Vertex AI-Texteinbettungen abrufen

Eine Texteinbettung ist eine Vektordarstellung von Textdaten. Sie werden in ähnliche Elemente zu finden. Sie interagieren jedes Mal mit ihnen, wenn Sie eine Google-Suche durchführen oder beim Online-Shopping Empfehlungen erhalten. Wenn Sie Texteinbettungen erstellen, erhalten Sie Vektordarstellungen von natürlichem Text. als Arrays von Gleitkommazahlenwerten. Das bedeutet, dass alle Ihre Eingaben wird Text eine numerische Darstellung zugewiesen. Durch den Vergleich der numerischen Entfernung zwischen den Vektordarstellungen von zwei Textelementen, kann eine Anwendung die Ähnlichkeit zwischen dem Text oder den Objekten zu bestimmen, die durch das Text.

Mit der Vertex AI Text-Embeddings API können Sie Texteinbettung mit generativer KI. Mit können Sie Texteinbettungen für die Daten generieren, Spanner und Vertex AI Einbettungsmodelle wie das Modell textembedding-gecko.

Weitere Informationen zu Einbettungen finden Sie unter Rufen Sie Texteinbettungen ab.

Ziel

In dieser Anleitung erfahren Sie mehr über die folgenden Themen:

  • Vertex AI-Modell textembedding-gecko registrieren in ein Spanner-Schema mit DDL-Anweisungen.
  • Mithilfe von SQL-Abfragen auf das registrierte Modell verweisen, um Einbettungen aus Daten, die in Spanner gespeichert sind.

Kosten

In dieser Anleitung werden kostenpflichtige Komponenten von Google Cloud verwendet, darunter:

  • Spanner
  • Vertex AI

Weitere Informationen zu den Spanner-Kosten finden Sie in der Seite Spanner-Preise.

Weitere Informationen zu den Kosten von Vertex AI finden Sie in den Seite Vertex AI – Preise.

Texteinbettungen generieren und speichern

Je nach verwendetem Modell kann das Generieren der Einbettungen einige Zeit dauern. Für leistungsempfindliche Arbeitslasten vermeiden, sollten Sie am besten Einbettungen in Lese-Schreib-Transaktionen. Generieren Sie die Einbettungen stattdessen in einer schreibgeschützte Transaktion unter Verwendung der folgenden SQL-Beispiele.

GoogleSQL

Texteinbettungsmodell in Spanner registrieren

In GoogleSQL müssen Sie ein Modell registrieren, bevor Sie es mit die Funktion ML.PREDICT. So registrieren Sie das textembedding-gecko-Modell in einem Spanner-Datenbank, ausführen Sie die folgende DDL Anweisung:

CREATE MODEL MODEL_NAME
INPUT(content STRING(MAX))
OUTPUT(
  embeddings
    STRUCT<
      statistics STRUCT<truncated BOOL, token_count FLOAT64>,
      values ARRAY<FLOAT64>>
)
REMOTE OPTIONS (
  endpoint = '//aiplatform.googleapis.com/projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION'
);

Ersetzen Sie Folgendes:

  • MODEL_NAME: der Name des Einbettungsmodells
  • PROJECT: das Projekt, das den Vertex AI-Endpunkt hostet
  • LOCATION: der Standort des Vertex AI-Endpunkts
  • MODEL_VERSION: die Version des Einbettungsmodells textembedding-gecko

Spanner gewährt die entsprechenden Berechtigungen automatisch. Wenn es nicht finden, sehen Sie sich die Endpunkt-Zugriffssteuerung für Modelle an.

Schemaerkennung und -validierung ist für Generative AI nicht verfügbar Modelle. Sie müssen die Klauseln INPUT und OUTPUT angeben, die übereinstimmen. mit dem Modellschema vergleichen. Das vollständige Schema des Gecko-Modells finden Sie unter Rufen Sie Texteinbettungen ab.

Texteinbettungen generieren

Um Einbettungen zu generieren, übergeben Sie einen Text direkt an die ML.PREDICT mit folgendem SQL-Code:

SELECT embeddings.values
FROM ML.PREDICT(
  MODEL MODEL_NAME,
  (SELECT "A product description" as content)
);

Verwenden Sie den folgenden SQL-Code, um Einbettungen für Daten zu generieren, die in einer Tabelle gespeichert sind:

SELECT id, embeddings.values
FROM ML.PREDICT(
  MODEL MODEL_NAME,
  (SELECT id, description as content FROM Products)
);

Texteinbettungen speichern

Nachdem Sie die Einbettungen in einer schreibgeschützten Transaktion generiert haben, speichern Sie sie in Spanner, damit sie mit Ihren Betriebsdaten verwaltet werden können. Bis sollten Sie eine Lese-Schreib-Transaktion verwenden.

