Se usó la API de Cloud Translation para traducir esta página.

Genera incorporaciones de vectores para datos textuales de forma masiva con DML particionado

En este documento, se explica cómo generar y reabastecer incorporaciones de vectores de forma masiva para datos textuales (STRING o JSON) que se almacenan en Spanner con SQL y Vertex AI textembedding-gecko model.

Requisitos previos

Debes tener una tabla en tu base de datos de Spanner que contenga datos textuales (STRING o JSON) Para obtener más información sobre la importación de datos, consulta la descripción general de la importación y exportación de Spanner.

Ejemplo de caso de uso

Supongamos que tienes una tabla en Spanner con el siguiente esquema. Esta tabla contiene millones de registros.

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)
);

Tu objetivo es generar incorporaciones vectoriales para la columna description de esta para encontrar artículos similares y recomendarles a los clientes que mejoren sus compras tu experiencia con la búsqueda de vectores.

Registra un modelo de incorporación

GoogleSQL

Registra un modelo de incorporación con Vertex AI Extremo textembedding-gecko en la base de datos de 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
)

Reemplaza lo siguiente:

MODEL_NAME: Es el nombre del modelo de incorporación.
PROJECT: Es el proyecto que aloja el extremo de Vertex AI.
LOCATION: Es la ubicación del extremo de Vertex AI.
MODEL_VERSION: Es la versión del modelo de incorporación textembedding-gecko.

PostgreSQL

En el dialecto PostgreSQL, no es necesario registrar el modelo. Debes pasar el nombre del extremo directamente a la llamada a función spanner.ML_PREDICT_ROW.

Para conocer las prácticas recomendadas, ten en cuenta lo siguiente:

Si quieres mantener el aislamiento de las cuotas, usa un extremo en un proyecto diferente para generar y reabastecer incorporaciones que el extremo de producción. Reserva el extremo de producción para entregar el tráfico de producción.
Asegúrate de que el extremo del modelo admita el valor de default_batch_size. Puedes anular el default_batch_size con la sugerencia de la consulta @{remote_udf_max_rows_per_rpc=NEW_NUMBER} Para obtener información sobre el límite de default_batch_size para cada región, consulta Obtén incorporaciones de texto para un fragmento de texto.
Define el extremo con una versión específica del modelo (p.ej., @003) en lugar de @latest Esto se debe a que los vectores de incorporación generados para la misma pieza del texto puede variar según la versión del modelo que uses; cuál por lo que debes evitar el uso de diferentes versiones del modelo para generar incorporaciones en el mismo conjunto de datos. Además, actualizar la versión del modelo en el modelo definición no actualiza las incorporaciones que ya se generaron con este modelo. Una forma de administrar la versión del modelo para las incorporaciones es crear una columna adicional en la tabla que almacena la versión del modelo.
Los modelos textembedding-gecko ajustados personalizados no son compatibles con GoogleSQL ML.PREDICT y PostgreSQL Función spanner.ML_PREDICT_ROW.

Prueba la integración de extremo a extremo del modelo de incorporaciones

Puedes ejecutar una consulta para probar que el modelo de incorporación se configuró correctamente. y se recuperan las incorporaciones. Por ejemplo, ejecuta la siguiente consulta:

GoogleSQL

SELECT embeddings.values
FROM SAFE.ML.PREDICT(
  MODEL MODEL_NAME,
  (SELECT description AS content FROM products LIMIT 10)
);

Reemplaza lo siguiente:

MODEL_NAME: Es el nombre del modelo de incorporación.

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;

Reemplaza lo siguiente:

PROJECT: Es el proyecto que aloja el extremo de Vertex AI.
LOCATION: Es la ubicación del extremo de Vertex AI.
MODEL_VERSION: Es la versión del modelo de incorporación textembedding-gecko.

Actualiza la tabla de origen para incluir columnas adicionales en las que se almacenarán las incorporaciones

A continuación, actualiza el esquema de la tabla de origen para incluir una columna adicional del tipo de datos ARRAY<FLOAT32> para almacenar las incorporaciones generadas:

GoogleSQL

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME ARRAY<FLOAT32>;

Reemplaza lo siguiente:

TABLE_NAME: Es el nombre de la tabla de origen.
EMBEDDING_COLUMN_NAME: Es el nombre de la columna a la que deseas agregar las incorporaciones generadas.

PostgreSQL

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME real[];

Reemplaza lo siguiente:

TABLE_NAME: Es el nombre de la tabla de origen.
EMBEDDING_COLUMN_NAME: Es el nombre de la columna a la que deseas agregar las incorporaciones generadas.

Por ejemplo, con el ejemplo de la tabla products, ejecuta lo siguiente:

GoogleSQL

ALTER TABLE Products
ADD COLUMN desc_embed ARRAY<FLOAT32>;

PostgreSQL

ALTER TABLE Products
ADD COLUMN desc_embed real[];

Puedes agregar otra columna para administrar la versión del modelo de incorporación.

GoogleSQL

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT64;

PostgreSQL

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT8;

Aumenta la cuota de Vertex AI

Es posible que debas aumentar la cuota de la API de Vertex AI para textembedding-gecko en la región que usa el modelo. Para solicitar un aumento, consulta la sección Aumentos de cuota de Vertex AI.

Para obtener más información, consulta Cuotas y límites de Vertex AI.

