メインコンテンツまでスキップ
バージョン: User Guides (Cloud)

Voyage AI Ranker

Voyage AI Ranker は、Voyage AI の専門的なリランカーを活用し、セマンティックリランキングを通じて検索の関連性を向上させます。検索拡張生成（RAG）および検索アプリケーション向けに最適化された、高性能なリランキング機能を提供します。

Voyage AI Ranker は、以下を必要とするアプリケーションに特に価値があります。

  • リランキングタスク向けに特別にトレーニングされたモデルによる高度なセマンティック理解

  • 本番ワークロード向けに最適化された推論による高性能処理

  • 多様なドキュメント長に対応する柔軟な切り捨て制御

  • 異なるモデルバリアント（rerank-2、rerank-lite など）にわたる微調整されたパフォーマンス

始める前に​

Voyage AI Ranker を使用する前に、以下の前提条件が満たされていることを確認してください。

  • リランクモデルを選択

    使用する Cohere リランクモデルを決定します。例: rerank-2.5。選択により、リランキング時のセマンティック関連性の評価方法が決まります。詳細については、Voyage AI 公式ドキュメント を参照してください。

  • Voyage AI と統合し、統合ID を取得

    Voyage AI Ranker を使用するには、まず Zilliz Cloud コンソール で Voyage AI をモデルプロバイダーとして統合する必要があります。

    統合後、Zilliz Cloud は 統合ID を生成します。これは、リランク関数を定義する際に参照します。詳細な手順については、モデルプロバイダーとの統合 を参照してください。

  • リランク可能なテキストフィールドを含むコレクションスキーマを計画

    コレクションに、リランキング対象のテキストを含む VARCHAR フィールドが 1 つ含まれていることを確認してください。

Voyage AI Ranker を使用する​

このセクションでは、検索時に Voyage AI Ranker を適用して取得結果をリランクする方法を説明します。

リランク関数は検索時に定義および適用され、クエリごとにリランキングの有効化、無効化、または動作の変更が可能です。

準備​

以下のセットアップでは、検索およびリランキング用のコレクションとサンプルデータを準備します。

サンプルデータを含むコレクションを準備
from pymilvus import MilvusClient, DataType

client = MilvusClient(
    uri="YOUR_ZILLIZ_CLOUD_URI",
    token="YOUR_ZILLIZ_CLOUD_TOKEN",
)

collection_name = "voyage_rerank_demo"

# Define collection schema
schema = client.create_schema()
schema.add_field("id", DataType.INT64, is_primary=True, auto_id=False)
schema.add_field("document", DataType.VARCHAR, max_length=1000)
schema.add_field("dense", DataType.FLOAT_VECTOR, dim=4)

# Configure index
index_params = client.prepare_index_params()
index_params.add_index(
    field_name="dense",
    index_type="AUTOINDEX",
    metric_type="COSINE"
)

# Create collection
client.create_collection(
    collection_name=collection_name,
    schema=schema,
    index_params=index_params
)

# Insert sample data
data = [
    {
        "id": 1,
        "document": "Recent renewable energy developments include improved solar efficiency.",
        "dense": [0.10, 0.20, 0.30, 0.40],
    },
    {
        "id": 2,
        "document": "Climate policy and carbon markets have evolved rapidly in recent years.",
        "dense": [0.11, 0.19, 0.28, 0.39],
    },
    {
        "id": 3,
        "document": "New battery technology helps stabilize wind and solar power generation.",
        "dense": [0.90, 0.10, 0.05, 0.02],
    },
    {
        "id": 4,
        "document": "Vector databases support similarity search for machine learning applications.",
        "dense": [0.01, 0.02, 0.03, 0.04],
    },
]

client.insert(collection_name, data)

リランク関数の定義​

Voyage AI Ranker は、コレクションスキーマの一部としてではなく、検索時に定義されます。

リランク関数では、以下の内容を指定します：

  • リランク対象のテキストフィールド（VARCHAR）

  • 使用する Voyage AI モデル

  • クエリおよびドキュメントの切り捨て方法または検証方法

from pymilvus import Function, FunctionType

voyage_ranker = Function(
    name="voyage_semantic_ranker",
    input_field_names=["document"],
    function_type=FunctionType.RERANK,
    params={
        "reranker": "model",
        "provider": "voyageai",
        "model_name": "rerank-2.5",
        "queries": ["renewable energy developments"],
        "truncation": True,

        "integration_id": "YOUR_INTEGRATION_ID",

    }
)
📘Notes

queries 内の文字列の数は、検索リクエストで発行されたクエリの数と一致している必要があります。

rerank 機能を使用した検索​

query_vector = [0.12, 0.21, 0.29, 0.41]

results = client.search(
    collection_name=collection_name,
    data=[query_vector],
    anns_field="dense",
    limit=3,
    output_fields=["document"],
    ranker=voyage_ranker,
)

print(results)

この検索中：

  1. ベクトル検索を使用して候補が取得されます。

  2. Voyage AI Ranker が各候補のセマンティック関連性を評価します。

  3. 結果セットは返される前に並べ替えられます。

次のステップ​

Voyage AI Ranker はハイブリッド検索でも使用できます。

検索とハイブリッド検索は、どちらも同じ方法でランカーを適用します：

どちらの場合も、検索時に ranker パラメーターを介して rerank 関数を渡します。

詳細については、マルチベクトルハイブリッド検索 を参照してください。