ベクトル検索のインタラクティブなデモで、最先端のベクトル検索テクノロジーの威力を体験してください。実際のデータセットを活用したデモで、ベクトル検索の仕組み、セマンティック検索とハイブリッド検索、再ランキングの流れを学ぶことができます。動物、植物、e コマースの商品、その他の項目の簡単な説明を送信すると、残りの手順は Vertex AI Vector Search が完了します。
試してみましょう
デモでさまざまなオプションを試して、ベクトル検索をいち早く使い始め、ベクトル検索テクノロジーの基本を理解しましょう。
実行するには:
[クエリ] テキスト フィールドに、クエリするアイテムの説明（
vintage 1970s pinball machineなど）を入力します。または、[クエリを生成] をクリックして、説明を自動生成します。[送信] をクリックします。
デモでできることについて詳しくは、ユーザー インターフェースをご覧ください。
ユーザー インターフェース
このセクションでは、ベクトル検索が返す結果と、そのランク付け方法を制御するために使用できる UI の設定について説明します。
データセット
[データセット] プルダウンを使用して、Vector Search がクエリを実行するデータセットを選択します。各データセットの詳細については、データセットをご覧ください。
クエリ
[クエリ] フィールドに、説明または 1 つ以上のキーワードを追加して、Vector Search で検索するアイテムを指定します。または、[クエリを生成] をクリックして、説明を自動生成します。
変更
ベクトル検索が返す結果を変更するオプションがいくつかあります。
[行] をクリックし、ベクトル検索で返す検索結果の最大数を選択します。
ベクトル検索で意味的に類似した結果を返す場合は、[密エンベディングを使用する] を選択します。
クエリのテキスト構文に基づいてベクトル検索で結果を返す場合は、[スパース エンベディングを使用する] を選択します。使用可能なすべてのデータセットがスパース エンベディング モデルをサポートしているわけではありません。
ベクトル検索でハイブリッド検索を使用する場合は、[高密度エンベディングを使用する] と [スパース エンベディングを使用する] の両方を選択します。すべてのデータセットがこのモデルをサポートしているわけではありません。ハイブリッド検索では、高密度エンベディングとスパース エンベディングの両方の要素を組み合わせて、検索結果の品質を向上させることができます。詳細については、ハイブリッド検索についてをご覧ください。
[RRF Alpha] フィールドに 0.0 ～ 1.0 の値を入力して、RRF ランキング効果を指定します。
検索結果を再ランキングするには、[再ランキング] プルダウンから ranking_api を選択するか、[なし] を選択して再ランキングを無効にします。
指標
クエリの実行後、検索のさまざまなステージの完了にかかった時間を分類したレイテンシ指標が提供されます。
クエリ プロセス
クエリが処理されると、次の処理が行われます。
クエリ エンベディングの生成: 指定されたクエリテキストのエンベディングが生成されます。
ベクトル検索クエリ: クエリはベクトル検索インデックスで実行されます。
Vertex AI Feature Store の取得: Vector Search が返すアイテム ID のリストを使用して、Vertex AI Feature Store から特徴（アイテム名、説明、画像 URL など）が読み取られます。
再ランキング: 取得されたアイテムは、ランキング API によって並べ替えられます。ランキング API は、クエリテキスト、アイテム名、アイテムの説明を使用して関連性スコアを計算します。
エンベディング
マルチモーダル: 商品画像のマルチモーダル セマンティック検索。詳しくは、マルチモーダル検索とは何か: 「視覚を備えた LLM」がビジネスを変えるをご覧ください。
テキスト（意味的類似性）: 意味的類似性に基づいて、アイテムの名前と説明に対してテキスト セマンティック検索を行います。詳細については、Vertex AI Embeddings for Text: LLM の根拠づけが容易にをご覧ください。
テキスト（質問応答）: 項目名と説明のテキスト セマンティック検索。タスクタイプ QUESTION_ANSWERING によって検索品質が向上します。これは、Q&A タイプのアプリケーションに適しています。タスクタイプのエンベディングについては、Vertex AI エンベディングとタスクタイプを使用して生成 AI のユースケースを強化するをご覧ください。
スパース（ハイブリッド検索）: TF-IDF アルゴリズムで生成された商品名と説明に対するキーワード（トークンベース）検索。詳細については、ハイブリッド検索についてをご覧ください。
データセット
インタラクティブ デモには、クエリを実行できるデータセットがいくつか含まれています。データセットは、エンベディング モデル、スパース エンベディングのサポート、エンベディング ディメンション、保存されたアイテムの数によって異なります。
| データセット | エンベディング モデル | スパース エンベディング モデル | エンベディング ディメンション | アイテム数 |
|---|---|---|---|---|
| メルカリ マルチモーダル + スパース エンベディング | マルチモーダル エンベディング | TF-IDF （商品名と商品説明） |
1408 | 約 300 万 |
| Mercari Text（意味的類似性）+ スパース エンベディング | text-embedding-005 （タスクタイプ: SEMANTIC_SIMILARITY） |
TF-IDF （商品名と商品説明） |
768 | 約 300 万 |
| Mercari Text（質問応答）+ スパース エンベディング | text-embedding-005 （タスクタイプ: QUESTION_ANSWERING） |
TF-IDF （商品名と商品説明） |
768 | 約 300 万 |
| GBIF Flowers マルチモーダル + スパース エンベディング | マルチモーダル エンベディング | TF-IDF （商品名と商品説明） |
1408 | 約 330 万 |
| GBIF 動物マルチモーダル エンベディング | マルチモーダル エンベディング | なし | 1408 | ～ 700 万 |
次のステップ
デモを理解したので、ベクトル検索の使用方法について詳しく学習しましょう。
クイックスタート: サンプル データセットを使用して、30 分以内にインデックスを作成してデプロイします。
始める前に: エンベディングを準備し、インデックスをデプロイするエンドポイントの種類を決定する方法を確認します。