에이전트 검색을 위한 임베딩 자동 생성

Agent Retrieval (이전 명칭: 벡터 검색 2.0)을 사용하여 컬렉션의 임베딩을 자동 생성할 수 있습니다. 이를 통해 새로운 임베딩을 빌드하고 즉시 배포할 수 있으므로 원시 데이터에서 실시간 프로덕션 규모 검색 엔진으로 이어지는 경로가 간소화됩니다.

지원되는 Gemini Enterprise 임베딩 모델

에이전트 검색 (이전 명칭: 벡터 검색 2.0)은 다음 임베딩 모델을 지원합니다.

  • Gemini: 텍스트 (영어 전용 및 다국어)를 삽입하기 위한 최첨단 성능을 제공합니다.

  • 텍스트: 영어 전용 및 다국어, 소스 코드 데이터에 특화되어 있습니다.

 

 

다음 표에는 지원되는 각 모델에 대한 세부정보가 나와 있습니다.

모델 설명 최대
출력
측정기준		 최대
시퀀스
길이 (토큰)		 지원되는 모달리티
및 텍스트 언어 		추가
한도
gemini-embedding-001 영어, 다국어, 코드 태스크에서의 최첨단 성능입니다.
이전의 전문 모델(예: text-embedding-005,
text-multilingual-embedding-002)을 통합하고
각 도메인에서 더욱 우수한 성능을 얻습니다.		 3072 2048 지원되는 텍스트 언어 삽입 한도
gemini-embedding-2-preview Google의 차세대 멀티모달 임베딩 모델입니다. 최신 Gemini 모델 아키텍처를
기반으로 빌드된 이 '전체 임베딩 모델'은 텍스트, 이미지, 동영상, PDF 데이터를 단일 통합 임베딩 공간에
매핑합니다.		 3072 8192 인터리브 텍스트, 이미지, 동영상, PDF API 한도
gemini-embedding-2 Google의 차세대 멀티모달 임베딩 모델입니다. 최신 Gemini 모델 아키텍처를 기반으로 빌드된 이 '전체 임베딩 모델'은 텍스트, 이미지, 동영상, PDF 데이터를 단일 통합 임베딩 공간에 매핑합니다.

 3072 8192 인터리브 텍스트, 이미지, 동영상, PDF API 한도
text-embedding-004 영어 및 코드 태스크에 특화되어 있습니다. 768 2048 영어 API 한도
text-embedding-005 영어 및 코드 태스크에 특화되어 있습니다. 768 2048 영어 API 한도
text-multilingual-embedding-002 다국어 태스크에 특화되어 있습니다. 768 2048 지원되는 텍스트 언어 API 한도

 

자동 생성된 임베딩으로 컬렉션 만들기

컬렉션을 만들 때 vertex_embedding_config의 model_id 필드에 삽입 모델을 지정합니다. 이 모델은 genre_embedding 데이터가 정의되지 않은 데이터 객체가 생성될 때마다 사용됩니다.

다음 코드는 임베딩을 자동 생성할 때 사용할 임베딩 모델을 지정하는 방법을 보여줍니다.

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()

예시 코드에서는 model_id 필드가 text-embedding-004로 설정된 새 컬렉션이 생성됩니다. model_id에 지정할 수 있는 임베딩 모델은 지원되는 Gemini Enterprise 임베딩 모델을 참고하세요.

할당량

자동 생성된 임베딩은 기본 Gemini Enterprise 임베딩 모델의 고객 할당량을 사용합니다. 이는 주로 다음 두 가지 주요 할당량에 의해 제한됩니다.

  • base_model별 리전별 분당 콘텐츠 삽입 입력 토큰입니다.

  • base_model별 리전별 기본 모델별 분당 온라인 예측 요청입니다.

데이터 객체를 만들거나 가져오기 작업을 실행하기 전에 할당량이 충분한지 확인합니다.

더 큰 할당량을 요청하는 방법에 관한 자세한 내용은 콘솔을 사용하여 할당량 관리를 참고하세요.

추가 정보