벡터 검색 대화형 데모를 통해 최신 벡터 검색 기술의 위력을 경험해 보세요. 이 데모에서는 실제 데이터 세트를 활용하여 벡터 검색의 작동 방식을 알아보고, 시맨틱 및 하이브리드 검색을 살펴보고, 재랭킹이 작동하는 모습을 확인하는 데 도움이 되는 현실적인 예시를 제공합니다. 동물, 식물, 전자상거래 상품 또는 기타 상품에 관한 간단한 설명을 제출하면 벡터 검색이 나머지를 처리합니다.
사용해 보기
데모에서 다양한 옵션을 실험하여 벡터 검색을 시작하고 벡터 검색 기술의 기본사항을 이해하세요.
실행 방법:
검색어 텍스트 필드에 쿼리할 항목을 설명합니다(예:
vintage 1970s pinball machine). 또는 검색어 생성을 클릭하여 설명을 자동으로 생성할 수 있습니다.제출을 클릭합니다.
데모에서 할 수 있는 작업에 관한 자세한 내용은 사용자 인터페이스를 참고하세요.
사용자 인터페이스
이 섹션에서는 벡터 검색이 반환하는 결과와 순위를 제어하는 데 사용할 수 있는 UI 설정을 설명합니다.
데이터 세트
데이터 세트 드롭다운을 사용하여 벡터 검색에서 쿼리를 실행할 데이터 세트를 선택합니다. 각 데이터 세트에 관한 자세한 내용은 데이터 세트를 참고하세요.
쿼리
검색어 필드에 설명 또는 키워드를 하나 이상 추가하여 벡터 검색에서 찾을 항목을 지정합니다. 또는 쿼리 생성을 클릭하여 설명을 자동으로 생성할 수 있습니다.
수정
벡터 검색이 반환하는 결과를 수정하는 몇 가지 옵션이 있습니다.
행을 클릭하고 벡터 검색에서 반환할 최대 검색 결과 수를 선택합니다.
벡터 검색에서 의미상 유사한 결과를 반환하도록 하려면 밀집 임베딩 사용을 선택합니다.
벡터 검색에서 쿼리의 텍스트 문법을 기반으로 결과를 반환하도록 하려면 드문 임베딩 사용을 선택합니다. 사용 가능한 모든 데이터 세트가 희소 임베딩 모델을 지원하는 것은 아닙니다.
벡터 검색에서 하이브리드 검색을 사용하려면 Use dense embeddings(밀집 임베딩 사용) 및 Use sparse embeddings(희소 임베딩 사용)을 모두 선택합니다. 일부 데이터 세트는 이 모델을 지원하지 않습니다. 하이브리드 검색은 밀집 임베딩과 희소 임베딩의 요소를 모두 결합하여 검색 결과의 품질을 개선할 수 있습니다. 자세한 내용은 하이브리드 검색 정보를 참고하세요.
RRF 알파 필드에 0.0과 1.0 사이의 값을 입력하여 RRF 순위 효과를 지정합니다.
검색 결과의 순위를 다시 지정하려면 재랭킹 드롭다운에서 ranking_api를 선택하거나 없음을 선택하여 재랭킹을 사용 중지합니다.
측정항목
쿼리가 실행되면 검색의 여러 단계가 완료되는 데 걸린 시간을 분류하는 지연 시간 측정항목이 제공됩니다.
쿼리 프로세스
쿼리가 처리되면 다음이 발생합니다.
검색어 임베딩 생성: 지정된 검색어 텍스트에 대한 임베딩이 생성됩니다.
벡터 검색 쿼리: 벡터 검색 색인으로 쿼리가 실행됩니다.
Vertex AI Feature Store 가져오기: 벡터 검색이 반환하는 상품 ID 목록을 사용하여 Vertex AI Feature Store에서 상품 이름, 설명, 이미지 URL과 같은 특성을 읽습니다.
재정렬: 검색된 항목은 검색어 텍스트, 항목 이름, 항목 설명을 사용하여 관련성 점수를 계산하는 순위 API를 통해 정렬됩니다.
임베딩
멀티모달: 상품 이미지에 대한 멀티모달 시맨틱 검색 자세한 내용은 멀티모달 검색이란? '비전을 사용한 LLM' 비즈니스 변경을 참고하세요.
텍스트 (시맨틱 유사성): 의미론적 유사성을 기반으로 항목 이름 및 설명에 대한 텍스트 시맨틱 검색 자세한 내용은 텍스트용 Vertex AI 임베딩: 간편해진 LLM 그라운딩을 참고하세요.
텍스트 (질문-답변): 상품 이름 및 설명에 대한 텍스트 시맨틱 검색으로, 태스크 유형 QUESTION_ANSWERING에 따라 검색 품질이 개선되었습니다. Q&A 유형의 애플리케이션에 적합합니다. 태스크 유형 임베딩에 관한 자세한 내용은 Vertex AI 임베딩 및 태스크 유형으로 생성형 AI 사용 사례 개선을 참고하세요.
드문 (하이브리드 검색): TF-IDF 알고리즘으로 생성된 항목 이름 및 설명에 대한 키워드 (토큰 기반) 검색입니다. 자세한 내용은 하이브리드 검색 정보를 참고하세요.
데이터 세트
대화형 데모에는 쿼리를 실행할 수 있는 여러 데이터 세트가 포함되어 있습니다. 데이터 세트는 임베딩 모델, 희소 임베딩 지원, 임베딩 차원, 저장된 항목 수에 따라 서로 다릅니다.
| 데이터 세트 | 임베딩 모델 | 희소 임베딩 모델 | 임베딩 측정기준 | 항목 수 |
|---|---|---|---|---|
| Mercari 멀티모달 + 희소 임베딩 | 멀티모달 임베딩 | TF-IDF (상품 이름 및 설명) |
1408 | 300만 명 |
| Mercari 텍스트 (시맨틱 유사도) + 희소 임베딩 | text-embedding-005) (작업 유형: SEMANTIC_SIMILARITY) |
TF-IDF (상품 이름 및 설명) |
768 | 300만 명 |
| Mercari 텍스트 (질문 응답) + 희소 임베딩 | text-embedding-005) (작업 유형: QUESTION_ANSWERING) |
TF-IDF (상품 이름 및 설명) |
768 | 300만 명 |
| GBIF 꽃 멀티모달 + 희소 임베딩 | 멀티모달 임베딩 | TF-IDF (상품 이름 및 설명) |
1408 | 330만 명 |
| GBIF 동물 멀티모달 임베딩 | 멀티모달 임베딩 | 해당 사항 없음 | 1408 | ~700만 |
다음 단계
이제 데모에 익숙해졌으므로 벡터 검색을 사용하는 방법을 자세히 알아볼 준비가 되었습니다.
빠른 시작: 예시 데이터 세트를 사용하여 30분 이내에 색인을 만들고 배포합니다.
시작하기 전: 임베딩을 준비하기 위해 해야 할 작업을 알아보고 색인을 배포할 엔드포인트의 종류를 결정합니다.