Membuat embedding secara otomatis untuk Pengambilan Agen

Anda dapat menggunakan Agent Retrieval (sebelumnya Penelusuran Vektor 2.0) untuk membuat embedding secara otomatis untuk Koleksi Anda. Dengan begitu, Anda dapat membuat embedding baru dan men-deploy-nya secara instan, yang menyederhanakan jalur dari data mentah ke mesin telusur skala produksi yang aktif.

Model penyematan Gemini Enterprise yang didukung

Agent Retrieval (sebelumnya Penelusuran Vektor 2.0) mendukung model embedding berikut:

  • Gemini — Memberikan performa canggih untuk menyematkan teks (khusus bahasa Inggris dan multibahasa).

  • Teks — Mengkhususkan diri dalam data (khusus bahasa Inggris dan multibahasa) dan kode sumber.

 

 

Tabel berikut memberikan detail tentang setiap model yang didukung.

Model Deskripsi Dimensi
output
maksimum		 Panjang
urutan
maksimum (token)		 Modalitas yang didukung
dan bahasa teks 		Batas
tambahan
gemini-embedding-001 Performa canggih untuk tugas bahasa Inggris, multibahasa, dan kode.
Model ini menyatukan model khusus yang sebelumnya seperti text-embedding-005 dan
text-multilingual-embedding-002 serta mencapai performa yang lebih baik di domainnya
masing-masing.		 3072 2048 Bahasa teks yang didukung Batas penyematan
gemini-embedding-2-preview Ini adalah model embedding multimodal generasi berikutnya dari Google. Dibangun di atas arsitektur model Gemini terbaru, "model embedding omni" ini memetakan data teks, gambar, video, dan PDF ke dalam satu ruang sematan terpadu.

 3072 8192 Teks, gambar, video, dan PDF yang diselingi Batas API
gemini-embedding-2 Ini adalah model embedding multimodal generasi berikutnya dari Google. Dibangun di atas
arsitektur model Gemini terbaru, "model embedding omni" ini memetakan
data teks, gambar, video, dan PDF ke dalam satu ruang sematan terpadu.		 3072 8192 Teks, gambar, video, dan PDF yang diselingi Batas API
text-embedding-004 Terspesialisasi dalam tugas bahasa Inggris dan kode. 768 2048 Inggris Batas API
text-embedding-005 Terspesialisasi dalam tugas bahasa Inggris dan kode. 768 2048 Inggris Batas API
text-multilingual-embedding-002 Terspesialisasi dalam tugas multibahasa. 768 2048 Bahasa teks yang didukung Batas API

 

Membuat Koleksi dengan embedding yang dibuat otomatis

Saat membuat Koleksi, tentukan model sematan di kolom model_id dari vertex_embedding_config. Model ini digunakan setiap kali Objek Data dibuat tanpa data genre_embedding yang ditentukan.

Kode berikut menunjukkan cara menentukan model embedding yang akan digunakan saat membuat embedding secara otomatis.

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()

Dalam contoh kode, Koleksi baru dibuat dengan kolom model_id yang ditetapkan ke text-embedding-004. Lihat Model embedding Gemini Enterprise yang didukung untuk model embedding yang dapat ditentukan untuk model_id.

Kuota

Embedding yang dibuat otomatis mengandalkan kuota pelanggan untuk model embedding Gemini Enterprise yang mendasarinya. Hal ini terutama dibatasi oleh dua kuota utama:

  • Token input konten sematkan per menit per region per base_model.

  • Permintaan prediksi online per model dasar per menit per region per base_model.

Pastikan Anda memiliki kuota yang cukup sebelum membuat Objek Data atau menjalankan tugas impor.

Lihat Mengelola kuota menggunakan konsol untuk mengetahui informasi tentang cara meminta kuota yang lebih besar.

Lihat juga