Questa pagina descrive come generare previsioni ML utilizzando l'emulatore Spanner.
L'integrazione di Spanner Vertex AI può essere utilizzata con l'emulatore Spanner per generare previsioni utilizzando le funzioni di previsione ML di GoogleSQL o PostgreSQL ML. L'emulatore è un programma binario che riproduce un server Spanner e può essere utilizzato anche per i test delle unità e di integrazione. Puoi utilizzare l'emulatore come progetto open source o localmente utilizzando Google Cloud CLI. Per saperne di più sulle funzioni di previsione ML, consulta Come funziona l'integrazione di Spanner Vertex AI?.
Per generare previsioni, puoi utilizzare qualsiasi modello con l'emulatore. Puoi anche utilizzare un modello di Vertex AI Model Garden o un modello di cui è stato eseguito il deployment nell'endpoint Vertex AI. Poiché l'emulatore non si connette a Vertex AI, l'emulatore non può verificare il modello o il relativo schema per nessun modello utilizzato da Vertex AI Model Garden o di cui è stato eseguito il deployment negli endpoint Vertex AI.
Per impostazione predefinita, quando utilizzi una funzione di previsione con l'emulatore, la funzione restituisce un valore casuale in base agli input del modello forniti e allo schema di output del modello. Puoi utilizzare una funzione di callback per modificare l'input e l'output del modello e generare risultati della previsione in base a comportamenti specifici.
Prima di iniziare
Installa l'emulatore Spanner
Puoi installare l'emulatore in locale o configurarlo utilizzando il repository GitHub.
Seleziona un modello
Quando utilizzi la funzione ML.PREDICT
(per GoogleSQL) o la funzione ML_PREDICT_ROW
(per PostgreSQL), devi specificare la località del modello ML. Puoi utilizzare qualsiasi modello addestrato. Se selezioni un modello in esecuzione in Vertex AI Model Garden o un modello di cui è stato eseguito il deployment sul tuo endpoint Vertex AI, devi fornire i valori input
e output
per questi modelli.
Per scoprire di più sull'integrazione di Spanner Vertex AI, consulta Come funziona l'integrazione di Spanner Vertex AI?.
elabora le previsioni
Puoi utilizzare l'emulatore per generare previsioni utilizzando le funzioni di previsione di Spanner.
Comportamento predefinito
Per generare previsioni, puoi utilizzare qualsiasi modello di cui è stato eseguito il deployment in un endpoint con l'emulatore Spanner. L'esempio seguente utilizza un modello chiamato
FraudDetection
per generare un risultato.
GoogleSQL
Per saperne di più su come utilizzare la funzione ML.PREDICT
per generare previsioni, consulta Generare previsioni ML utilizzando SQL.
Registra il modello
Prima di poter utilizzare un modello con la funzione ML.PREDICT, devi registrare il modello utilizzando l'istruzione CREATE MODEL e fornire i valori input
e output
:
CREATE MODEL FraudDetection
INPUT (Amount INT64, Name STRING(MAX))
OUTPUT (Outcome BOOL)
REMOTE OPTIONS (
endpoint = '//aiplatform.googleapis.com/projects/PROJECT_ID/locations/REGION_ID/endpoints/ENDPOINT_ID'
);
Sostituisci quanto segue:
PROJECT_ID
: l'ID del progetto Google Cloud in cui si trova il modelloREGION_ID
: l'ID della regione Google Cloud in cui si trova il modello, ad esempious-central1
ENDPOINT_ID
: l'ID dell'endpoint del modello
Esegui la previsione
Utilizza la funzione GoogleSQL ML.PREDICT
per generare la previsione.
SELECT Outcome
FROM ML.PREDICT(
MODEL FraudDetection,
(SELECT 1000 AS Amount, "John Smith" AS Name))
L'output previsto di questa query è TRUE
.
PostgreSQL
Per saperne di più su come utilizzare la funzione spanner.ML_PREDICT_ROW
per generare previsioni, consulta Generare previsioni ML utilizzando SQL.
Esegui la previsione
Usa la funzione PostgreSQL spanner.ML_PREDICT_ROW
per generare
la previsione.
SELECT (spanner.ml_predict_row(
'projects/`MODEL_ID`/locations/`REGION_ID`/endpoints/`ENDPOINT_ID`',
'{"instances": [{"Amount": "1000", "Name": "John Smith"}]}'
)->'predictions'->0->'Outcome')::boolean
Sostituisci quanto segue:
PROJECT_ID
: l'ID del progetto Google Cloud in cui si trova il modelloREGION_ID
: l'ID della regione Google Cloud in cui si trova il modello, ad esempious-central1
ENDPOINT_ID
: l'ID dell'endpoint del modello
L'output previsto di questa query è TRUE
.