Für Arbeitslasten, die weniger leistungsempfindlich sind, können Sie Einbettungen mit dem folgenden SQL-Code in einer Lese-Schreib-Transaktion ausführen:

CREATE TABLE Products(
  id INT64 NOT NULL,
  description STRING(MAX),
  embeddings ARRAY<FLOAT32>,
) PRIMARY KEY(id);

INSERT INTO Products (id, description, embeddings)
SELECT @Id, @Description, embeddings.values
FROM ML.PREDICT(
  MODEL MODEL_NAME,
  (SELECT @Description as content)
);

PostgreSQL

Texteinbettungen generieren

Um Einbettungen zu generieren, übergeben Sie einen Text direkt an die spanner.ML_PREDICT_ROW mit folgendem SQL-Code:

SELECT
  spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION',
    '{"instances": [{"content": "A product description"}]}'::jsonb
  ) ->'predictions'->0->'embeddings'->'values';

Ersetzen Sie Folgendes:

  • PROJECT: das Projekt, das den Vertex AI-Endpunkt hostet
  • LOCATION: der Standort des Vertex AI-Endpunkts
  • MODEL_VERSION: die Version des Einbettungsmodells textembedding-gecko

Verwenden Sie den folgenden SQL-Code, um Einbettungen für Daten zu generieren, die in einer Tabelle gespeichert sind:

SELECT id, spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION',
    JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', description))))
  ) -> `predictions`->0->`embeddings`->`values``
FROM Products;

Ersetzen Sie Folgendes:

  • PROJECT: das Projekt, das den Vertex AI-Endpunkt hostet
  • LOCATION: der Standort des Vertex AI-Endpunkts
  • MODEL_VERSION: die Version des Einbettungsmodells textembedding-gecko

Texteinbettungen speichern

Nachdem Sie die Einbettungen in einer schreibgeschützten Transaktion generiert haben, speichern Sie sie in Spanner, damit sie mit Ihren Betriebsdaten verwaltet werden können. Bis sollten Sie eine Lese-Schreib-Transaktion verwenden.

Für Arbeitslasten, die weniger leistungsempfindlich sind, können Sie Einbettungen mit dem folgenden SQL-Code in einer Lese-Schreib-Transaktion ausführen:

CREATE TABLE Products (
  id INT8 NOT NULL,
  description TEXT,
  embeddings REAL[],
  PRIMARY KEY(id)
);

INSERT INTO Products (id, description, embeddings)
SELECT @Id, @Description, spanner.FLOAT32_ARRAY(spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION',
    JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', @Description)))
  ) -> 'predictions'->0->'embeddings'->'values'
));

Ersetzen Sie Folgendes:

  • PROJECT: das Projekt, das den Vertex AI-Endpunkt hostet
  • LOCATION: der Standort des Vertex AI-Endpunkts
  • MODEL_VERSION: die Version des Einbettungsmodells textembedding-gecko

Texteinbettungen aktualisieren

Wenn Sie Ihre Einbettungen aktualisieren oder Daten in Echtzeit aufnehmen möchten, verwenden Sie die UPDATE (GoogleSQL und PostgreSQL) .

Verwenden Sie den folgenden SQL-Code, um die Tabelle Products im vorherigen Beispiel zu aktualisieren:

GoogleSQL 

UPDATE Products
SET
  description = @description,
  embeddings = (SELECT embeddings.values
                  FROM ML.PREDICT(MODEL MODEL_NAME, (SELECT @description as content))
              )
WHERE id = @id;

Ersetzen Sie Folgendes:

  • MODEL_NAME: der Name des Einbettungsmodells

PostgreSQL 

UPDATE
  Products
SET
  description = $1,
  embeddings = spanner.FLOAT32_ARRAY(
    spanner.ML_PREDICT_ROW(
      'projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION',
      JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', $1)))
    ) -> 'predictions'->0->'embeddings'->'values')
WHERE
  id = $2;

Ersetzen Sie Folgendes:

  • PROJECT: das Projekt, das den Vertex AI-Endpunkt hostet
  • LOCATION: der Standort des Vertex AI-Endpunkts
  • MODEL_VERSION: die Version des Einbettungsmodells textembedding-gecko

Nächste Schritte