대화형 데모를 통해 최신 벡터 검색 기술을 사용해 보세요. 이 데모에서는 실제 데이터 세트를 활용하여 실용적인 예시를 제공합니다. 벡터 검색이 어떻게 작동하는지 배우고, 의미 검색과 하이브리드 검색 방법을 탐구하고, 순위를 다시 매기는 것이 결과를 어떻게 향상시키는지 살펴볼 수 있습니다. 동물, 식물, 전자상거래 제품, 기타 품목에 대한 간단한 설명을 제출하면 벡터 검색에서 가장 관련성이 높은 일치 항목을 찾을 수 있습니다!
사용해 보기
데모에서 여러 옵션으로 실험하여 벡터 검색을 빠르게 시작하고 벡터 검색 기술의 기본 사항을 이해하세요.
안내에 따라 다음을 실행하세요.
쿼리 텍스트 입력란에서 쿼리하려는 항목을 설명합니다(예: vintage 1970s pinball machine). 또는 쿼리 생성을 클릭하여 설명을 자동으로 생성합니다.
이 섹션에서는 UI에서 벡터 검색으로 반환되는 결과를 제어하기 위해 사용할 수 있는 설정과 결과 순위가 지정되는 방법을 설명합니다.
데이터 세트
데이터 세트 드롭다운을 사용하여 벡터 검색으로 쿼리를 실행할 데이터 세트를 선택합니다. 각 데이터 세트에 대한 세부정보는 데이터 세트를 참조하세요.
쿼리
검색어 필드에 벡터 검색으로 찾으려는 항목을 지정하는 하나 이상의 키워드 또는 설명을 추가합니다. 또는 쿼리 생성을 클릭하여 설명을 자동으로 생성합니다.
수정
일부 옵션을 사용하여 벡터 검색이 반환하는 결과를 수정할 수 있습니다.
행을 클릭하고 벡터 검색으로 반환하려는 최대 검색 결과 수를 선택합니다.
벡터 검색이 시맨틱 유사성이 있는 결과를 반환하도록 하려면 밀집 임베딩 사용을 선택합니다.
벡터 검색이 쿼리의 텍스트 구문에 따라 결과를 반환하도록 하려면 희소 임베딩 사용을 선택합니다. 사용 가능한 모든 데이터 세트에서 희소 임베딩 모델이 지원되지는 않습니다.
벡터 검색이 하이브리드 검색을 사용하도록 하려면 밀집 임베딩 사용과 희소 임베딩 사용을 모두 선택합니다. 모든 데이터 세트가 이 모델을 지원하지는 않습니다. 하이브리드 검색은 밀집 임베딩과 희소 임베딩의 요소를 조합하여 검색 결과의 품질을 향상시킬 수 있습니다. 자세한 내용은 하이브리드 검색 정보를 참조하세요.
RRF 알파 필드에 0.0~1.0 사이를 입력하여 RRF 순위 효과를 지정합니다.
검색 결과의 순위를 다시 지정하려면 순위 드롭다운에서 ranking_api를 선택하거나 없음을 선택하여 순위 재지정을 사용 중지합니다.
측정항목
쿼리 실행 후에는 여러 검색 단계에 걸린 시간을 세분화하는 지연 시간 측정항목이 제공됩니다.
쿼리 프로세스
쿼리가 처리되면 다음이 발생합니다.
쿼리 임베딩 생성: 지정된 쿼리 텍스트에 대해 임베딩이 생성됩니다.
벡터 검색 쿼리: 벡터 검색 색인을 사용하여 쿼리가 실행됩니다.
Vertex AI Feature Store 가져오기: Vertex AI Feature Store는 벡터 검색에서 반환된 항목 ID 목록을 사용하여 항목 이름, 설명, 이미지 URL과 같은 특성을 가져오는 데 사용됩니다.
순위 재지정: 검색된 항목은 순위 재지정 API를 통해 저장됩니다. 이 API는 쿼리 텍스트, 항목 이름, 항목 설명을 사용하여 관련 점수를 계산합니다.
텍스트(질의-응답): 항목 이름 및 설명에 대한 텍스트 시맨틱 검색입니다. QUESTION_ANSWERING 태스크 유형을 사용하여 검색 품질이 향상됩니다. Q&A 유형의 애플리케이션에 적합합니다. 태스크 유형 임베딩에 대한 자세한 내용은 Vertex AI 임베딩 및 태스크 유형으로 생성형 AI 사용 사례 개선을 참조하세요.
희소(하이브리드 검색): TF-IDF 알고리즘으로 생성된 항목 이름 및 설명에 대한 키워드(토큰 기반) 검색입니다. 자세한 내용은 하이브리드 검색 정보를 참조하세요.
데이터 세트
대화형 데모에는 쿼리를 실행할 수 있는 여러 데이터 세트가 포함되어 있습니다. 데이터 세트는 임베딩 모델, 희소 임베딩 지원, 임베딩 측정기준, 저장된 항목 수에 따라 서로 다릅니다.