Callback personalizzato
Puoi utilizzare una funzione di callback personalizzata per implementare i comportamenti del modello selezionato e trasformare gli input del modello specifico in output. L'esempio
seguente utilizza il modello gemini-pro
di Vertex AI Model Garden
e l'emulatore Spanner per generare previsioni utilizzando un callback personalizzato.
Quando utilizzi un callback personalizzato per un modello, devi creare un fork per il repository dell'emulatore Spanner, quindi crearlo ed eseguirne il deployment. Per saperne di più su come creare ed eseguire il deployment dell'emulatore Spanner, consulta la guida rapida dell'emulatore Spanner.
GoogleSQL
Registra il modello
Prima di poter utilizzare un modello con la funzione ML.PREDICT, devi registrare il modello utilizzando l'istruzione CREATE MODEL:
CREATE MODEL GeminiPro
INPUT (prompt STRING(MAX))
OUTPUT (content STRING(MAX))
REMOTE OPTIONS (
endpoint = '//aiplatform.googleapis.com/projects/PROJECT_ID/locations/REGION_ID/publishers/google/models/gemini-pro',
default_batch_size = 1
);
Poiché l'emulatore non si connette a Vertex AI,
devi fornire i valori input
e output
.
Sostituisci quanto segue:
PROJECT_ID
: l'ID del progetto Google Cloud in cui si trova il modelloREGION_ID
: l'ID della regione Google Cloud in cui si trova il modello, ad esempious-central1
Richiama
Utilizza un callback per aggiungere logica personalizzata al modello GeminiPro
.
absl::Status ModelEvaluator::Predict(
const googlesql::Model* model,
const CaseInsensitiveStringMap<const ModelColumn>& model_inputs,
CaseInsensitiveStringMap<ModelColumn>& model_outputs) {
// Custom logic for GeminiPro.
if (model->Name() == "GeminiPro") {
RET_CHECK(model_inputs.contains("prompt"));
RET_CHECK(model_inputs.find("prompt")->second.value->type()->IsString());
RET_CHECK(model_outputs.contains("content"));
std::string content;
// Process prompts used in tests.
int64_t number;
static LazyRE2 is_prime_prompt = {R"(Is (\d+) a prime number\?)"};
if (RE2::FullMatch(
model_inputs.find("prompt")->second.value->string_value(),
*is_prime_prompt, &number)) {
content = IsPrime(number) ? "Yes" : "No";
} else {
// Default response.
content = "Sorry, I don't understand";
}
*model_outputs["content"].value = googlesql::values::String(content);
return absl::OkStatus();
}
// Custom model prediction logic can be added here.
return DefaultPredict(model, model_inputs, model_outputs);
}
Esegui la previsione
Utilizza la funzione GoogleSQL ML.PREDICT
per generare la previsione.
SELECT content
FROM ML.PREDICT(MODEL GeminiPro, (SELECT "Is 7 a prime number?" AS prompt))
L'output previsto di questa query è "YES"
.
PostgreSQL
Usa la funzione PostgreSQL spanner.ML_PREDICT_ROW
per generare
la previsione.
Richiama
Utilizza un callback per aggiungere logica personalizzata al modello GeminiPro
.
absl::Status ModelEvaluator::PgPredict(
absl::string_view endpoint, const googlesql::JSONValueConstRef& instance,
const googlesql::JSONValueConstRef& parameters,
lesql::JSONValueRef prediction) {
if (endpoint.ends_with("publishers/google/models/gemini-pro")) {
RET_CHECK(instance.IsObject());
RET_CHECK(instance.HasMember("prompt"));
std::string content;
// Process prompts used in tests.
int64_t number;
static LazyRE2 is_prime_prompt = {R"(Is (\d+) a prime number\?)"};
if (RE2::FullMatch(instance.GetMember("prompt").GetString(),
*is_prime_prompt, &number)) {
content = IsPrime(number) ? "Yes" : "No";
} else {
// Default response.
content = "Sorry, I don't understand";
}
prediction.SetToEmptyObject();
prediction.GetMember("content").SetString(content);
return absl::OkStatus();
}
// Custom model prediction logic can be added here.
return DefaultPgPredict(endpoint, instance, parameters, prediction);
}
Esegui la previsione
SELECT (spanner.ml_predict_row(
'projects/`PROJECT_ID`/locations/`REGION_ID`/publishers/google/models/gemini-pro',
'{"instances": [{"prompt": "Is 7 a prime number?"}]}'
)->'predictions'->0->'content')::text
Sostituisci quanto segue:
PROJECT_ID
: l'ID del progetto Google Cloud in cui si trova il modelloREGION_ID
: l'ID della regione Google Cloud in cui si trova il modello, ad esempious-central1
L'output previsto di questa query è "YES"
.