Part 1: Vector Search を体験しよう¶

このパートでは、Vector Search（ベクトル検索）がどのように動作するかを実際に体験します。

このパートのゴール¶

Vector Search とは何かを理解する
実際に Vector Search を動かしてみる
「意味で検索」の便利さを体感する

ステップ 1: Vector Search とは？¶

従来の検索の問題点¶

例: EC サイトで商品を探す場合¶

あなたの検索: 「赤いスニーカー」

従来の検索結果:

「赤いスニーカー」→ 見つかる
「赤色のランニングシューズ」→ 見つからない
「レッドのスポーツシューズ」→ 見つからない

なぜ見つからない？

従来の検索は「文字」を探すだけ
「赤い」と「赤色」は違う文字として扱われる

Vector Search の仕組み¶

Vector Search は「意味」を理解して検索します。

ステップ 1: テキスト入力

ユーザー入力
「赤いスニーカー」

テキスト

ステップ 2: ベクトル変換

埋め込みモデル
テキスト → ベクトル

変換

ステップ 3: ベクトル表現

ベクトル（384 次元）
[0.2, 0.8, 0.1, 0.5, ...]

検索クエリ

ステップ 4: 類似検索

Milvus
ベクトル DB

類似ベクトル

ステップ 5: 検索結果

類似商品リスト
・赤いランニングシューズ（0.5621）
・赤いスポーツシューズ（0.5474）
・赤いトレーニングシューズ（0.4517）

ポイント

意味が似ていると、ベクトルも似る
コンピュータは数値の類似度を高速計算

あなたの検索: 「赤いスニーカー」

Vector Search の結果:

「赤いスニーカー」→ 見つかる
「赤色のランニングシューズ」→ 見つかる（意味が似ている）
「レッドのスポーツシューズ」→ 見つかる（意味が似ている）

なぜ見つかる？

Vector Search は「意味」を理解する
「赤い」「赤色」「レッド」→ 同じ意味と理解
「スニーカー」「ランニングシューズ」「スポーツシューズ」→ 似た意味と理解

Vector Search の動作¶

ステップ 1: テキストを数値に変換
「赤いスニーカー」→ [0.2, 0.8, 0.1, 0.5, ...] （ベクトル）

ステップ 2: 似た数値を探す
データベースから似た数値のパターンを検索

ステップ 3: 結果を返す
似た意味の商品を返す

ポイント:

「ベクトル」= 数値の配列
意味が似ていると、数値のパターンも似る
コンピュータは数値の類似度を高速に計算できる

ステップ 2: 接続テストを実行¶

実践: ここから手を動かします

実際に Vector Search を動かす前に、必要なサービスに接続できるか確認します。

IBM Bob のチャット画面で以下を入力:

Milvus への接続を確かめて。

IBM Bob が接続テストのスクリプトを実行します。コマンドの実行の承認を求められたら、承認します。

手動で実行する場合

ターミナルに以下を入力:

cd setup/participant
python test_connection.py

結果を確認¶

成功の場合¶

==================================================
Milvus 接続テスト
==================================================

=== 環境変数チェック ===
✓ MILVUS_HOST: 192.168.1.100
✓ MILVUS_PORT: 19530
✓ MILVUS_USER: root
✓ MILVUS_PASSWORD: ********

=== Milvus 接続テスト ===
接続先: 192.168.1.100:19530
認証: ユーザー名/パスワード認証
✓ Milvus に接続できました
✓ 既存のコレクション数: 0

==================================================
テスト結果
==================================================
Milvus 接続: ✓ 成功

✓ Milvus 接続テストに成功しました
  次のステップ: ベクトル用コレクションを作成

接続テスト、サンプルデータ投入スクリプト、デモアプリケーションは同じ .env の接続設定を使用します。このテストが成功していれば、以降の手順でも同じ Milvus のホスト、ポート、認証方式が使われます。

失敗の場合¶

✗ Milvus 接続エラー: Connection refused

対処法:

.env ファイルを確認
- MILVUS_HOST に講師から配布された IP アドレスが正しく入力されているか確認（設定方法）
- MILVUS_PASSWORD が講師から配布されたパスワードになっているか確認（"auth check failure" などの認証エラーは、パスワードの誤りかテンプレートのままになっていることが原因です）
インターネット接続を確認
その他のエラーについては、FAQ を参照してください

ステップ 3: サンプルデータを投入¶

実践: Milvus にサンプルデータを投入

Vector Search を体験するために、まずサンプル商品データを投入します。

IBM Bob のチャット画面で以下を入力:

用意されたスクリプトでサンプルデータを Milvus に投入して。

IBM Bob がスクリプトを実行し、サンプルデータを投入します。

手動で実行する場合

ターミナルに以下を入力:

# プロジェクトのルートフォルダにいる場合
cd setup/participant
python insert_sample_data.py

既に setup/participant フォルダにいる場合は、cd setup/participant は不要です。

投入結果を確認¶

以下のような表示が出れば成功:

==================================================
✓ サンプルデータの挿入が完了しました
==================================================

コレクション名: products_taro  # .env で設定した自分専用の名前
エンティティ数: 12

デモアプリケーションを起動できます:
  venv/bin/python app.py
==================================================

投入されたデータ:

商品数: 12 件
カテゴリ: スニーカー、カメラ、パソコン、バッグ
各商品に商品名、価格、説明、埋め込みベクトルが含まれる
コレクション定義と検索対象フィールドはデモアプリケーションと共通化されているため、投入後すぐに検索できます

