Questo documento spiega come generare e eseguire il backfill di incorporamenti vettoriali in blocco
per i dati testuali (STRING
o JSON
) memorizzati in
Spanner utilizzando SQL e Vertex AI textembedding-gecko
un modello di machine learning.
Prerequisiti
Devi avere una tabella nel database Spanner che contenga
dati testuali (STRING
o JSON
). Per ulteriori informazioni sull'importazione dei dati,
consulta la panoramica dell'importazione e dell'esportazione di Spanner.
Caso d'uso di esempio
Supponi di avere una tabella in Spanner con il seguente schema. Questa tabella contiene milioni di record.
GoogleSQL
CREATE TABLE Products (
product_id INT64 NOT NULL,
name STRING(MAX),
description STRING(MAX)
) PRIMARY KEY(product_id);
PostgreSQL
CREATE TABLE Products (
product_id INT8 NOT NULL,
name TEXT,
description TEXT,
PRIMARY KEY(product_id)
);
Il tuo obiettivo è generare incorporamenti vettoriali per la colonna description
in questa
per trovare articoli simili da consigliare ai clienti per migliorare i loro acquisti
con la ricerca vettoriale.
Registra un modello di incorporamento
GoogleSQL
Registra un modello di incorporamento con Vertex AI
Endpoint textembedding-gecko
nel tuo database Spanner:
CREATE MODEL MODEL_NAME
INPUT(
content STRING(MAX)
)
OUTPUT(
embeddings STRUCT<values ARRAY<FLOAT32>>
)
REMOTE OPTIONS(
endpoint = '//aiplatform.googleapis.com/projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION',
default_batch_size = 5
)
Sostituisci quanto segue:
MODEL_NAME
: il nome del modello di incorporamentoPROJECT
: il progetto che ospita l'endpoint Vertex AILOCATION
: la posizione dell'endpoint Vertex AIMODEL_VERSION
: la versione del modello di incorporamentotextembedding-gecko
PostgreSQL
Nel dialetto PostgreSQL, non è necessario registrare il modello.
Devi passare il nome dell'endpoint direttamente alla chiamata di funzione spanner.ML_PREDICT_ROW
.
Per le best practice, considera quanto segue:
- Per mantenere l'isolamento delle quote, utilizza un endpoint in un progetto diverso generare ed eseguire il backfill degli incorporamenti rispetto all'endpoint di produzione. Prenota di produzione per gestire il traffico di produzione.
- Assicurati che l'endpoint del modello supporti il valore di
default_batch_size
. Puoi eseguire l'override didefault_batch_size
con il suggerimento per la query@{remote_udf_max_rows_per_rpc=NEW_NUMBER}
. Per informazioni sui Limite didefault_batch_size
per ogni regione; consulta Ottieni incorporamenti di testo per uno snippet di testo. - Definisci l'endpoint con una versione specifica del modello (ad es.
@003
) anziché@latest
. Questo perché i vettori di incorporamento generati per la stessa porzione di testo potrebbe variare a seconda della versione del modello utilizzato; quale è per questo che vuoi evitare di utilizzare versioni del modello diverse per generare incorporamenti. nello stesso set di dati. Inoltre, l'aggiornamento della versione nel modello l'istruzione di definizione non aggiorna gli incorporamenti già generati con questo modello. Un modo per gestire la versione del modello per gli incorporamenti è crea una colonna aggiuntiva nella tabella in cui è archiviata la versione del modello. - I modelli
textembedding-gecko
ottimizzati personalizzati non sono supportati con GoogleSQLML.PREDICT
e PostgreSQLspanner.ML_PREDICT_ROW
.