[[["이해하기 쉬움","easyToUnderstand","thumb-up"],["문제가 해결됨","solvedMyProblem","thumb-up"],["기타","otherUp","thumb-up"]],[["이해하기 어려움","hardToUnderstand","thumb-down"],["잘못된 정보 또는 샘플 코드","incorrectInformationOrSampleCode","thumb-down"],["필요한 정보/샘플이 없음","missingTheInformationSamplesINeed","thumb-down"],["번역 문제","translationIssue","thumb-down"],["기타","otherDown","thumb-down"]],["최종 업데이트: 2025-09-04(UTC)"],[],[],null,["# Interactive demo\n\nExperience the power of state-of-the-art vector search technology with the\nVector Search interactive demo. Leveraging real-world datasets,\nthe demo provides a realistic example that will help you learn how\nVector Search works, explore semantic and hybrid search,\nand see reranking in action. Submit a brief description of an animal,\nplant, ecommerce merchandise, or other item, and let Vector Search do\nthe rest!\n| **Note:** Datasets are provided by [Mercari](https://www.mercari.com/) (a popular online marketplace in the US and Japan) and [GBIF (Global Biodiversity Information Facility)](https://www.gbif.org/).\n\n\u003cbr /\u003e\n\nTry it!\n-------\n\nExperiment with the different options in the demo to get a head start with\nVector Search and understand the basics of vector search technology.\n\nTo run:\n\n1. In the **Query** text field, describe the items you want to query for\n (for example, `vintage 1970s pinball machine`). Alternatively, click\n **Generate Query** to auto-generate a description.\n\n2. Click **Submit**.\n\nTo learn more about what you can do in the demo,\nsee [User Interface](/vertex-ai/docs/vector-search/overview#try-ui). \n\n\u003cbr /\u003e\n\nUser Interface\n--------------\n\nThis section describes settings in the UI you can use to control the results\nVector Search returns and how they are ranked.\n\n*** ** * ** ***\n\n### Dataset\n\nUse the **Dataset** drop-down to choose which dataset Vector Search\nwill run your query against. See [Datasets](#datasets) for details\nabout each one.\n\n*** ** * ** ***\n\n### Query\n\nFor the **Query** field, add a description or one or more keywords to specify\nwhat items you want Vector Search to find. Alternatively, click\n**Generate Query** to auto-generate a description.\n\n*** ** * ** ***\n\n### Modify\n\nSeveral options are available that modify the results Vector Search\nreturns:\n\n- Click **Rows** and choose the maximum number of search results that you want\n Vector Search to return.\n\n- Select **Use dense embeddings** if you want Vector Search to return\n semantically similar results.\n\n- Select **Use sparse embeddings** if you want Vector Search to return\n results based on your query's text syntax. Not all available datasets support\n sparse embedding models.\n\n- Select both **Use dense embeddings** and **Use sparse embeddings** if you want\n Vector Search to use hybrid search. Not all datasets support\n this model. Hybrid search combines elements of both dense and sparse embeddings\n which can improve the quality of search results. To learn more, go to\n [About hybrid search](/vertex-ai/docs/vector-search/about-hybrid-search).\n\n- In the **RRF Alpha** field, enter between 0.0 and 1.0 to specify RRF ranking\n effect.\n\n- To rerank search results, select **ranking_api** from the **Reranking**\n drop-down or select **None** to disable reranking.\n\n*** ** * ** ***\n\n### Metrics\n\nAfter a query runs, you are provided with latency metrics that breakdown the\ntime it took for different stages of search to complete.\n\n*** ** * ** ***\n\n### Query Process\n\nWhen a query is processed, the following occurs:\n\n1. **Query embedding generation:** An embedding is generated for the specified\n query text.\n\n2. **Vector Search query:** The query is run with the Vector Search\n index.\n\n3. **Vertex AI Feature Store fetch:** Features are read (for example, item name, description,\n or image URL) from Vertex AI Feature Store using the list of\n item IDs Vector Search returns.\n\n4. **Reranking:** Retrieved items are sorted through ranking APIs which uses\n query text, item name, and item description to calculate relevance score.\n\n### Embeddings\n\n**Multimodal:** Multimodal semantic search on item images. For details, go to\n[What is Multimodal Search: \"LLMs with vision\" change businesses](https://cloud.google.com/blog/products/ai-machine-learning/multimodal-generative-ai-search).\n\n**Text (semantic similarity):** Text semantic search on item names and\ndescriptions based on semantic similarity. To learn more, go to\n[Vertex AI Embeddings for Text: Grounding LLMs made easy](https://cloud.google.com/blog/products/ai-machine-learning/how-to-use-grounding-for-your-llms-with-text-embeddings).\n\n**Text (question-answering):** Text semantic search on item names and descriptions,\nwith improved search quality by task type QUESTION_ANSWERING. This is suited for\nQ\\&A types of applications. For information about task type embeddings, go to\n[Enhancing your gen AI use case with Vertex AI embeddings and task types](https://cloud.google.com/blog/products/ai-machine-learning/improve-gen-ai-search-with-vertex-ai-embeddings-and-task-types).\n\n**Sparse (Hybrid Search):** Keyword (token-based) search on item names and\ndescriptions, generated with the TF-IDF algorithm. For more information, go to\n[About hybrid search](/vertex-ai/docs/vector-search/about-hybrid-search).\n\nDatasets\n--------\n\n| **Note:** Datasets are provided by [Mercari](https://www.mercari.com/) (a popular online marketplace in the US and Japan) and [GBIF (Global Biodiversity Information Facility)](https://www.gbif.org/).\n\nThe interactive demo includes several datasets you can run queries on. Datasets\ndiffer from each other by embedding model, support for sparse embeddings,\nembedding dimensions, and number of stored items.\n\nNext steps\n----------\n\nNow that you've familiar with the demo, you are ready to take a deeper dive into learning how to use Vector Search.\n\n- **[Quickstart](/vertex-ai/docs/vector-search/quickstart):**\n Use a example dataset to create and deploy an index in 30 minutes or less.\n\n- **[Before you begin](/vertex-ai/docs/vector-search/setup/setup):**\n Discover what to do to prepare embeddings and decide the kind of endpoint to\n deploy your index to."]]
