Générer des représentations vectorielles continues de données textuelles de manière groupée à l'aide d'instructions LMD partitionnées

Ce document explique comment générer et remplir des représentations vectorielles continues de manière groupée pour les données textuelles (STRING ou JSON) stockées dans Spanner à l'aide de SQL et du modèle textembedding-gecko Vertex AI.

Prérequis

Votre base de données Spanner doit contenir une table contenant des données textuelles (STRING ou JSON). Pour en savoir plus sur l'importation de données, consultez la présentation de l'importation et de l'exportation Spanner.

Exemple d'utilisation

Supposons que vous disposiez d'une table dans Spanner avec le schéma suivant. Cette table contient des millions d'enregistrements.

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)
);

L'objectif est de générer des représentations vectorielles continues pour la colonne description de cette table afin de trouver des articles similaires à recommander aux clients pour améliorer leur expérience d'achat à l'aide de la recherche vectorielle.

Enregistrer un modèle de représentation vectorielle continue

GoogleSQL

Enregistrez un modèle de représentation vectorielle continue avec le point de terminaison textembedding-gecko Vertex AI dans votre base de données 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
)

Remplacez les éléments suivants :

  • MODEL_NAME: nom du modèle de représentation vectorielle continue
  • PROJECT: projet hébergeant le point de terminaison Vertex AI
  • LOCATION: emplacement du point de terminaison Vertex AI
  • MODEL_VERSION: version du modèle de représentation vectorielle continue textembedding-gecko

PostgreSQL

Dans le dialecte PostgreSQL, il n'est pas nécessaire d'enregistrer le modèle. Vous transmettez le nom du point de terminaison directement à l'appel de fonction spanner.ML_PREDICT_ROW.

Voici quelques bonnes pratiques à suivre:

  • Pour maintenir l'isolation des quotas, utilisez un point de terminaison d'un autre projet pour générer et remplir des représentations vectorielles continues que le point de terminaison de production. Réservez le point de terminaison de production pour diffuser le trafic de production.
  • Assurez-vous que le point de terminaison du modèle est compatible avec la valeur de default_batch_size. Vous pouvez remplacer default_batch_size par l'indicateur de requête @{remote_udf_max_rows_per_rpc=NEW_NUMBER}. Pour en savoir plus sur la limite default_batch_size pour chaque région, consultez Obtenir des représentations vectorielles continues de texte pour un extrait de texte.
  • Définissez le point de terminaison avec une version de modèle spécifique (par exemple, @003) au lieu de @latest. En effet, les vecteurs de représentation vectorielle continue générés pour le même texte peuvent différer en fonction de la version du modèle que vous utilisez. C'est pourquoi vous devez éviter d'utiliser différentes versions de modèle pour générer des représentations vectorielles continues dans le même ensemble de données. En outre, la mise à jour de la version du modèle dans l'instruction de définition du modèle ne met pas à jour les représentations vectorielles continues déjà générées avec ce modèle. Pour gérer la version du modèle pour les représentations vectorielles continues, vous pouvez créer une colonne supplémentaire dans la table qui stocke la version du modèle.
  • Les modèles textembedding-gecko réglés personnalisés ne sont pas compatibles avec les fonctions GoogleSQL ML.PREDICT et PostgreSQL spanner.ML_PREDICT_ROW.

Tester l'intégration de bout en bout du modèle de représentations vectorielles continues

Vous pouvez exécuter une requête pour vérifier que le modèle de représentation vectorielle continue a bien été configuré et que les représentations vectorielles continues sont récupérées. Par exemple, exécutez la requête suivante:

GoogleSQL 

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

Remplacez les éléments suivants :

  • MODEL_NAME: nom du modèle de représentation vectorielle continue

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;

Remplacez les éléments suivants :

  • PROJECT: projet hébergeant le point de terminaison Vertex AI
  • LOCATION: emplacement du point de terminaison Vertex AI
  • MODEL_VERSION: version du modèle de représentation vectorielle continue textembedding-gecko

Mettre à jour la table source pour inclure des colonnes supplémentaires afin de stocker les représentations vectorielles continues

Ensuite, mettez à jour le schéma de la table source pour inclure une colonne supplémentaire de type de données ARRAY<FLOAT32> afin de stocker les représentations vectorielles continues générées:

GoogleSQL 

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME ARRAY<FLOAT32>;

Remplacez les éléments suivants :

  • TABLE_NAME: nom de la table source
  • EMBEDDING_COLUMN_NAME: nom de la colonne dans laquelle vous souhaitez ajouter des représentations vectorielles continues générées

PostgreSQL 

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME real[];

Remplacez les éléments suivants :

  • TABLE_NAME: nom de la table source
  • EMBEDDING_COLUMN_NAME: nom de la colonne dans laquelle vous souhaitez ajouter des représentations vectorielles continues générées

Par exemple, à l'aide de l'exemple de table products, exécutez la commande suivante:

GoogleSQL 

ALTER TABLE Products
ADD COLUMN desc_embed ARRAY<FLOAT32>;

PostgreSQL 

ALTER TABLE Products
ADD COLUMN desc_embed real[];

Vous pouvez ajouter une autre colonne pour gérer la version du modèle de représentation vectorielle continue.