Testa l'integrazione end-to-end del modello degli incorporamenti
Puoi eseguire una query per verificare che il modello di incorporamento sia configurato correttamente, e gli incorporamenti. Ad esempio, esegui questa query:
GoogleSQL
SELECT embeddings.values
FROM SAFE.ML.PREDICT(
MODEL MODEL_NAME,
(SELECT description AS content FROM products LIMIT 10)
);
Sostituisci quanto segue:
MODEL_NAME
: il nome del modello di incorporamento
PostgreSQL
SELECT 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))))
FROM Products
LIMIT 10;
Sostituisci quanto segue:
PROJECT
: il progetto che ospita l'endpoint Vertex AILOCATION
: la posizione dell'endpoint Vertex AIMODEL_VERSION
: la versione del modello di incorporamentotextembedding-gecko
Aggiorna la tabella di origine in modo da includere colonne aggiuntive in cui archiviare gli incorporamenti
Quindi, aggiorna lo schema della tabella di origine in modo da includere una colonna aggiuntiva dell'attributo
tipo di dati ARRAY<FLOAT32>
per archiviare gli incorporamenti generati:
GoogleSQL
ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME ARRAY<FLOAT32>;
Sostituisci quanto segue:
TABLE_NAME
: il nome della tabella di origineEMBEDDING_COLUMN_NAME
: il nome della colonna in cui vuoi aggiungere gli incorporamenti generati
PostgreSQL
ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME real[];
Sostituisci quanto segue:
TABLE_NAME
: il nome della tabella di origineEMBEDDING_COLUMN_NAME
: il nome della colonna in cui vuoi aggiungere gli incorporamenti generati
Ad esempio, utilizzando l'esempio di tabella products
, esegui:
GoogleSQL
ALTER TABLE Products
ADD COLUMN desc_embed ARRAY<FLOAT32>;
PostgreSQL
ALTER TABLE Products
ADD COLUMN desc_embed real[];
Puoi aggiungere un'altra colonna per gestire la versione del modello di incorporamento.
GoogleSQL
ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT64;
PostgreSQL
ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT8;
Aumenta la quota per Vertex AI
Potresti dover aumentare la quota dell'API Vertex AI per
textembedding-gecko
nella regione che utilizza il modello. A
Per richiedere un aumento, consulta la sezione Aumenti delle quote di Vertex AI.
Per ulteriori informazioni, consulta Quote e limiti di Vertex AI.
Incorporamenti di backfill
Infine, esegui la seguente istruzione UPDATE
utilizzando un file DML partizionato
generare incorporamenti per la colonna di dati testuali e archiviare gli incorporamenti
nel tuo database. Puoi archiviare la versione del modello insieme agli incorporamenti. Me
consigliamo di eseguire questa query durante una finestra di traffico ridotto nel tuo
per configurare un database.
GoogleSQL
UPDATE TABLE_NAME
SET
TABLE_NAME.EMBEDDING_COLUMN_NAME = (
SELECT embeddings.values
FROM SAFE.ML.PREDICT(
MODEL MODEL_NAME,
(SELECT TABLE_NAME.DATA_COLUMN_NAME AS content)
) @{remote_udf_max_rows_per_rpc=MAX_ROWS}
),
TABLE_NAME.EMBEDDING_VERSION_COLUMN = MODEL_VERSION
WHERE FILTER_CONDITION;
Sostituisci quanto segue:
TABLE_NAME
: il nome della tabella con i dati testualiEMBEDDING_COLUMN_NAME
: il nome della colonna in cui vuoi aggiungere gli incorporamenti generatiDATA_COLUMN_NAME
: il nome della colonna con i dati testualiMODEL_NAME
: il nome del modello di incorporamentoMAX_ROWS
: il numero massimo di righe per RPCEMBEDDING_VERSION_COLUMN
: la colonna che gestisce la versione del modello di incorporamentotextembedding-gecko
utilizzata per il backfill degli incorporamentiMODEL_VERSION
: la versione del modello di incorporamentotextembedding-gecko
FILTER_CONDITION
: una condizione di filtro partizionabile che vuoi applicare
L'utilizzo di SAFE.ML.PREDICT
restituisce NULL
per le richieste non riuscite. Puoi anche utilizzare
SAFE.ML.PREDICT
in combinazione con WHERE embedding_column IS NULL
per eseguire nuovamente la query senza calcolare gli incorporamenti per i campi.
già calcolati.
