Mendapatkan embedding teks

Dokumen ini menjelaskan cara membuat embedding teks menggunakan Text embeddings API Vertex AI.

Embedding teks adalah representasi vektor padat dari teks. Misalnya, model gemini-embedding-001 menghasilkan vektor 3072 dimensi untuk bagian teks tertentu. Embed vektor padat ini dibuat menggunakan metode deep learning yang mirip dengan yang digunakan oleh model bahasa besar.

Tidak seperti vektor jarang yang memetakan kata ke angka, vektor padat dirancang untuk merepresentasikan makna semantik teks. Manfaat utama penggunaan embedding vektor padat adalah kemampuan untuk melakukan penelusuran semantik. Daripada menelusuri pencocokan kata atau sintaksis langsung, Anda dapat menelusuri bagian teks yang selaras dengan makna kueri Anda, meskipun bagian teks tersebut tidak menggunakan frasa yang sama.

Vektor penyematan dinormalisasi, sehingga Anda dapat menggunakan kesamaan kosinus, perkalian titik, atau jarak Euclidean untuk mendapatkan peringkat kesamaan yang sama.

Pertanyaan dan jawabannya tidak mirip secara semantik
Gambar 1. Mendapatkan Embedding Teks.

Sebelum memulai

  1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  3. Enable the Vertex AI API.

    Enable the API

    4.

  4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  5. Enable the Vertex AI API.

    Enable the API

    6.
  6. Pilih jenis tugas untuk tugas penyematan Anda.

    7. Model yang didukung

    Anda bisa mendapatkan embedding teks dengan menggunakan model berikut:

    Nama model Deskripsi Dimensi Output Panjang urutan maksimum Bahasa teks yang didukung
    gemini-embedding-001 Performa canggih di seluruh tugas bahasa Inggris, multibahasa, dan kode. Model ini menyatukan model khusus sebelumnya seperti text-embedding-005 dan text-multilingual-embedding-002 serta mencapai performa yang lebih baik di domain masing-masing. Baca Laporan Teknis kami untuk mengetahui detail selengkapnya. hingga 3072 2048 token Bahasa teks yang didukung
    text-embedding-005 Berspesialisasi dalam tugas bahasa Inggris dan kode. hingga 768 2048 token Inggris
    text-multilingual-embedding-002 Berspesialisasi dalam tugas multibahasa. hingga 768 2048 token Bahasa teks yang didukung

    Untuk kualitas penyematan yang unggul, gemini-embedding-001 adalah model besar kami yang dirancang untuk memberikan performa tertinggi. Perhatikan bahwa gemini-embedding-001 mendukung satu instance per permintaan.

    Mendapatkan embedding teks untuk cuplikan teks

    Anda bisa mendapatkan embedding teks untuk cuplikan teks dengan menggunakan Vertex AI API atau Vertex AI SDK untuk Python.

    Batas API

    Untuk setiap permintaan, Anda dibatasi hingga 250 teks input untuk model non-Gemini, dan satu teks input untuk model Embedding Gemini. API ini memiliki batas token input maksimum 20.000. Input yang melebihi batas ini akan menyebabkan error 400. Setiap teks input individual lebih lanjut dibatasi hingga 2.048 token; kelebihan apa pun akan terpotong secara otomatis. Anda juga dapat menonaktifkan pemotongan senyap dengan menetapkan autoTruncate ke false.

    Untuk informasi selengkapnya, lihat Batas penyematan teks.

    Memilih dimensi penyematan

    Semua model menghasilkan vektor penyematan berdurasi penuh secara default. Untuk gemini-embedding-001, vektor ini memiliki 3072 dimensi, dan model lain menghasilkan vektor 768 dimensi. Namun, dengan menggunakan parameter output_dimensionality, pengguna dapat mengontrol ukuran vektor penyematan output. Memilih dimensi output yang lebih kecil dapat menghemat ruang penyimpanan dan meningkatkan efisiensi komputasi untuk aplikasi downstream, sekaligus sedikit menyedekatkan kualitas.

    Contoh berikut menggunakan model gemini-embedding-001.

    Gen AI SDK for Python

    Instal

    pip install --upgrade google-genai

    Untuk mempelajari lebih lanjut, lihat dokumentasi referensi SDK.

    Tetapkan variabel lingkungan untuk menggunakan Gen AI SDK dengan Vertex AI: 

    # Replace the `GOOGLE_CLOUD_PROJECT` and `GOOGLE_CLOUD_LOCATION` values
# with appropriate values for your project.
export GOOGLE_CLOUD_PROJECT=GOOGLE_CLOUD_PROJECT
export GOOGLE_CLOUD_LOCATION=global
export GOOGLE_GENAI_USE_VERTEXAI=True
     

    from google import genai
from google.genai.types import EmbedContentConfig

client = genai.Client()
response = client.models.embed_content(
    model="gemini-embedding-001",
    contents="How do I get a driver's license/learner's permit?",
    config=EmbedContentConfig(
        task_type="RETRIEVAL_DOCUMENT",  # Optional
        output_dimensionality=3072,  # Optional
        title="Driver's License",  # Optional
    ),
)
print(response)
# Example response:
# embeddings=[ContentEmbedding(values=[-0.06302902102470398, 0.00928034819662571, 0.014716853387653828, -0.028747491538524628, ... ],
# statistics=ContentEmbeddingStatistics(truncated=False, token_count=13.0))]
# metadata=EmbedContentMetadata(billable_character_count=112)

    Menambahkan penyematan ke database vektor

    Setelah membuat embedding, Anda dapat menambahkan embedding ke database vektor, seperti Vector Search. Hal ini memungkinkan pengambilan dengan latensi rendah, dan sangat penting seiring bertambahnya ukuran data Anda.

    Untuk mempelajari Vector Search lebih lanjut, lihat Ringkasan Vector Search.

    Langkah berikutnya