Mit der interaktiven Demo zur Vektorsuche können Sie die Leistungsfähigkeit der modernen Vektorsuchtechnologie selbst erleben. Die Demo nutzt reale Datasets und bietet ein realistisches Beispiel, anhand dessen die Funktionsweise der Vektorsuche erklärt wird. Außerdem erfahren Sie mehr über die semantische Suche und die Hybridsuche und lernen, wie das Re-Ranking in der Praxis aussieht. Geben Sie eine kurze Beschreibung eines Tieres, einer Pflanze, eines E-Commerce-Artikels oder eines anderen Gegenstands ein und lassen Sie die Vektorsuche die restlichen Schritte erledigen.
Testen!
Probieren Sie die verschiedenen Optionen in der Demo aus, um einen Vorsprung bei der Vektorsuche zu erzielen und die Grundlagen der Vektorsuchtechnologie zu verstehen.
So führen Sie den Befehl aus:
Geben Sie im Textfeld Abfrage die Elemente ein, nach denen Sie suchen möchten, z. B.
vintage 1970s pinball machine. Alternativ können Sie auf Abfrage generieren klicken, um eine Beschreibung automatisch generieren zu lassen.Klicken Sie auf Senden.
Weitere Informationen dazu, was Sie in der Demo tun können, finden Sie unter Benutzeroberfläche.
Benutzeroberfläche
In diesem Abschnitt werden die Einstellungen in der Benutzeroberfläche beschrieben, mit denen Sie die Ergebnisse steuern können, die von Vector Search zurückgegeben werden, und wie sie gerankt werden.
Dataset
Wählen Sie im Drop-down-Menü Dataset das Dataset aus, für das Vector Search Ihre Anfrage ausführen soll. Weitere Informationen zu den einzelnen Datasets finden Sie unter Datasets.
Abfrage
Fügen Sie dem Feld Anfrage eine Beschreibung oder einen oder mehrere Suchbegriffe hinzu, um anzugeben, welche Elemente Vector Search finden soll. Alternativ können Sie auf Abfrage generieren klicken, um automatisch eine Beschreibung zu generieren.
Ändern
Es gibt mehrere Optionen, mit denen sich die Ergebnisse ändern lassen, die von der Vektorsuche zurückgegeben werden:
Klicken Sie auf Zeilen und wählen Sie die maximale Anzahl an Suchergebnissen aus, die von Vector Search zurückgegeben werden sollen.
Wählen Sie Dichte Einbettungen verwenden aus, wenn die Vektorsuche semantisch ähnliche Ergebnisse zurückgeben soll.
Wählen Sie Dünnbesetzte Einbettungen verwenden aus, wenn die Vektorsuche Ergebnisse auf Grundlage der Textsyntax Ihrer Anfrage zurückgeben soll. Nicht alle verfügbaren Datasets unterstützen Modelle für spärliche Einbettungen.
Wählen Sie sowohl Dichte Einbettungen verwenden als auch Dünnbesetzte Einbettungen verwenden aus, wenn die Vektorsuche die Hybridsuche verwenden soll. Nicht alle Datasets unterstützen dieses Modell. Bei der Hybridsuche werden Elemente von dichten und dünnbesetzten Einbettungen kombiniert, was die Qualität der Suchergebnisse verbessern kann. Weitere Informationen
Geben Sie im Feld RRF Alpha einen Wert zwischen 0,0 und 1,0 ein, um den RRF-Ranking-Effekt festzulegen.
Wenn Sie die Suchergebnisse neu einstufen möchten, wählen Sie im Drop-down-Menü Reranking die Option ranking_api aus. Wenn Sie die Neueinstufung deaktivieren möchten, wählen Sie None aus.
Messwerte
Nachdem eine Anfrage ausgeführt wurde, erhalten Sie Latenzmesswerte, die die Zeit aufschlüsseln, die für die verschiedenen Phasen der Suche benötigt wurde.
