Experimente o poder da tecnologia de pesquisa vetorial de vanguarda com a demonstração interativa do Vector Search. Tirando partido de conjuntos de dados do mundo real, a demonstração oferece um exemplo realista que ajuda a saber como funciona a pesquisa vetorial, explorar a pesquisa semântica e híbrida, e ver a reclassificação em ação. Envie uma breve descrição de um animal, uma planta, mercadoria de comércio eletrónico ou outro item e deixe que a pesquisa vetorial faça o resto!
Experimente!
Experimente as diferentes opções na demonstração para começar a usar a pesquisa vetorial e compreender os princípios básicos da tecnologia de pesquisa vetorial.
Para executar:
No campo de texto Consulta, descreva os itens para os quais quer consultar (por exemplo,
vintage 1970s pinball machine). Em alternativa, clique em Gerar consulta para gerar automaticamente uma descrição.Clique em Enviar.
Para saber mais sobre o que pode fazer na demonstração, consulte o artigo Interface do utilizador.
Interface do utilizador
Esta secção descreve as definições na IU que pode usar para controlar os resultados que a pesquisa vetorial devolve e como são classificados.
Conjunto de dados
Use o menu pendente Conjunto de dados para escolher o conjunto de dados no qual a pesquisa vetorial vai executar a sua consulta. Consulte o artigo Conjuntos de dados para ver detalhes sobre cada um.
Consulta
No campo Consulta, adicione uma descrição ou uma ou mais palavras-chave para especificar que itens quer que a pesquisa vetorial encontre. Em alternativa, clique em Gerar consulta para gerar automaticamente uma descrição.
Modificar
Estão disponíveis várias opções que modificam os resultados devolvidos pela pesquisa vetorial:
Clique em Linhas e escolha o número máximo de resultados da pesquisa que quer que a pesquisa vetorial devolva.
Selecione Usar incorporações densas se quiser que a pesquisa vetorial devolva resultados semanticamente semelhantes.
Selecione Usar incorporações esparsas se quiser que a pesquisa vetorial devolva resultados com base na sintaxe de texto da sua consulta. Nem todos os conjuntos de dados disponíveis suportam modelos de incorporação esparsos.
Selecione Usar incorporações densas e Usar incorporações esparsas se quiser que a pesquisa vetorial use a pesquisa híbrida. Nem todos os conjuntos de dados suportam este modelo. A pesquisa híbrida combina elementos de incorporações densas e esparsas, o que pode melhorar a qualidade dos resultados da pesquisa. Para saber mais, aceda a Acerca da pesquisa híbrida.
No campo RRF Alpha, introduza um valor entre 0,0 e 1,0 para especificar o efeito da classificação RRF.
Para reclassificar os resultados da pesquisa, selecione ranking_api no menu pendente Reclassificação ou selecione Nenhum para desativar a reclassificação.
Métrica
Depois de executar uma consulta, são apresentadas métricas de latência que discriminam o tempo necessário para a conclusão das diferentes fases da pesquisa.
Processo de consulta
Quando uma consulta é processada, ocorre o seguinte:
Geração de incorporações de consultas: é gerada uma incorporação para o texto da consulta especificado.
Consulta de pesquisa vetorial: a consulta é executada com o índice de pesquisa vetorial.
Obtenção do Vertex AI Feature Store: as caraterísticas são lidas (por exemplo, nome do artigo, descrição ou URL da imagem) a partir do Vertex AI Feature Store através da lista de IDs de artigos devolvidos pela pesquisa vetorial.
Reclassificação: os itens obtidos são ordenados através de APIs de classificação que usam o texto da consulta, o nome do item e a descrição do item para calcular a pontuação de relevância.
Incorporações
Multimodal: pesquisa semântica multimodal em imagens de artigos. Para ver detalhes, aceda a O que é a pesquisa multimodal: "Os MDIs com visão" mudam as empresas.
Texto (semelhança semântica): pesquisa semântica de texto em nomes de itens e descrições com base na semelhança semântica. Para saber mais, aceda a Incorporações do Vertex AI para texto: fundamentar os GMLs de forma simples.
Texto (resposta a perguntas): pesquisa semântica de texto em nomes e descrições de artigos, com qualidade de pesquisa melhorada por tipo de tarefa QUESTION_ANSWERING. Isto é adequado para aplicações do tipo perguntas e respostas. Para informações sobre as incorporações de tipo de tarefa, aceda a Melhorar o seu exemplo de utilização de IA gen com incorporações e tipos de tarefas da Vertex AI.
Escassa (pesquisa híbrida): pesquisa de palavras-chave (com base em tokens) nos nomes e nas descrições dos artigos, gerada com o algoritmo TF-IDF. Para mais informações, aceda a Acerca da pesquisa híbrida.
Conjuntos de dados
A demonstração interativa inclui vários conjuntos de dados nos quais pode executar consultas. Os conjuntos de dados diferem entre si pelo modelo de incorporação, suporte para incorporações esparsas, dimensões de incorporação e número de itens armazenados.
| Conjunto de dados | Modelo de incorporação | Modelo de incorporação esparsa | Incorporar dimensões | Número de artigos |
|---|---|---|---|---|
| Incorporações esparsas + multimodais do Mercari | Incorporação multimodal | TF-IDF (nome e descrição do artigo) |
1408 | ~3 milhões |
| Texto do Mercari (semelhança semântica) + incorporações esparsas | text-embedding-005 (Tipo de tarefa: SEMANTIC_SIMILARITY) |
TF-IDF (nome e descrição do artigo) |
768 | ~3 milhões |
| Mercari Text (question answering) + Sparse embeddings | text-embedding-005 (Tipo de tarefa: QUESTION_ANSWERING) |
TF-IDF (nome e descrição do artigo) |
768 | ~3 milhões |
| GBIF Flowers Multimodal + Sparse embeddings | Incorporação multimodal | TF-IDF (nome e descrição do artigo) |
1408 | ~3,3 milhões |
| Incorporações multimodais de animais do GBIF | Incorporação multimodal | N/A | 1408 | Cerca de 7 milhões |
Passos seguintes
Agora que já se familiarizou com a demonstração, está pronto para explorar mais a fundo a aprendizagem da utilização da pesquisa vetorial.
Início rápido: use um conjunto de dados de exemplo para criar e implementar um índice em 30 minutos ou menos.
Antes de começar: descubra o que fazer para preparar as incorporações e decida o tipo de ponto final para implementar o seu índice.