Conheça o poder da tecnologia de pesquisa vetorial de última geração com a demonstração interativa da Pesquisa Vetorial. Usando conjuntos de dados reais, a demonstração oferece um exemplo realista que vai ajudar você a aprender como a Pesquisa vetorial funciona, explorar a pesquisa semântica e híbrida e conferir a reclassificação em ação. Envie uma breve descrição de um animal, planta, mercadoria de e-commerce ou outro item e deixe a Pesquisa Vetorial fazer o resto.
Testar
Teste as diferentes opções na demonstração para começar a usar o Vector Search e entender os conceitos básicos da tecnologia de pesquisa vetorial.
Para executar:
No campo de texto Consulta, descreva os itens que você quer consultar. Por exemplo,
vintage 1970s pinball machine. Como alternativa, clique em Gerar consulta para gerar automaticamente uma descrição.Clique em Enviar.
Para saber mais sobre o que você pode fazer na demonstração, consulte Interface do usuário.
Interface do usuário
Esta seção descreve as configurações na interface que podem ser usadas para controlar os resultados retornados pela Pesquisa de vetores e como eles são classificados.
Conjunto de dados
Use o menu suspenso Dataset para escolher em qual conjunto de dados a Pesquisa de vetores vai executar a consulta. Consulte Conjuntos de dados para saber mais sobre cada um deles.
Consulta
No campo Consulta, adicione uma descrição ou uma ou mais palavras-chave para especificar os itens que você quer que a Pesquisa vetorial encontre. Como alternativa, clique em Gerar consulta para gerar automaticamente uma descrição.
Modificar
Várias opções estão disponíveis para modificar os resultados retornados pela pesquisa de vetor:
Clique em Linhas e escolha o número máximo de resultados da pesquisa que você quer que a Pesquisa vetorial retorne.
Selecione Usar embeddings densos se quiser que a pesquisa vetorial retorne resultados semanticamente semelhantes.
Selecione Usar embeddings esparsos se quiser que a Pesquisa vetorial retorne resultados com base na sintaxe de texto da consulta. Nem todos os conjuntos de dados disponíveis oferecem suporte a modelos de embeddings raros.
Selecione Usar embeddings densos e Usar embeddings esparsos se quiser que a pesquisa vetorial use a pesquisa híbrida. Nem todos os conjuntos de dados são compatíveis com esse modelo. A pesquisa híbrida combina elementos de embeddings densos e esparsos, o que pode melhorar a qualidade dos resultados da pesquisa. Para saber mais, acesse Sobre a pesquisa híbrida.
No campo RRF Alpha, insira entre 0,0 e 1,0 para especificar o efeito de classificação do RRF.
Para reordenar os resultados da pesquisa, selecione ranking_api no menu suspenso Reordenação ou selecione Nenhum para desativar a reordenação.
Métricas
Depois que uma consulta é executada, você recebe métricas de latência que detalham o tempo que diferentes estágios da pesquisa levaram para serem concluídos.
Processo de consulta
Quando uma consulta é processada, o seguinte ocorre:
Geração de embedding de consulta:um embedding é gerado para o texto de consulta especificado.
Consulta de pesquisa de vetor:a consulta é executada com o índice de pesquisa de vetor.
Busca do Feature Store da Vertex AI:os recursos são lidos (por exemplo, nome do item, descrição ou URL da imagem) do Feature Store da Vertex AI usando a lista de IDs de itens retornados pela Pesquisa vetorial.
Reclassificação:os itens recuperados são classificados por APIs de classificação que usam texto de consulta, nome do item e descrição do item para calcular a pontuação de relevância.
Embeddings
Multimodal:pesquisa semântica multimodal em imagens de itens. Confira mais detalhes em O que é a Pesquisa multimodal: "LLMs com visão" mudam os negócios.
Texto (semelhança semântica): pesquisa semântica de texto em nomes e descrições de itens com base na semelhança semântica. Para saber mais, acesse Embeddings da Vertex AI para texto: embasamento de LLMs facilitado.
Texto (respostas a perguntas): pesquisa semântica de texto em nomes e descrições de itens, com melhoria na qualidade da pesquisa pelo tipo de tarefa QUESTION_ANSWERING. Isso é adequado para aplicativos do tipo perguntas e respostas. Para informações sobre embeddings de tipo de tarefa, acesse Como melhorar seu caso de uso de IA generativa com embeddings e tipos de tarefa da Vertex AI.
Esparsa (pesquisa híbrida): pesquisa de palavras-chave (baseada em token) em nomes e descrições de itens, gerada com o algoritmo TF-IDF. Para mais informações, acesse Sobre a pesquisa híbrida.
Conjuntos de dados
A demonstração interativa inclui vários conjuntos de dados em que você pode executar consultas. Os conjuntos de dados diferem entre si pelo modelo de incorporação, suporte a incorporações esparsas, dimensões de incorporação e número de itens armazenados.
| Conjunto de dados | Modelo de embedding | Modelo de embedding esparso | Dimensões de embedding | Contagem de itens |
|---|---|---|---|---|
| Mercari Multimodal + Sparse embeddings | Incorporação multimodal | TF-IDF (nome e descrição do item) |
1408 | ~3 milhões |
| Texto do Mercari (similaridade semântica) + embeddings raros | text-embedding-005) (tipo de tarefa: SEMANTIC_SIMILARITY) |
TF-IDF (nome e descrição do item) |
768 | ~3 milhões |
| Mercari Text (resposta a perguntas) + embeddings esparsos | text-embedding-005) (tipo de tarefa: QUESTION_ANSWERING) |
TF-IDF (nome e descrição do item) |
768 | ~3 milhões |
| Embeddings multimodais e esparsos de flores do GBIF | Incorporação multimodal | TF-IDF (nome e descrição do item) |
1408 | ~3,3 milhões |
| Embeddings multimodais de animais do GBIF | Incorporação multimodal | N/A | 1408 | ~7 milhões |
Próximas etapas
Agora que você já conhece a demonstração, está tudo pronto para aprender a usar a Pesquisa Vetorial.
Guia de início rápido:use um conjunto de dados de exemplo para criar e implantar um índice em 30 minutos ou menos.
Antes de começar:saiba o que fazer para preparar embeddings e decidir o tipo de endpoint para implantar o índice.