Experimenta el poder de la tecnología de búsqueda de vectores de vanguardia con la demostración interactiva de la búsqueda de vectores. Aprovechando conjuntos de datos del mundo real, la demostración proporciona un ejemplo realista que te ayudará a aprender cómo funciona la Búsqueda vectorial, explorar la búsqueda semántica y híbrida, y ver el restablecimiento del ranking en acción. Envía una breve descripción de un animal, una planta, un producto de comercio electrónico o cualquier otro elemento, y deja que la Búsqueda vectorial haga el resto.
Pruébala
Experimenta con las diferentes opciones de la demostración para obtener una ventaja con la búsqueda de vectores y comprender los conceptos básicos de la tecnología de búsqueda de vectores.
Para ejecutarlo, haz lo siguiente:
En el campo de texto Consulta, describe los elementos que deseas consultar (por ejemplo,
vintage 1970s pinball machine). Como alternativa, haz clic en Generar consulta para generar automáticamente una descripción.Haz clic en Enviar.
Para obtener más información sobre lo que puedes hacer en la demostración, consulta Interfaz de usuario.
Interfaz de usuario
En esta sección, se describe la configuración de la IU que puedes usar para controlar los resultados que muestra la Búsqueda vectorial y cómo se clasifican.
Conjunto de datos
Usa el menú desplegable Conjunto de datos para elegir en qué conjunto de datos ejecutará la Búsqueda de vectores tu consulta. Consulta Conjuntos de datos para obtener detalles sobre cada uno.
Consulta
En el campo Consulta, agrega una descripción o una o más palabras clave para especificar qué elementos deseas que encuentre la Búsqueda vectorial. Como alternativa, haz clic en Generate Query para generar una descripción automáticamente.
Modificar
Existen varias opciones disponibles que modifican los resultados que muestra la búsqueda vectorial:
Haz clic en Filas y elige la cantidad máxima de resultados de la búsqueda que deseas que muestre la Búsqueda vectorial.
Selecciona Usar incorporaciones densas si deseas que Vector Search muestre resultados similares en términos semánticos.
Selecciona Usar embeddings dispersos si deseas que la Búsqueda de vectores muestre resultados según la sintaxis de texto de tu consulta. No todos los conjuntos de datos disponibles admiten modelos de incorporación dispersa.
Selecciona Usar incorporaciones densas y Usar incorporaciones dispersas si deseas que la Búsqueda de vectores use la búsqueda híbrida. No todos los conjuntos de datos admiten este modelo. La búsqueda híbrida combina elementos de embeddings densos y dispersos, lo que puede mejorar la calidad de los resultados de la búsqueda. Para obtener más información, consulta Acerca de la búsqueda híbrida.
En el campo RRF Alpha, ingresa un valor entre 0.0 y 1.0 para especificar el efecto de clasificación de la RRF.
Para volver a clasificar los resultados de la búsqueda, selecciona ranking_api en el menú desplegable Reranking o None para inhabilitar la clasificación.
Métricas
Después de que se ejecuta una consulta, se te proporcionan métricas de latencia que desglosan el tiempo que tardaron en completarse las diferentes etapas de la búsqueda.
Proceso de consulta
Cuando se procesa una consulta, ocurre lo siguiente:
Generación de incorporaciones de consulta: Se genera una incorporación para el texto de consulta especificado.
Consulta de Vector Search: La consulta se ejecuta con el índice de Vector Search.
Recuperación de Vertex AI Feature Store: Los atributos se leen (por ejemplo, el nombre, la descripción o la URL de la imagen del artículo) de Vertex AI Feature Store con la lista de IDs de artículos que muestra la Búsqueda vectorial.
Reclasificación: Los elementos recuperados se ordenan a través de las APIs de clasificación que usan el texto de la búsqueda, el nombre del elemento y la descripción del elemento para calcular la puntuación de relevancia.
Incorporaciones
Multimodal: Búsqueda semántica multimodal en imágenes de artículos. Para obtener más información, consulta Qué es la búsqueda multimodal: los 'LLM con visión' cambian los negocios.
Texto (similitud semántica): Búsqueda semántica de texto en nombres y descripciones de artículos según la similitud semántica. Para obtener más información, consulta Vertex AI Embeddings for Text: Grounding LLMs made easy.
Texto (búsqueda de respuestas): Búsqueda semántica de texto en los nombres y las descripciones de los artículos, con una mejor calidad de búsqueda por tipo de tarea QUESTION_ANSWERING. Esto es adecuado para los tipos de aplicaciones de preguntas y respuestas. Si deseas obtener información sobre las incorporaciones de tipos de tareas, consulta Cómo mejorar tu caso de uso de IA generativa con incorporaciones y tipos de tareas de Vertex AI.
Dispersa (búsqueda híbrida): Búsqueda de palabras clave (basada en tokens) en nombres y descripciones de elementos, generada con el algoritmo TF-IDF. Para obtener más información, consulta Acerca de la búsqueda híbrida.
Conjuntos de datos
La demostración interactiva incluye varios conjuntos de datos en los que puedes ejecutar consultas. Los conjuntos de datos difieren entre sí en función del modelo de incorporación, la compatibilidad con incorporaciones dispersas, las dimensiones de incorporación y la cantidad de elementos almacenados.
| Conjunto de datos | Modelo de incorporación | Modelo de incorporación dispersa | Dimensiones de incorporación | Recuento de elementos |
|---|---|---|---|---|
| Incorporaciones multimodales y dispersas de Mercari | Incorporación multimodal | TF-IDF (nombre y descripción del artículo) |
1408 | Aprox. 3 millones |
| Texto de Mercari (similitud semántica) + incorporaciones escasas | text-embedding-005) (tipo de tarea: SEMANTIC_SIMILARITY) |
TF-IDF (nombre y descripción del artículo) |
768 | Aprox. 3 millones |
| Texto de Mercari (respuesta de preguntas) + incorporaciones dispersas | text-embedding-005) (tipo de tarea: QUESTION_ANSWERING) |
TF-IDF (nombre y descripción del artículo) |
768 | Aprox. 3 millones |
| GBIF Flowers Multimodal + Sparse embeddings | Incorporación multimodal | TF-IDF (nombre y descripción del artículo) |
1408 | Aproximadamente 3.3 millones |
| Incorporaciones multimodales de animales de GBIF | Incorporación multimodal | N/A | 1408 | Aprox. 7 millones |
Próximos pasos
Ahora que conoces la demostración, puedes profundizar en el uso de la Búsqueda de vectores.
Guía de inicio rápido: Usa un conjunto de datos de ejemplo para crear e implementar un índice en 30 minutos o menos.
Antes de comenzar: Descubre qué debes hacer para preparar las incorporaciones y decide el tipo de extremo en el que implementarás tu índice.