Contoh alur kerja penyematan

Halaman ini memberikan contoh alur kerja yang menunjukkan cara kerja fungsi embedding() bersama dengan data yang disimpan dalam tabel dan fitur pgvector. Contoh ini menggunakan input teks biasa untuk mengambil hasil dari database yang mengandalkan penguraian semantik yang didorong oleh model bahasa besar (LLM) dari makna teks.

Contoh skenario

Bayangkan database yang berjalan di AlloyDB dengan aspek berikut:

  • Database berisi tabel, items. Setiap baris dalam tabel ini menjelaskan item yang dijual oleh bisnis Anda.

  • Tabel items berisi kolom, complaints. Kolom TEXT ini menyimpan keluhan pembeli yang dicatat tentang setiap item.

  • Database ini terintegrasi dengan Model Garden Vertex AI, sehingga memberinya akses ke model bahasa Inggris text-embedding.

Meskipun database ini menyimpan keluhan tentang item, keluhan ini disimpan sebagai teks biasa, sehingga sulit untuk dikueri. Misalnya, jika ingin melihat item mana yang paling banyak menerima keluhan dari pelanggan yang menerima merchandise dengan warna yang salah, Anda dapat menjalankan kueri SQL biasa pada tabel, mencari berbagai kecocokan kata kunci. Namun, pendekatan ini hanya mencocokkan baris yang berisi kata kunci persis tersebut.

Misalnya, kueri SQL dasar seperti SELECT * FROM item WHERE complaints LIKE "%wrong color%" tidak menampilkan baris yang kolom complaints-nya hanya berisi The picture shows a blue one, but the one I received was red.

Kueri SQL yang menggunakan penyematan yang didukung LLM dapat membantu menjembatani kesenjangan ini. Dengan menerapkan penyematan, Anda dapat membuat kueri tabel dalam contoh ini untuk item yang keluhannya memiliki kesamaan semantik dengan perintah teks tertentu, seperti "Warnanya salah".

Langkah-langkah berikut menunjukkan cara mengaktifkannya dalam contoh penyiapan yang dijelaskan sebelumnya.

Sebelum memulai

Pastikan Anda memenuhi persyaratan berikut:

Ekstensi database yang diperlukan

  • Pastikan ekstensi berikut telah diinstal di database AlloyDB Anda.

    • google_ml_integration ekstensi

    • Ekstensi vector, versi 0.5.0.google-1 atau yang lebih baru

Untuk informasi selengkapnya tentang cara menginstal dan mengelola ekstensi, lihat Mengonfigurasi ekstensi database.

  • Tetapkan flag database google_ml_integration.enable_model_support ke off.

Menyiapkan akses model

Sebelum dapat membuat penyematan dari database AlloyDB, Anda harus mengonfigurasi AlloyDB agar berfungsi dengan model penyematan teks.

Untuk menggunakan model text-embedding-005 berbasis cloud, Anda perlu mengintegrasikan database dengan Vertex AI.

Menyiapkan tabel

Sebelum menjalankan kueri berbasis LLM pada konten tabel items, Anda harus menyiapkan tabel untuk menyimpan dan mengindeks penyematan berdasarkan data yang ada.

Membuat kolom untuk menyimpan penyematan

Tambahkan kolom ke tabel untuk menyimpan penyematan.

ALTER TABLE items ADD COLUMN complaint_embedding vector(768);

Contoh ini menentukan 768 sebagai argumen, karena itu adalah jumlah dimensi yang didukung oleh model bahasa Inggris text-embedding-005. Untuk mengetahui informasi selengkapnya, lihat Membuat penyematan.

Contoh ini menerapkan jenis data vector ke kolom untuk memudahkan penggunaan fungsi dan operator pgvector dengan nilainya.

Isi kolom baru

Jika Anda sudah memiliki penyematan dalam format CSV, ikuti langkah-langkah di Menyimpan penyematan vektor untuk menyimpan penyematan.

Secara opsional, gunakan fungsi embedding() untuk mengisi kolom baru ini dengan penyematan jika Anda memiliki teks yang disimpan di kolomcomplaints. Dalam contoh penyiapan ini, AlloyDB membuat penyematan menggunakan model text-embedding, versi 005.

UPDATE items SET complaint_embedding = embedding('text-embedding-005', complaints);

Contoh ini secara implisit mentransmisikan nilai return real[] dari embedding() menjadi nilai vector, untuk menyimpan nilai ke dalam kolom vector yang dibuat sebelumnya.

Membuat indeks

Untuk meningkatkan performa, tambahkan indeks ke items yang menggunakan teknik kuantisasi skalar.

CREATE INDEX complaint_embed_idx ON items
  USING scann (complaint_embedding l2)
  WITH (num_leaves=20);

Untuk informasi selengkapnya tentang cara membuat indeks ScaNN, lihat Membuat indeks dan vektor kueri.

Menjalankan kueri yang didukung LLM dengan teks yang disediakan

Anda kini dapat membuat kueri tetangga terdekat semantik di tabel items. Kueri berikut menggunakan operator <-> yang disediakan oleh pgvector untuk mengurutkan baris tabel berdasarkan kedekatan semantik dengan teks It was the wrong color dan menampilkan sepuluh keluhan teratas. Kueri menampilkan nilai id dan name dari baris pertama yang diurutkan.

SELECT id, name FROM items
  ORDER BY complaint_embedding::vector
  <-> embedding('text-embedding-005', 'It was the wrong color') LIMIT 10;

Langkah selanjutnya