L'estensione google_ml_integration
include funzioni di incorporamento in due spazi dei nomi diversi: public
e google_ml
. Questa pagina descrive come generare incorporamenti di testo utilizzando le funzioni di questi spazi dei nomi.
La funzione embedding()
nello schema public
può essere utilizzata con qualsiasi modello di incorporamento Vertex AI senza registrare l'endpoint. Se vuoi trasmettere informazioni personalizzate come il tipo di attività, registra l'endpoint e poi utilizza la funzione google_ml.embedding()
nello schema google_ml
. Per ulteriori informazioni sulla registrazione di un endpoint, vedi Registrare un modello.
Come funzionano gli incorporamenti
Immagina un database in esecuzione su AlloyDB con le seguenti caratteristiche:
Il database contiene una tabella,
items
. Ogni riga di questa tabella descrive un articolo venduto dalla tua attività.La tabella
items
contiene una colonna,complaints
. Questa colonnaTEXT
memorizza i reclami degli acquirenti registrati per ogni articolo.Il database si integra con Model Garden di Vertex AI, consentendogli di accedere ai modelli in inglese.
gemini-embedding-001
Anche se questo database memorizza i reclami relativi agli articoli, questi vengono memorizzati come testo normale, il che rende difficile eseguire query. Ad esempio, per vedere quali articoli hanno ricevuto il maggior numero di reclami da parte di clienti che hanno ricevuto un colore errato della merce, puoi eseguire query SQL ordinarie sulla tabella, che cercano varie corrispondenze di parole chiave. Tuttavia, questo approccio corrisponde solo alle righe che contengono queste parole chiave esatte.
Ad esempio, una query SQL di base come SELECT * FROM item WHERE complaints LIKE
"%wrong color%"
non restituisce una riga il cui campo complaints
contiene solo
The picture shows a blue one, but the one I received was red
.
Le query SQL che utilizzano incorporamenti basati su LLM possono contribuire a restituire risposte semanticamente simili per queste query. Applicando gli incorporamenti, puoi eseguire query sulla tabella in questo esempio per gli elementi i cui reclami hanno una somiglianza semantica con un prompt di testo specifico, ad esempio It was the
wrong color
.
Per generare gli embedding, seleziona uno dei seguenti schemi.
Passaggi successivi
- Esegui ricerche sulla similarità vettoriale.
- Scopri come creare un assistente per lo shopping intelligente con AlloyDB, pgvector e la gestione degli endpoint del modello.
- Crea indici e vettori di query.
- Scopri un esempio di flusso di lavoro di incorporamento.