Abfrageprozess
Wenn eine Anfrage verarbeitet wird, passiert Folgendes:
Generierung von Abfrageeinbettungen:Für den angegebenen Abfragetext wird eine Einbettung generiert.
Vektorsuchanfrage:Die Anfrage wird mit dem Vektorsuchindex ausgeführt.
Vertex AI Feature Store-Abruf:Features (z. B. Artikelname, Beschreibung oder Bild-URL) werden aus Vertex AI Feature Store gelesen. Dazu wird die Liste der Artikel-IDs verwendet, die von Vector Search zurückgegeben werden.
Neusortierung:Abgerufene Elemente werden mithilfe von Ranking-APIs sortiert, bei denen der Relevanzwert anhand von Abfragetext, Artikelname und Artikelbeschreibung berechnet wird.
Einbettungen
Multimodal:Multimodale semantische Suche nach Artikelbildern. Weitere Informationen finden Sie unter What is Multimodal Search: 'LLMs with vision' change businesses.
Text (semantische Ähnlichkeit): Semantische Textsuche in Artikelnamen und ‑beschreibungen basierend auf semantischer Ähnlichkeit. Weitere Informationen finden Sie unter Vertex AI Embeddings for Text: LLMs fundieren leicht gemacht.
Text (Fragen und Antworten): Semantische Textsuche für Artikelnamen und ‑beschreibungen mit verbesserter Suchqualität nach Aufgabentyp QUESTION_ANSWERING. Das ist für Anwendungen vom Typ „Fragen und Antworten“ geeignet. Informationen zu Einbettungen für Aufgabentypen finden Sie unter Enhancing Your Gen AI Use Case with Vertex AI Embeddings and Task Types.
Dünnbesetzt (Hybridsuche): Stichwortbasierte (tokenbasierte) Suche nach Artikelnamen und ‑beschreibungen, die mit dem TF-IDF-Algorithmus generiert wurden. Weitere Informationen finden Sie unter Hybridsuche.
Datasets
Die interaktive Demo enthält mehrere Datasets, für die Sie Abfragen ausführen können. Datasets unterscheiden sich in Bezug auf das Einbettungsmodell, die Unterstützung für spärliche Einbettungen, die Einbettungsdimensionen und die Anzahl der gespeicherten Elemente.
| Dataset | Einbettungsmodell | Modell für dünn besetzte Einbettungen | Einbettungsdimensionen | Anzahl der Elemente |
|---|---|---|---|---|
| Mercari Multimodal + Sparse Embeddings | Multimodale Einbettung | TF-IDF (Artikelname und ‑beschreibung) |
1408 | ~3 Millionen |
| Mercari Text (semantische Ähnlichkeit) + Sparse Embeddings | text-embedding-005 (Aufgabentyp: SEMANTIC_SIMILARITY) |
TF-IDF (Artikelname und ‑beschreibung) |
768 | ~3 Millionen |
| Mercari Text (Fragen und Antworten) + dünn besetzte Einbettungen | text-embedding-005 (Aufgabentyp: QUESTION_ANSWERING) |
TF-IDF (Artikelname und ‑beschreibung) |
768 | ~3 Millionen |
| GBIF Flowers Multimodal + dünnbesetzte Einbettungen | Multimodale Einbettung | TF-IDF (Artikelname und ‑beschreibung) |
1408 | ~3,3 Millionen |
| GBIF Animals Multimodal Embeddings | Multimodale Einbettung | – | 1408 | ~ 7 Millionen |
Nächste Schritte
Nachdem Sie sich mit der Demo vertraut gemacht haben, können Sie sich genauer ansehen, wie Sie die Vektorsuche verwenden.
Kurzanleitung:Verwenden Sie ein Beispiel-Dataset, um in weniger als 30 Minuten einen Index zu erstellen und bereitzustellen.
Vorbereitung:Hier erfahren Sie, wie Sie Einbettungen vorbereiten und entscheiden, auf welcher Art von Endpunkt Sie Ihren Index bereitstellen möchten.