Plantilla de búsqueda vectorial de Bigtable a Vertex AI

La plantilla para Bigtable a archivos de búsqueda vectorial de Vertex AI en Cloud Storage crea una canalización por lotes que lee datos de una tabla de Bigtable y los escribe en un bucket de Cloud Storage en formato JSON. Usa esta plantilla para las incorporaciones vectoriales.

Requisitos de la canalización

  • La tabla de Bigtable debe existir.
  • El resultado del bucket de Cloud Storage de salida debe existir antes de ejecutar la canalización.

Parámetros de la plantilla

Parámetro Descripción
bigtableProjectId El ID del proyecto de Google Cloud, el cual contiene la instancia de Bigtable de la que deseas leer datos.
bigtableInstanceId El ID de la instancia de Bigtable que contiene la tabla.
bigtableTableId El ID de la tabla de Bigtable para leer.
filenamePrefix El prefijo del nombre del archivo JSON. Por ejemplo: table1-. Si no se proporciona ningún valor, el valor predeterminado es part.
idColumn El nombre de la columna completamente calificado en la que se almacena el ID. En el formato cf:col o _key.
embeddingColumn El nombre de la columna completamente calificado en el que se almacenan las incorporaciones. En el formato cf:col o _key.
outputDirectory Opcional: La ruta de acceso de Cloud Storage en la que se almacenan los archivos JSON de salida. Por ejemplo: gs://your-bucket/your-path/.
crowdingTagColumn Opcional: el nombre de la columna completamente calificado en el que se almacena la etiqueta de agrupamiento. En el formato cf:col o _key.
embeddingByteSize Opcional: el tamaño en bytes de cada entrada en el array de incorporaciones. Para el número de punto flotante, usa el valor 4. Para el doble, usa el valor 8. La configuración predeterminada es: 4.
allowRestrictsMappings Opcional: los nombres de columna separados por comas y completamente calificados para las columnas que se usarán como restricciones allow, con sus alias. En el formato cf:col->alias.
denyRestrictsMappings Opcional: los nombres de columna separados por comas y completamente calificados para las columnas que se usarán como restricciones deny, con sus alias. En el formato cf:col->alias.
intNumericRestrictsMappings Opcional: los nombres de columna separados por comas y completamente calificados de las columnas que se usarán como número entero numeric_restricts, con sus alias. En el formato cf:col->alias.
floatNumericRestrictsMappings Opcional: los nombres de columna separados por comas y completamente calificados de las columnas que se usarán como un número de punto flotante (4 bytes) numeric_restricts, con sus alias. En el formato cf:col->alias.
doubleNumericRestrictsMappings Opcional: los nombres de columna separados por comas y completamente calificados de las columnas que se usarán como dobles (8 bytes) numeric_restricts, con sus alias. En el formato cf:col->alias.

Ejecuta la plantilla

Consola

  1. Ve a la página Crear un trabajo a partir de una plantilla de Dataflow.
  2. Ir a Crear un trabajo a partir de una plantilla
  3. En el campo Nombre del trabajo, ingresa un nombre de trabajo único.
  4. Opcional: Para Extremo regional, selecciona un valor del menú desplegable. La región predeterminada es us-central1.

    Para obtener una lista de regiones en las que puedes ejecutar un trabajo de Dataflow, consulta Ubicaciones de Dataflow.

  5. En el menú desplegable Plantilla de Dataflow, selecciona the Cloud Bigtable to Vector Embeddings template.
  6. En los campos de parámetros proporcionados, ingresa los valores de tus parámetros.
  7. Haz clic en Ejecutar trabajo.

CLI de gcloud

En tu shell o terminal, ejecuta la plantilla:

gcloud dataflow jobs run JOB_NAME \
    --gcs-location=gs://dataflow-templates-REGION_NAME/VERSION/Cloud_Bigtable_to_Vector_Embeddings \
    --project=PROJECT_ID \
    --region=REGION_NAME \
    --parameters \
       bigtableProjectId=BIGTABLE_PROJECT_ID,\
       bigtableInstanceId=BIGTABLE_INSTANCE_ID,\
       bigtableTableId=BIGTABLE_TABLE_ID,\
       filenamePrefix=FILENAME_PREFIX,\
       idColumn=ID_COLUMN,\
       embeddingColumn=EMBEDDING_COLUMN,\

Reemplaza lo siguiente:

  • JOB_NAME: Es el nombre del trabajo que elijas
  • VERSION: Es la versión de la plantilla que deseas usar.

    Puedes usar los siguientes valores:

    • latest para usar la última versión de la plantilla, que está disponible en la carpeta superior non-dated en el bucket gs://dataflow-templates-REGION_NAME/latest/
    • el nombre de la versión, como 2023-09-12-00_RC00, para usar una versión específica de la plantilla, que se puede encontrar anidada en la carpeta superior con fecha correspondiente en el bucket gs://dataflow-templates-REGION_NAME/
  • REGION_NAME: La región en la que deseas implementar tu trabajo de Dataflow, por ejemplo, us-central1
  • BIGTABLE_PROJECT_ID: el ID del proyecto
  • BIGTABLE_INSTANCE_ID: El ID de la instancia
  • BIGTABLE_TABLE_ID: el ID de la tabla
  • FILENAME_PREFIX: El prefijo del archivo JSON
  • ID_COLUMN: la columna de ID
  • EMBEDDING_COLUMN: la columna de incorporaciones

API

Para ejecutar la plantilla con la API de REST, envía una solicitud HTTP POST. Para obtener más información de la API y sus permisos de autorización, consulta projects.templates.launch.

POST https://dataflow.googleapis.com/v1b3/projects/PROJECT_ID/locations/LOCATION/templates:launch?gcsPath=gs://dataflow-templates-LOCATION/VERSION/Cloud_Bigtable_to_Vector_Embeddings
{
   "jobName": "JOB_NAME",
   "parameters": {
     "bigtableProjectId": "BIGTABLE_PROJECT_ID",
     "bigtableInstanceId": "BIGTABLE_INSTANCE_ID",
     "bigtableTableId": "BIGTABLE_TABLE_ID",
     "filenamePrefix": "FILENAME_PREFIX",
     "idColumn": "ID_COLUMN",
     "embeddingColumn": "EMBEDDING_COLUMN",
   },
   "environment": { "maxWorkers": "10" }
}

Reemplaza lo siguiente:

  • PROJECT_ID: El ID del proyecto de Google Cloud en el que deseas ejecutar el trabajo de Dataflow.
  • JOB_NAME: Es el nombre del trabajo que elijas
  • VERSION: Es la versión de la plantilla que deseas usar.

    Puedes usar los siguientes valores:

    • latest para usar la última versión de la plantilla, que está disponible en la carpeta superior non-dated en el bucket gs://dataflow-templates-REGION_NAME/latest/
    • el nombre de la versión, como 2023-09-12-00_RC00, para usar una versión específica de la plantilla, que se puede encontrar anidada en la carpeta superior con fecha correspondiente en el bucket gs://dataflow-templates-REGION_NAME/
  • LOCATION: La región en la que deseas implementar tu trabajo de Dataflow, por ejemplo, us-central1
  • BIGTABLE_PROJECT_ID: el ID del proyecto
  • BIGTABLE_INSTANCE_ID: El ID de la instancia
  • BIGTABLE_TABLE_ID: el ID de la tabla
  • FILENAME_PREFIX: El prefijo del archivo JSON
  • ID_COLUMN: la columna de ID
  • EMBEDDING_COLUMN: la columna de incorporaciones

¿Qué sigue?