ステップ 4: Vector Search を体験¶

実践: Vector Search を動かしてみよう

サンプルデータの投入が成功したら、実際に Vector Search を体験しましょう。

デモアプリケーションを起動¶

この手順はターミナルで実行します。事前準備で作成した仮想環境を有効化し、requirements.txt のパッケージがインストールされている状態で実行してください。

Mac Windows

cd ~/Desktop/vector-search-builder-ja/setup/participant
venv/bin/python app.py

cd %USERPROFILE%\Desktop\vector-search-builder-ja\setup\participant
venv\Scripts\python app.py

既に setup/participant フォルダにいる場合は、cd ... の行は不要です。venv/bin/python app.py または venv\Scripts\python app.py を実行しても、すぐに反応がないように見える場合があります。起動処理に少し時間がかかるため、ターミナルに実行結果が表示されるまでそのまま待ってください。

起動に成功した場合¶

次のような表示が出れば、アプリケーションは起動しています。

==================================================
✓ アプリケーションを起動しました
==================================================

検索画面: http://localhost:8002
==================================================

INFO:     Application startup complete.

ターミナルを開いたままにする

ターミナルを閉じるとアプリケーションが停止します。注意してください。

起動に失敗した場合¶

ModuleNotFoundError: No module named 'fastapi' が表示された場合は、仮想環境に必要なパッケージがインストールされていません。必要なパッケージをインストールしてから（インストール方法）、もう一度デモアプリケーションを起動してください（起動方法）。

起動を確認¶

Web ブラウザで以下の URL にアクセスして、検索画面（商品検索デモ）が表示されることを確認:

http://localhost:8002

起動成功

検索画面が表示されれば、アプリケーションは正常に起動しています。

検索を試してみる¶

ステップ 1: 検索語を入力¶

画面上部の検索欄に以下を入力:

赤いスニーカー

ステップ 2: 「検索」をクリック¶

検索ボタンをクリック（または Enter を押す）

ステップ 3: 結果を確認¶

意味の近い商品が、似ている順にカードで表示されます。上位 3 件は赤い靴 3 種で、赤いランニングシューズ（0.5621）、赤いスポーツシューズ（0.5474）、赤いトレーニングシューズ（0.4517）の順です。その次が青いカジュアルスニーカーです。スコアは環境やモデルのバージョンによって多少変わります。

結果の見方:

順位（#1、#2、…）: 似ている順
カテゴリ（category）: 商品のカテゴリ
商品名（product_name）: 商品名
価格（price）: 価格（円）
説明（description）: 説明
類似度（similarity_score）: 類似度（0.0〜1.0、高いほど似ている）。バーの色は 0.7 以上が緑、0.4〜0.7 が青、0.4 未満が灰色

表示件数（top_k）で、返す商品の件数を変えられます（デフォルト: 5）。価格フィルターは、Part 2 で追加するまで使えません。

任意: API の生のレスポンスを見る

検索画面が表示している JSON を見るには、Swagger UI（http://localhost:8002/docs）で /search を開き、「Try it out」をクリックして以下のリクエストボディを入力し、「Execute」をクリックします。Swagger UI はファイルをインターネットから読み込みますが、検索画面はオフラインでも動きます。

{
  "query": "赤いスニーカー",
  "top_k": 1
}

レスポンス（スコアは多少変わります）:

{
  "results": [
    {
      "product_name": "赤いランニングシューズ",
      "similarity_score": 0.5621,
      "price": 8900,
      "category": "スニーカー",
      "description": "軽量で通気性のよいランニングシューズ。"
    }
  ]
}

色々な検索を試してみる¶

以下の検索も試してみましょう。入力するか、検索欄の下にある例をクリックします。

例 1: 初心者向けの商品を探す¶

初心者向けのカメラ

例 2: ビジネス向けの商品を探す¶

ビジネス向けのノートパソコン

例 3: 高性能な商品を探す¶

高性能なゲーミング PC

Vector Search の凄さを実感¶

色々な検索を試すと、以下のことに気づくはずです:

気づき 1: 言い方が違っても見つかる

「初心者向け」→「入門用」「初心者におすすめ」も見つかる

気づき 2: 類似度スコアが便利

スコアが高い = より似ている
結果の信頼度が分かる

気づき 3: 説明文も考慮される

商品名だけでなく、説明文の意味も理解
「ビジネス向けのノートパソコン」で、説明文に「ノートパソコンが入る」とある軽量ビジネスバッグも見つかる

Part 1 完了チェック¶

Vector Search とは何かを理解した
従来の検索との違いを理解した
接続テストが成功した
サンプルデータを投入できた
デモアプリケーションを起動できた
検索画面を開けた
検索を実行できた
色々な検索を試した

FAQ¶

検索画面が開けない

アプリケーションが起動しているか確認
URL が正しいか確認（http://localhost:8002）
ブラウザを変えてみる

検索結果が 0 件

サンプルデータが投入されているか確認
検索クエリを変えてみる

類似度スコアが極端に低い

最新の insert_sample_data.py でサンプルデータを再投入
デモアプリケーションを手動で再起動
1. アプリケーションを起動しているターミナルで Ctrl+C（停止）
2. アプリケーションを起動（起動方法）
検索画面で再度検索

既存データが古い検索メトリックで作成されている場合、スコアが 0.06 のように低く表示されることがあります。

次へ →