新しい埋め込みモデルへ移行する

後継モデルの特定

まず、「現在のモデルのステータス」テーブルで現在のモデルのステータスを確認してください。モデルがレガシーまたは非推奨の場合は、テーブルにそのモデルの代替として記載されている推奨される代替モデルに移行します。

利用可能なモデルを比較するには、「 投票AI埋め込みと再ランク付けモデルの概要 」を参照してください。ほとんどの移行では、次の推奨モデルから継承を選択します。

• 汎用テキスト。最高の取得品質にはvoyage-4-large、最低のレイテンシとコストにはvoyage-4-lite、および品質とパフォーマンスのバランスにはvoyage-4を使用します。詳細については、「テキスト埋め込み」を参照してください。

• コード。voyage-code-4 は、コーディング エージェントやプログラミングドキュメントなどのコード取得およびエージェントコーディング アプリケーションに使用されます。特定のドメインのモデルを比較するには、ドメイン固有モデル を参照してください。

• より長いドキュメント。voyage-context-4 を使用すると、手動でメタデータやコンテキストの拡張を行わずに、ドキュメントの全体のコンテキストを捕捉するチャンクを埋め込むことができます。検索品質は、長いドキュメントで最も向上します。標準的な埋め込みのドロップインリプレイスメントとして機能し、後続のワークフローに変更を加える必要はありません。詳しくは、コンテキスト化されたチャンク埋め込みを参照してください。

• マルチモーダル。voyage-multimodal-3.5 を使用すると、テキストと画像データを組み合わせたものを埋め込むことができます。例えば、PDF、スライド、表、図のスクリーンショットなどです。詳細を学ぶには、「マルチモーダル埋め込み」を参照してください。

これらのモデルから選択する際は、次のモデル特性を考慮してください。

• モダリリティ。現在のモデルと同じデータ型をサポートするモデルへ移行します。例えば、テキストのみのモデルに移行するのではなく、voyage-multimodal-3 から voyage-multimodal-3.5 へ移行します。

• 埋め込み次元。継承モデルが生成する次元数に注目してください。新しいベクトルインデックスではその値を指定する必要があります。

• コンテキストの長さ。現在のモデルよりもコンテキストの長さが短い場合、最も長いドキュメントが切り捨てられる可能性があります。使用されるAI埋め込みと再ランク付けモデルの概要 で、継承モデルのコンテキスト長を確認します。

後継モデルを選択した後、本番コーパスを移行する前に、自身のデータの代表的なサンプルでその取得品質を評価します。

自動埋め込みで移行する

MongoDB ベクトル検索で自動埋め込みを使用する場合、MongoDB がお客様のために移行を管理します。MongoDB ベクトル検索インデックス定義を編集し、autoEmbed 型フィールド定義の model フィールドの値を後継モデルに変更します。

{
  "fields": [
    {
      "type": "autoEmbed",
      "modality": "text",
      "path": "<field-name>",
      "model": "<successor-model>"
    }
  ]
}

model、numDimensions、quantizationの設定を変更すると、MongoDB ベクトル検索はインデックスと埋め込みを再生成します。これにより、追加の埋め込みコストが発生します。インデックスの再構築中に、古いインデックス定義に引き続きクエリを実行できます。再構築が完了すると、MongoDB ベクトル検索は古いインデックスを自動的に置き換えます。

インデックスの編集 の詳細については、 「 MongoDB ベクトル検索インデックスの編集 」を参照してください。自動埋め込みがサポートするモデルについては、「 自動埋め込みのモデル 」を参照してください。

自己管理型埋め込みの移行

自分で埋め込みを生成している場合は、次の手順を実行して後継モデルに移行する。ダウンタイムを避けるため、新しい埋め込みを新しいフィールドに書き込み (write)ます。また、移行が完了するまでは、現在のフィールドとインデックスをそのまま維持します。

import os
import voyageai
from pymongo import MongoClient, UpdateOne
SUCCESSOR_MODEL = "<successor-model>"
TEXT_FIELD = "<source-text-field>"
NEW_EMBEDDING_FIELD = "<new-embedding-field>"
BATCH_SIZE = 100
vo = voyageai.Client()
# This automatically uses the VOYAGE_API_KEY environment variable.
client = MongoClient(os.environ["MONGODB_URI"])
collection = client["<database>"]["<collection>"]
def process_batch(documents):
    texts = [document[TEXT_FIELD] for document in documents]
    result = vo.embed(
        texts,
        model=SUCCESSOR_MODEL,
        input_type="document"
    )
    collection.bulk_write([
        UpdateOne(
            {"_id": document["_id"]},
            {"$set": {NEW_EMBEDDING_FIELD: embedding}}
        )
        for document, embedding in zip(documents, result.embeddings)
    ])
batch = []
for document in collection.find({}, {TEXT_FIELD: 1}):
    batch.append(document)
    if len(batch) == BATCH_SIZE:
        process_batch(batch)
        batch = []
if batch:
    process_batch(batch)

{
  "fields": [
    {
      "type": "vector",
      "path": "<new-embedding-field>",
      "numDimensions": "<successor-model-dimensions>",
      "similarity": "dotProduct"
    }
  ]
}

result = vo.embed(
    [query_text],
    model="<successor-model>",
    input_type="query"
)