Automatische Generierung von Einbettungen für den Agent-Abruf

Mit Agent Retrieval (früher Vektorsuche 2.0) können Sie automatisch Einbettungen für Ihre Sammlungen generieren. So können Sie neue Einbettungen erstellen und sofort bereitstellen. Das vereinfacht den Weg von Rohdaten zu einer aktiven Suchmaschine in Produktionsgröße.

Unterstützte Gemini Enterprise-Einbettungsmodelle

Agent Retrieval (früher Vektorsuche 2.0) unterstützt die folgenden Einbettungsmodelle:

  • Gemini: Bietet modernste Leistung für das Einbetten von Text (nur auf Englisch und mehrsprachig).

  • Text: Spezialisiert auf Daten in englischer Sprache, mehrsprachige Daten und Quellcodedaten.

 

 

Die folgende Tabelle enthält Details zu den einzelnen unterstützten Modellen.

Modell Beschreibung Max.
Ausgabe
dimensionen		 Maximale
Sequenzlänge
(Tokens)		 Unterstützte Modalitäten
und Textsprachen 		Zusätzliche
Limits
gemini-embedding-001 Hervorragende Leistung bei Aufgaben in Englisch, in mehreren Sprachen und bei Code-Aufgaben.
Es vereint die bisherigen spezialisierten Modelle wie text-embedding-005 und
text-multilingual-embedding-002 und erzielt eine bessere Leistung in den jeweiligen Bereichen.
 3.072 2.048 Unterstützte Textsprachen Einschränkungen beim Einbetten
gemini-embedding-2-preview Dies ist ein multimodales Einbettungsmodell der nächsten Generation von Google. Dieses „Omni-Embedding-Modell“ basiert auf der neuesten Gemini-Modellarchitektur und bildet
Text-, Bild-, Video- und PDF-Daten in einem einzigen, einheitlichen Embedding-Bereich ab.
 3.072 8.192 Verschachtelte Texte, Bilder, Videos und PDFs API-Limits
gemini-embedding-2 Dies ist ein multimodales Einbettungsmodell der nächsten Generation von Google. Dieses „Omni-Embedding-Modell“ basiert auf der neuesten Gemini-Modellarchitektur und bildet
Text-, Bild-, Video- und PDF-Daten in einem einzigen, einheitlichen Embedding-Bereich ab.
 3.072 8.192 Verschachtelte Texte, Bilder, Videos und PDFs API-Limits
text-embedding-004 Spezialisiert auf Aufgaben in englischer Sprache und Code-Aufgaben. 768 2.048 Englisch API-Limits
text-embedding-005 Spezialisiert auf Aufgaben in englischer Sprache und Code. 768 2.048 Englisch API-Limits
text-multilingual-embedding-002 Spezialisiert auf mehrsprachige Aufgaben. 768 2.048 Unterstützte Textsprachen API-Limits

 

Sammlungen mit automatisch generierten Einbettungen erstellen

Geben Sie beim Erstellen einer Sammlung das Einbettungsmodell im Feld model_id von vertex_embedding_config an. Dieses Modell wird immer dann verwendet, wenn ein Datenobjekt ohne definierte genre_embedding-Daten erstellt wird.

Der folgende Code zeigt, wie Sie das Einbettungsmodell angeben, das beim automatischen Generieren von Einbettungen verwendet werden soll.

request = vectorsearch.CreateCollectionRequest(
   parent=f"projects/{PROJECT_ID}/locations/{LOCATION}",
   collection_id=collection_id,
   collection={
       "data_schema": {
           "type": "object",
           "properties": {
               "year": {"type": "number"},
               "genre": {"type": "string"},
               "director": {"type": "string"},
               "title": {"type": "string"},
           },
       },
       "vector_schema": {
           "plot_embedding": {"dense_vector": {"dimensions": 3} },
           "soundtrack_embedding": {"dense_vector": {"dimensions": 5} },
           "genre_embedding": {
               "dense_vector": {
                   "dimensions": 4,
                   "vertex_embedding_config": {
                       # If a data object is created without a supplied value for genre_embedding, it will be
                       # auto-generated based on this config.
                       "model_id": "text-embedding-004",
                       "text_template": ("Movie: {title} Genre: {genre} Year: {year}"),
                       "task_type": "RETRIEVAL_DOCUMENT",
                   },
               }
           },
           "sparse_embedding": {"sparse_vector": { } },
       },
   },
)
operation = vector_search_service_client.create_collection(request=request)
operation.result()

Im Beispielcode wird eine neue Sammlung erstellt, wobei das Feld model_id auf text-embedding-004 festgelegt ist. Unter Unterstützte Gemini Enterprise-Einbettungsmodelle finden Sie Informationen dazu, welche Einbettungsmodelle für model_id angegeben werden können.

Kontingente

Automatisch generierte Einbettungen unterliegen den Kundenkontingenten für die zugrunde liegenden Gemini Enterprise-Einbettungsmodelle. Dies wird hauptsächlich durch zwei Hauptkontingente eingeschränkt:

  • Eingabetokens für eingebettete Inhalte pro Minute, Region und base_model.

  • Anfragen für Onlinevorhersagen pro Basismodell pro Minute pro Region pro base_model.

Prüfen Sie, ob Sie ausreichend Kontingent haben, bevor Sie Datenobjekte erstellen oder einen Importjob ausführen.

Informationen zum Anfordern größerer Kontingente finden Sie unter Kontingente über die Console verwalten.

Weitere Informationen