kueri menggunakan token dan batasan numerik.
./grpc_cli call ${TARGET_IP}:10000 google.cloud.aiplatform.container.v1.MatchService.Match 'deployed_index_id: "${DEPLOYED_INDEX_ID}", float_val: [1, 1], "sparse_embedding": {"values": [111.0,111.1,111.2], "dimensions": [10,20,30]}, numeric_restricts: [{name: "double-ns", value_double: 0.3, op: LESS_EQUAL}, {name: "double-ns", value_double: -1.2, op: GREATER}, {name: "double-ns", value_double: 0., op: NOT_EQUAL}], restricts: [{name: "color", allow_tokens: ["red"]}]'
Untuk mempelajari lebih lanjut, lihat Penjelasan library klien.
Konsol
Gunakan petunjuk ini untuk membuat kueri indeks VPC dari konsol.
- Di bagian Vertex AI pada Konsol Google Cloud, buka bagian Deploy and Use. Pilih Cari Vektor
- Pilih indeks VPC yang ingin Anda buat kueri. Halaman Info indeks akan terbuka.
- Scroll ke bawah ke bagian Indeks yang di-deploy, lalu pilih indeks yang di-deploy yang ingin Anda buat kuerinya. Halaman Info indeks yang di-deploy akan terbuka.
- Dari bagian Indeks kueri, pilih parameter kueri Anda. Anda dapat memilih untuk membuat kueri berdasarkan vektor, atau titik data tertentu.
- Jalankan kueri menggunakan alat open source grpc_cli, atau dengan menggunakan Vertex AI SDK untuk Python.
Di-deploy dengan Peering Jaringan VPC
Python
Untuk mempelajari cara menginstal atau mengupdate Vertex AI SDK untuk Python, lihat Menginstal Vertex AI SDK untuk Python. Untuk mengetahui informasi selengkapnya, lihat Dokumentasi referensi Python API.
Catatan: Python SDK otomatis mencari alamat IP untuk IndexEndpoint
yang di-deploy dengan Peering Jaringan VPC.
Command-line
Setiap DeployedIndex
memiliki TARGET_IP
, yang dapat Anda ambil di daftar IndexEndpoints
.
Untuk membuat kueri DeployedIndex
, hubungkan ke TARGET_IP
di port 10000
dan panggil metode Match
atau
BatchMatch
. Selain itu, Anda dapat membuat kueri menggunakan ID penyematan tertentu.
Contoh berikut menggunakan alat open source grpc_cli
untuk mengirim permintaan gRPC ke server indeks yang di-deploy.
Match
.
./grpc_cli call ${TARGET_IP}:10000 google.cloud.aiplatform.container.v1.MatchService.Match 'deployed_index_id: "${DEPLOYED_INDEX_ID}", float_val: [-0.1,..]'
Pada contoh kedua, Anda menggabungkan dua kueri terpisah ke dalam permintaan BatchMatch
yang sama.
./grpc_cli call ${TARGET_IP}:10000 google.cloud.aiplatform.container.v1.MatchService.BatchMatch 'requests: [{deployed_index_id: "${DEPLOYED_INDEX_ID}", requests: [{deployed_index_id: "${DEPLOYED_INDEX_ID}", float_val: [-0.1,..]}, {deployed_index_id: "${DEPLOYED_INDEX_ID}", float_val: [-0.2,..]}]}]'
Anda harus melakukan panggilan ke API ini dari klien yang berjalan di [VPC yang sama dengan yang di-peering dengan layanan](#vpc-network-peering-setup).
Untuk menjalankan kueri menggunakan embedding_id
, gunakan contoh berikut.
./grpc_cli call ${TARGET_IP}:10000 google.cloud.aiplatform.container.v1.MatchService.Match "deployed_index_id:'"test_index1"',embedding_id: '"606431"'"
Dalam contoh ini, Anda mengirim kueri menggunakan token dan batasan numerik.
./grpc_cli call ${TARGET_IP}:10000 google.cloud.aiplatform.container.v1.MatchService.Match 'deployed_index_id: "${DEPLOYED_INDEX_ID}", float_val: [1, 1], "sparse_embedding": {"values": [111.0,111.1,111.2], "dimensions": [10,20,30]}, numeric_restricts: [{name: "double-ns", value_double: 0.3, op: LESS_EQUAL}, {name: "double-ns", value_double: -1.2, op: GREATER}, {name: "double-ns", value_double: 0., op: NOT_EQUAL}], restricts: [{name: "color", allow_tokens: ["red"]}]'
Untuk mempelajari lebih lanjut, lihat Penjelasan library klien.
Konsol
Gunakan petunjuk ini untuk membuat kueri indeks VPC dari konsol.
- Di bagian Vertex AI pada Konsol Google Cloud, buka bagian Deploy and Use. Pilih Cari Vektor
- Pilih indeks VPC yang ingin Anda buat kueri. Halaman Info indeks akan terbuka.
- Scroll ke bawah ke bagian Indeks yang di-deploy, lalu pilih indeks yang di-deploy yang ingin Anda buat kuerinya. Halaman Info indeks yang di-deploy akan terbuka.
- Dari bagian Indeks kueri, pilih parameter kueri Anda. Anda dapat memilih untuk membuat kueri berdasarkan vektor, atau titik data tertentu.
- Jalankan kueri menggunakan alat open source grpc_cli, atau dengan menggunakan Vertex AI SDK untuk Python.
Setelan waktu kueri yang memengaruhi performa
Parameter waktu kueri berikut dapat memengaruhi latensi, ketersediaan, dan biaya saat menggunakan Penelusuran Vektor. Panduan ini berlaku untuk sebagian besar kasus. Namun, selalu bereksperimen dengan konfigurasi untuk memastikan konfigurasi tersebut berfungsi untuk kasus penggunaan Anda.
Untuk definisi parameter, lihat Parameter konfigurasi indeks.
Parameter | Tentang | Dampak performa |
---|---|---|
approximateNeighborsCount |
Memberi tahu algoritma jumlah perkiraan hasil yang akan diambil dari setiap shard.
Nilai |
Meningkatkan nilai
Menurunkan nilai
|
setNeighborCount |
Menentukan jumlah hasil yang ingin ditampilkan oleh kueri. |
Nilai kurang dari atau sama dengan 300 tetap berperforma baik dalam sebagian besar kasus penggunaan. Untuk nilai yang lebih besar, uji kasus penggunaan tertentu Anda. |
fractionLeafNodesToSearch |
Mengontrol persentase node daun yang akan dikunjungi saat menelusuri tetangga terdekat. Hal ini terkait dengan leafNodeEmbeddingCount karena
semakin banyak penyematan per node daun, semakin banyak data yang diperiksa per daun.
|
Meningkatkan nilai
Menurunkan nilai
|
Langkah selanjutnya
- Pelajari cara Mengupdate dan membuat kembali indeks
- Pelajari cara Memfilter pencocokan vektor
- Pelajari cara Memantau indeks