PostgreSQL
UPDATE TABLE_NAME
SET
EMBEDDING_COLUMN_NAME = 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', DATA_COLUMN_NAME)))
) /*@ remote_udf_max_rows_per_rpc=MAX_ROWS */ ->'predictions'->0->'embeddings'->'values'),
EMBEDDING_VERSION_COLUMN = MODEL_VERSION
WHERE FILTER_CONDITION;
Sostituisci quanto segue:
TABLE_NAME
: il nome della tabella con i dati testualiEMBEDDING_COLUMN_NAME
: il nome della colonna in cui vuoi aggiungere gli incorporamenti generatiDATA_COLUMN_NAME
: il nome della colonna con i dati testualiPROJECT
: il progetto che ospita l'endpoint Vertex AILOCATION
: la posizione dell'endpoint Vertex AIMODEL_VERSION
: la versione del modello di incorporamentotextembedding-gecko
MAX_ROWS
: il numero massimo di righe per RPCEMBEDDING_VERSION_COLUMN
: la colonna che gestisce la versione del modello di incorporamentotextembedding-gecko
utilizzata per il backfill degli incorporamentiFILTER_CONDITION
: una condizione di filtro partizionabile che vuoi applicare
Esempio di query di backfill per la tabella products
:
GoogleSQL
UPDATE products
SET
products.desc_embed = (
SELECT embeddings.values
FROM SAFE.ML.PREDICT(
MODEL gecko_model,
(SELECT products.description AS content)
) @{remote_udf_max_rows_per_rpc=200}
),
products.desc_embed_model_version = 3
WHERE products.desc_embed IS NULL;
PostgreSQL
UPDATE products
SET
desc_embed = spanner.FLOAT32_ARRAY(spanner.ML_PREDICT_ROW(
'projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko@003',
JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', description)))
) /*@ remote_udf_max_rows_per_rpc=200 */ ->'predictions'->0->'embeddings'->'values'),
desc_embed_model_version = 3
WHERE desc_embed IS NULL;
Per le best practice, considera quanto segue:
- Il timeout gRPC predefinito per l'API Spanner è di un'ora.
A seconda della quantità di incorporamenti di cui esegui il backfill, potresti dover
aumenta questo timeout per assicurarti che il DML partizionato
UPDATE
abbia per il completamento. Per ulteriori informazioni, vedi Configura timeout e nuovi tentativi personalizzati.
Rendimento e altre considerazioni
Considera quanto segue per ottimizzare il rendimento durante il backfill dell'incorporamento e i dati di Google Cloud.
Numero di nodi
Il DML partizionato esegue l'istruzione DML specificata su partizioni diverse
parallelo. Per istanze con un numero elevato di nodi, potresti osservare la quota
durante l'esecuzione di una DML partizionata. Se Vertex AI
Le richieste API sono limitate a causa dei limiti di quota dell'API Vertex AI,
Spanner ritenta questi errori nel
modalità di transazione DML partizionata
per un massimo di 20 volte. Se noti un tasso elevato di errori di quota in
Vertex AI e aumenta la quota per Vertex AI.
Puoi anche ottimizzare il parallelismo utilizzando il suggerimento a livello di dichiarazione
@{pdml_max_parallelism=DESIRED_NUMBER}
mentre utilizzi Google SQL. Le seguenti
esempio imposta il parallelismo su "5":
GoogleSQL
@{pdml_max_parallelism=5} UPDATE products
SET products.desc_embed =(
SELECT embeddings.values
FROM SAFE.ML.PREDICT(MODEL gecko_model, (
SELECT products.value AS CONTENT
)
)
@{remote_udf_max_rows_per_rpc=200}
),
products.desc_embed_model_version = 003
WHERE products.desc_embed IS NULL;
Dimensione del testo nella colonna di dati
Il modello di incorporamento di Vertex AI prevede dei limiti al numero massimo di
token per ogni input di testo. Versioni diverse del modello hanno token diversi
limiti. Ogni richiesta di Vertex AI può avere più testo di input
ma esiste un limite al numero massimo di token presenti
in un'unica richiesta. Per i database GoogleSQL, se rilevi un
INVALID_ARGUMENT
errore con la dicitura "La richiesta è troppo grande" prova a ridurre
la dimensione del batch per evitare l'errore. Per farlo, puoi configurare default_batch_size
oppure utilizza il suggerimento per query @{remote_udf_max_outstanding_rpcs}
quando registri il modello.
Numero di richieste API inviate a Vertex AI
Puoi utilizzare il suggerimento per le query @{remote_udf_max_outstanding_rpcs}
per aumentare
di ridurre il numero di richieste inviate a Vertex AI
Spanner. Tieni presente che l'aumento di questo limite può aumentare
e utilizzo della memoria dell'istanza Spanner. Per GoogleSQL
l'utilizzo di questo suggerimento per query sostituisce il valore default_batch_size
configurato
per il modello.
Monitora l'avanzamento del backfill
Puoi monitorare il numero di richieste, la latenza e i byte di rete inviati Vertex AI da Spanner utilizzando dashboard degli insight sul sistema.
Passaggi successivi
- Scopri come eseguire una ricerca vettoriale di somiglianza individuando il simbolo K più vicino vicini.
- Scopri di più sul machine learning e sugli incorporamenti nel nostro corso sugli arresti anomali degli incorporamenti.