VertexAI Embeddings
VertexAI Embeddings convierte textos en una huella numérica de su significado usando los modelos de Vertex AI, el servicio de IA de Google Cloud. Con esa huella, NappAI puede encontrar los documentos que dicen algo parecido a lo que buscas aunque usen otras palabras, por ejemplo en una base de conocimiento.
El componente se conecta a una base de datos vectorial, que lo usa tanto para guardar tus documentos como para buscar en ellos. Úsalo si tu empresa trabaja con Google Cloud y quiere que los textos se procesen en su propio proyecto.
Cuándo usarlo
- Dar a un agente el conocimiento de tus manuales, contratos o preguntas frecuentes, guardándolos en una base de datos vectorial.
- Montar un buscador interno que encuentre documentos por su significado y no solo por palabras exactas.
- Tu empresa ya tiene un proyecto de Google Cloud con Vertex AI activado.
Configuración
Este componente no usa las credenciales de tu cuenta de NappAI: se conecta con el archivo de clave de una cuenta de servicio de Google Cloud que subes en Credentials.
| Campo | Qué hace |
|---|---|
| Credentials | El archivo de clave (JSON) de la cuenta de servicio de tu proyecto de Google Cloud. Lo descarga quien administra el proyecto. |
| Model Name | El nombre del modelo de Vertex AI que calcula las huellas. Por defecto: text-embedding-005. |
Opciones avanzadas
| Campo | Qué hace |
|---|---|
| Project | El identificador de tu proyecto de Google Cloud. Vacío: el proyecto del archivo de credenciales. |
| Location | La región de Google Cloud donde se usa el modelo. Por defecto: us-central1. |
| Max Retries | Cuántas veces se repite una petición que falla. Por defecto: 1. |
Procesamiento por lotes
Con el interruptor Batch Mode activado, el componente se ejecuta una vez por cada elemento de la lista que conectes en Batch Input y devuelve todos los resultados juntos en una lista. Parallel Executions indica cuántos elementos se procesan a la vez (de 1 a 5). Skip if Empty Batch Input salta el componente si la lista llega vacía, y Skip Branch if Empty Output detiene los componentes siguientes si el resultado está vacío. Más información en Conceptos clave.
Resultado
- Embeddings: el modelo que calcula las huellas, listo para usar. Conéctalo a la entrada Embedding de una base de datos vectorial: Astra DB, Cassandra, Chroma DB, Couchbase, Elasticsearch, FAISS, Milvus, MongoDB Vector Store, PGVector, Pinecone, Qdrant, Redis, Supabase Vector Store, Upstash, Vectara, Weaviate Cloud (v4). También lo aceptan otros componentes con una entrada de este tipo, como Semantic Text Splitter o Text Embedder.
Ejemplo
Una aseguradora, Seguros Arnau, quiere que su asistente responda con las condiciones de sus pólizas.
- En un flujo de carga, divide los documentos en fragmentos con Recursive Character Text Splitter y pásalos a Chroma DB con Operation en
Add. - Añade VertexAI Embeddings y conecta su salida Embeddings a la entrada Embedding de Chroma DB.
- En el flujo del asistente, usa la misma colección de Chroma DB con el mismo componente VertexAI Embeddings para buscar los fragmentos que responden a cada pregunta.