Générer des embeddings vectoriels avec la gestion des points de terminaison du modèle

Sélectionnez une version de la documentation :

Cette page explique comment générer des embeddings à l'aide de points de terminaison de modèles enregistrés.

Avant de commencer

Assurez-vous d'avoir enregistré le point de terminaison de votre modèle dans la gestion des points de terminaison de modèle. Pour en savoir plus, consultez Enregistrer un point de terminaison de modèle avec la gestion des points de terminaison de modèle.

Générer des embeddings

Utilisez la fonction SQL google_ml.embedding() pour appeler le point de terminaison du modèle enregistré avec le type de modèle d'embedding de texte afin de générer des embeddings.

Pour appeler le modèle et générer des embeddings, utilisez la requête SQL suivante :

SELECT
  google_ml.embedding(
    model_id => 'MODEL_ID',
    content => 'CONTENT');

Remplacez les éléments suivants :

  • MODEL_ID : ID du modèle que vous avez défini lors de l'enregistrement du point de terminaison du modèle.
  • CONTENT : texte à traduire en embedding vectoriel.

Exemples

Vous trouverez dans cette section quelques exemples de génération d'embeddings à l'aide du point de terminaison du modèle enregistré.

Modèles d'embedding de texte avec prise en charge intégrée

Pour générer des embeddings pour un point de terminaison de modèle text-embedding-005 enregistré, exécutez l'instruction suivante :

    SELECT
      google_ml.embedding(
        model_id => 'text-embedding-005',
        content => 'AlloyDB is a managed, cloud-hosted SQL database service');

Pour générer des embeddings pour un point de terminaison de modèle text-embedding-ada-002 enregistré par OpenAI, exécutez l'instruction suivante :

    SELECT
      google_ml.embedding(
        model_id => 'text-embedding-ada-002',
        content => 'e-mail spam');

Pour générer des embeddings pour des points de terminaison de modèle text-embedding-3-small ou text-embedding-3-large enregistrés par OpenAI, exécutez l'instruction suivante :

  SELECT
    google_ml.embedding(
      model_id => 'text-embedding-3-small',
      content => 'Vector embeddings in AI');