Incorporaciones de reabastecimiento

Por último, ejecuta la siguiente declaración UPDATE con DML particionado generar incorporaciones para la columna de datos textuales y almacenarlas en tu base de datos. Puedes almacenar la versión del modelo junto con las incorporaciones. Mié te recomendamos ejecutar esta consulta durante una ventana de poco tráfico en tu en la base de datos.

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;

Reemplaza lo siguiente:

TABLE_NAME: Es el nombre de la tabla con los datos de texto.
EMBEDDING_COLUMN_NAME: Es el nombre de la columna a la que deseas agregar las incorporaciones generadas.
DATA_COLUMN_NAME: Es el nombre de la columna con los datos textuales.
MODEL_NAME: Es el nombre del modelo de incorporación.
MAX_ROWS: Es la cantidad máxima de filas por RPC.
EMBEDDING_VERSION_COLUMN: Es la columna que administra la versión del modelo de incorporación textembedding-gecko que se usa para reabastecer tus incorporaciones.
MODEL_VERSION: Es la versión del modelo de incorporación textembedding-gecko.
FILTER_CONDITION: Es una condición de filtro particionable que deseas aplicar.

Usar SAFE.ML.PREDICT muestra NULL para las solicitudes fallidas. También puedes usar SAFE.ML.PREDICT en combinación con un WHERE embedding_column IS NULL filtro para volver a ejecutar tu consulta sin calcular las incorporaciones de los campos ya procesados.

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;

Reemplaza lo siguiente:

TABLE_NAME: Es el nombre de la tabla con los datos de texto.
EMBEDDING_COLUMN_NAME: Es el nombre de la columna a la que deseas agregar las incorporaciones generadas.
DATA_COLUMN_NAME: Es el nombre de la columna con los datos textuales.
PROJECT: Es el proyecto que aloja el extremo de Vertex AI.
LOCATION: Es la ubicación del extremo de Vertex AI.
MODEL_VERSION: Es la versión del modelo de incorporación textembedding-gecko.
MAX_ROWS: Es la cantidad máxima de filas por RPC.
EMBEDDING_VERSION_COLUMN: Es la columna que administra la versión del modelo de incorporación textembedding-gecko que se usa para reabastecer tus incorporaciones.
FILTER_CONDITION: Es una condición de filtro particionable que deseas aplicar.

Ejemplo de una consulta de reabastecimiento para la tabla 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;

Para conocer las prácticas recomendadas, ten en cuenta lo siguiente:

El tiempo de espera predeterminado de gRPC para la API de Spanner es de una hora. Según la cantidad de incorporaciones que reabastezcas, es posible que debas aumenta este tiempo de espera para asegurarte de que el DML particionado UPDATE tenga tiempo suficiente para completarla. Para obtener más información, consulta Configura tiempos de espera y reintentos personalizados.

Rendimiento y otras consideraciones

Ten en cuenta lo siguiente para optimizar el rendimiento cuando reabasteces las incorporaciones de datos no estructurados.

Cantidad de nodos

El DML particionado ejecuta la declaración DML determinada en diferentes particiones en paralelo. En las instancias con una gran cantidad de nodos, es posible que observes la cuota errores durante la ejecución de un DML particionado. Si el panel de Vertex AI Las solicitudes a la API se limitan debido a los límites de cuota de la API de Vertex AI Spanner reintenta estas fallas según la modo de transacción de DML particionado un máximo de 20 veces. Si observas una tasa alta de errores de cuota Vertex AI y, luego, aumenta la cuota de Vertex AI. También puedes ajustar el paralelismo con la sugerencia a nivel de instrucción. @{pdml_max_parallelism=DESIRED_NUMBER} mientras se usa Google SQL Lo siguiente En este ejemplo, se configura el paralelismo en '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;

Tamaño del texto en la columna de datos

El modelo de incorporación de Vertex AI tiene límites en la cantidad máxima de tokens para cada entrada de texto. Las diferentes versiones del modelo tienen tokens diferentes límites. Cada solicitud de Vertex AI puede tener varios textos de entrada campos, pero hay un límite en la cantidad máxima de tokens presente en una sola solicitud. Para las bases de datos de GoogleSQL, si encuentras un Error INVALID_ARGUMENT con el mensaje "La solicitud es demasiado grande" intenta reducir el el tamaño del lote para evitar el error. Para hacerlo, puedes configurar default_batch_size o usa la sugerencia de consulta @{remote_udf_max_outstanding_rpcs} cuando registres el modelo.

Cantidad de solicitudes a la API enviadas a Vertex AI

Puedes usar la sugerencia de consulta @{remote_udf_max_outstanding_rpcs} para aumentar o para disminuir la cantidad de solicitudes enviadas a Vertex AI Spanner Ten en cuenta que aumentar este límite puede incrementar la capacidad y el uso de memoria de la instancia de Spanner. Para GoogleSQL bases de datos, usar esta sugerencia de consulta anula los default_batch_size configurados para tu modelo.

Supervisa el progreso del reabastecimiento

Puedes supervisar la cantidad de solicitudes, latencia y bytes de red enviados a Vertex AI desde Spanner con el panel de estadísticas del sistema.

¿Qué sigue?

Aprende cómo realizar una búsqueda de vector de similitud buscando el valor K más cercano vecinos.
Obtén más información sobre el aprendizaje automático y las incorporaciones en nuestra curso intensivo sobre incorporaciones.