Suchergebnisse ranken

Auf dieser Seite wird beschrieben, wie Sie Ihre Suchergebnisse für Anwendungen mit dem Vertex AI-Rankingmodellendpunkt einstufen.

Die Vertex AI Ranking API nimmt eine Liste von Dokumenten entgegen und ordnet sie danach ein, wie relevant sie für eine bestimmte Anfrage (einen Suchstring) sind. Wenn Sie die Funktion ai.rank() verwenden, werden Werte dafür zurückgegeben, wie gut ein Dokument eine bestimmte Anfrage beantwortet.

Um die Anleitungen auf dieser Seite zu verwenden, müssen Sie sich mit AlloyDB for PostgreSQL auskennen und mit generativen KI-Konzepten vertraut sein.

AlloyDB reserviert und erstellt das ai-Schema.

Hinweise

Bevor Sie Suchergebnisse einstufen, führen Sie die folgenden Schritte aus:

• Prüfen Sie, ob die Erweiterung google_ml_integration installiert ist.
• Prüfen Sie, ob das Flag google_ml_integration.enable_model_support auf on gesetzt ist.
• In Vertex AI einbinden
• Discovery Engine API aktivieren
• Erforderliche Rollen zum Verwenden von Rankingmodellen abrufen

Discovery Engine API aktivieren

    # Enable Discovery Engine API
    gcloud services enable discoveryengine.googleapis.com --project=PROJECT_ID
    gcloud projects add-iam-policy-binding PROJECT_ID \
    --member="serviceAccount:service-PROJECT_NUMBER@gcp-sa-alloydb.iam.gserviceaccount.com" \
    --role="roles/discoveryengine.viewer"

    SELECT index, score
    FROM
      ai.rank(
        model_id => 'semantic-ranker-default-003',
        search_string => 'Affordable family-friendly vacation spots in Southeast Asia?',
        documents =>
    ARRAY[
      'Luxury resorts in South Korea',
      'Family vacation packages for Vietnam: Ha Long Bay and Hoi An',
      'Budget-friendly beaches in Thailand perfect for families',
      'A backpacker guide to solo travel in India'])

    WITH initial_ranking AS (
      SELECT id, description, ROW_NUMBER() OVER () AS ref_number
      FROM product
      ORDER BY
        embedding <=> google_ml.embedding(
          'gemini-embedding-001', 'personal fitness equipment')::vector
      LIMIT 10
    ), reranked_results AS (
      SELECT index, score
      FROM ai.rank(
          model_id => 'semantic-ranker-default-003',
          search_string => 'personal fitness equipment',
          documents => (SELECT ARRAY_AGG(description ORDER BY ref_number) FROM initial_ranking),
          top_n => 5)
    )
    SELECT id, description
    FROM initial_ranking, reranked_results
    WHERE initial_ranking.ref_number = reranked_results.index
    ORDER BY reranked_results.score DESC;
  

In Vertex AI einbinden und Erweiterung installieren

1. In Vertex AI einbinden
2. Prüfen Sie, ob die aktuelle Version von google_ml_integration installiert ist.

   1. Führen Sie den folgenden Befehl aus, um die installierte Version zu prüfen:

              SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
              extversion
              ------------
              1.4.3
              (1 row)
            

   2. Wenn die Erweiterung nicht installiert ist oder die installierte Version älter als 1.4.3 ist, aktualisieren Sie die Erweiterung mit den folgenden Befehlen:

              CREATE EXTENSION IF NOT EXISTS google_ml_integration;
              ALTER EXTENSION google_ml_integration UPDATE;
            

      Wenn beim Ausführen der vorherigen Befehle Probleme auftreten oder die Erweiterung nach dem Ausführen der vorherigen Befehle nicht auf Version 1.4.3 aktualisiert wird, wenden Sie sich an den AlloyDB-Support.

   3. Nachdem Sie sichergestellt haben, dass die Version aktuell ist, installieren Sie die Vorschaufunktion, indem Sie die Prozedur upgrade_to_preview_version ausführen:

              CALL google_ml.upgrade_to_preview_version();
              SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
              extversion
              ------------
              1.4.4
              (1 row)
            

Erforderliche Rollen

Bitten Sie Ihren Administrator, Ihnen die IAM-Rolle „Discovery Engine Viewer“ (roles/discoveryengine.viewer) für your project zuzuweisen, damit Sie die Berechtigungen erhalten, die Sie zum Verwenden von Rankingmodellen aus Discovery Engine benötigen. Weitere Informationen zum Zuweisen von Rollen finden Sie unter Zugriff auf Projekte, Ordner und Organisationen verwalten.

Sie können die erforderlichen Berechtigungen auch über benutzerdefinierte Rollen oder andere vordefinierte Rollen erhalten.

Suchergebnisse einstufen

Die folgende SQL-Abfrage zeigt, wie Sie Ihre Suchergebnisse einstufen :

SELECT
  ai.rank(
    model_id => 'MODEL_ID',
    search_string => 'SEARCH_STRING',
    documents => ARRAY['DOCUMENT_1', 'DOCUMENT_2', 'DOCUMENT_3']);

Ersetzen Sie Folgendes:

Eine Liste der unterstützten Vertex AI-Rankingmodelle finden Sie unter Unterstützte Modelle.

Beispiele

Führen Sie die folgende Abfrage aus, um Suchergebnisse mit einem Vertex AI-Rankingmodell zu sortieren:

SELECT index, score
FROM
  ai.rank(
    model_id => 'semantic-ranker-default-003',
    search_string => 'AlloyDB is a PostgreSQL compatible AI database that is ready for production.',
    documents =>
      ARRAY[
        'Alloys are made from combination of metals',
        'The best enterprise-ready PostgreSQL database.',
        'You can feel the heat in Alloy apartments.']);

Die Antwort ist eine Tabelle, in der jedes Dokument und die Punktzahl basierend auf der Relevanz für die Suchanfrage aufgeführt sind. Hier ist die Beispielantwort:

 index | score
-------+------------
     2 |  0.33
     1 |  0.28
     3 |  0.16
(3 rows)

Betrachten Sie eine AlloyDB-Beispieldatenbank mit einer Liste von Rezensionsbeschreibungen, die in Einbettungen konvertiert werden. Im folgenden Codebeispiel wird gezeigt, wie Sie das Ranking-Modell verwenden, um die Namen der am besten bewerteten Produkte basierend auf der semantischen Ähnlichkeit ihrer Rezensionsbeschreibungen mit einer Anfrage abzurufen.

WITH initial_ranking AS (
    SELECT product_id, name, review, review_id, ROW_NUMBER() OVER () AS ref_number
    FROM user_reviews
    ORDER BY
      review_desc_embedding <=> google_ml.embedding(
        'gemini-embedding-001', 'good desserts')::vector
    LIMIT 10
  ), reranked_results AS (
    SELECT index, score
    FROM
      ai.rank(
        model_id => 'semantic-ranker-512',
        search_string => 'good desserts',
        documents => (SELECT ARRAY_AGG(review ORDER BY ref_number) FROM initial_ranking),
        top_n => 5)
  )
SELECT product_id, name
FROM initial_ranking, reranked_results
WHERE initial_ranking.ref_number = reranked_results.index
ORDER BY reranked_results.score DESC;

Nächste Schritte

• Modellendpunkt bei der Modellendpunktverwaltung registrieren.

• Abfragen mit KI-basierten SQL-Operatoren