Skill · Google AI Developers blog
Gemini के साथ मिश्रित PDF और छवियों को एक साथ खोजें
फोटो: jonakoh _ Unsplash पर
OCR की जटिलता के बिना टेक्स्ट और चार्ट दोनों वाले जटिल दस्तावेज़ों से डेटा निकालें। Gemini की मल्टीमॉडल फ़ाइल खोज अब PDF और छवियों को एक ही वेक्टर डेटाबेस में अनुक्रमित करती है, जिससे आप उत्पाद फ़ोटो या आरेखों वाले कानूनी दस्तावेज़ों के साथ-साथ वित्तीय रिपोर्टों पर भी क्वेरी कर सकते हैं-"कौन से चार्ट Q3 राजस्व वृद्धि दिखाते हैं?" जैसे प्रश्नों का पूर्ण उद्धरणों सहित उत्तर देते हुए।
एंटरप्राइज़ डेटा अव्यवस्थित होता है: वित्तीय रिपोर्टों में अंतर्निहित चार्ट होते हैं, अनुबंधों में हस्तलिखित टिप्पणियां होती हैं, तकनीकी विशिष्टताएं आरेखों को गद्य के साथ मिलाती हैं। कुछ समय पहले तक, इन मिश्रित-मीडिया दस्तावेज़ों से जानकारी प्राप्त करने के लिए छवियों को OCR के माध्यम से टेक्स्ट में बदलना आवश्यक था-एक धीमी, त्रुटि-प्रवण अड़चन। Gemini के File Search टूल ने मई 2026 में Gemini Embedding 2 मॉडल द्वारा संचालित मूल मल्टीमॉडल समर्थन जोड़कर इसे बदल दिया।
यह दृष्टिकोण पारंपरिक RAG पाइपलाइनों से सरल है। आप एक File Search स्टोर बनाते हैं जिसमें एम्बेडिंग मॉडल निर्दिष्ट करते हैं (मल्टीमॉडल के लिए, gemini-embedding-2 का उपयोग करें), अपनी फाइलें अपलोड करते हैं (PDF, PNG, JPEG, WebP), और सिस्टम स्वतः टेक्स्ट और दृश्य सामग्री दोनों को एक साझा वेक्टर स्थान में अनुक्रमित करता है। अपनी आय-विवरणिका लाइब्रेरी खोजने वाले पेशेवर को अब अलग टेक्स्ट और छवि डेटाबेस की आवश्यकता नहीं है-"मुझे साल-दर-साल राजस्व वृद्धि की तुलना करने वाले चार्ट दिखाएं" जैसी एक क्वेरी पूर्व-प्रसंस्करण के बिना PDF से प्रासंगिक विज़ुअलाइज़ेशन प्राप्त कर लेती है।
व्यावहारिक कार्य के लिए: नियमन आरेखों के साथ-साथ अनुबंध संशोधनों की समीक्षा करने वाले वकील, अंतर्निहित चार्ट वाली त्रैमासिक रिपोर्टों से पैटर्न निकालने वाले विश्लेषक, या प्रतिस्पर्धी उत्पाद फ़ोटो को विनिर्देश पत्रकों के साथ मिलाकर विश्लेषण करने वाली उत्पाद टीमें-सभी इस एकीकृत खोज से लाभान्वित होती हैं। मेटाडेटा फ़िल्टरिंग आपको परिणाम संकीर्ण करने देती है (उदाहरण के लिए, केवल 2025 के वित्त विभाग के दस्तावेज़), और पृष्ठ उद्धरण ठीक-ठीक दिखाते हैं कि प्रत्येक उत्तर कहां से आया।
लागत संरचना डेवलपर्स के पक्ष में है: स्टोरेज और क्वेरी-समय एम्बेडिंग निःशुल्क हैं; आप केवल अनुक्रमण और टोकन के लिए भुगतान करते हैं। सेटअप के लिए Gemini API आवश्यक है (Python, JavaScript, या Java SDK समर्थित), लेकिन सीखने की अवस्था सौम्य है-File Search दस्तावेज़ीकरण में तत्काल प्रयोग के लिए कार्यशील कोड उदाहरण शामिल हैं।
स्रोत और क्रेडिट
मूल स्रोत: Google AI Developers blog