GoogleSQL 

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT64;

PostgreSQL 

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT8;

Augmenter le quota pour Vertex AI

Vous devrez peut-être augmenter le quota de l'API Vertex AI pour textembedding-gecko dans la région qui utilise le modèle. Pour demander une augmentation, consultez la page Augmentations de quota de Vertex AI.

Pour en savoir plus, consultez Quotas et limites de Vertex AI.

Représentations vectorielles continues de remplissage

Enfin, exécutez l'instruction UPDATE suivante à l'aide du LMD partitionné pour générer des représentations vectorielles continues pour la colonne de données textuelles et les stocker dans votre base de données. Vous pouvez stocker la version du modèle avec les représentations vectorielles continues. Nous vous recommandons d'exécuter cette requête pendant une fenêtre à faible trafic dans votre base de données.

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;

Remplacez les éléments suivants :

  • TABLE_NAME: nom de la table contenant les données textuelles
  • EMBEDDING_COLUMN_NAME: nom de la colonne dans laquelle vous souhaitez ajouter des représentations vectorielles continues générées
  • DATA_COLUMN_NAME: nom de la colonne contenant les données textuelles
  • MODEL_NAME: nom du modèle de représentation vectorielle continue
  • MAX_ROWS: nombre maximal de lignes par RPC
  • EMBEDDING_VERSION_COLUMN: colonne qui gère la version du modèle de représentation vectorielle continue textembedding-gecko utilisé pour remplir vos représentations vectorielles continues
  • MODEL_VERSION: version du modèle de représentation vectorielle continue textembedding-gecko
  • FILTER_CONDITION: condition de filtre partitionnable à appliquer

L'utilisation de SAFE.ML.PREDICT renvoie NULL pour les requêtes ayant échoué. Vous pouvez également utiliser SAFE.ML.PREDICT en combinaison avec un filtre WHERE embedding_column IS NULL pour réexécuter votre requête sans calculer les représentations vectorielles continues des champs déjà calculés.

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;

Remplacez les éléments suivants :

  • TABLE_NAME: nom de la table contenant les données textuelles
  • EMBEDDING_COLUMN_NAME: nom de la colonne dans laquelle vous souhaitez ajouter des représentations vectorielles continues générées
  • DATA_COLUMN_NAME: nom de la colonne contenant les données textuelles
  • PROJECT: projet hébergeant le point de terminaison Vertex AI
  • LOCATION: emplacement du point de terminaison Vertex AI
  • MODEL_VERSION: version du modèle de représentation vectorielle continue textembedding-gecko
  • MAX_ROWS: nombre maximal de lignes par RPC
  • EMBEDDING_VERSION_COLUMN: colonne qui gère la version du modèle de représentation vectorielle continue textembedding-gecko utilisé pour remplir vos représentations vectorielles continues
  • FILTER_CONDITION: condition de filtre partitionnable à appliquer

Exemple de requête de remplissage pour la table 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;

Voici quelques bonnes pratiques à suivre:

  • Le délai avant expiration de gRPC par défaut pour l'API Spanner est d'une heure. En fonction de la quantité de représentations vectorielles continues que vous remplissez, vous devrez peut-être augmenter ce délai avant expiration pour vous assurer que le LMD partitionné UPDATE dispose d'un temps suffisant pour se terminer. Pour en savoir plus, consultez la section Configurer des délais avant expiration personnalisés et des nouvelles tentatives.

Performances et autres considérations

Tenez compte des points suivants pour optimiser les performances lorsque vous remplissez des données de représentation vectorielle continue.

Nombre de nœuds

Le LMD partitionné exécute l'instruction LMD donnée sur différentes partitions en parallèle. Pour les instances avec un nombre élevé de nœuds, vous pouvez observer des erreurs de quota lors de l'exécution du LMD partitionné. Si les requêtes de l'API Vertex AI sont limitées en raison des limites de quota de l'API Vertex AI, Spanner retente ces échecs dans le mode transaction LMD partitionné jusqu'à 20 fois. Si vous constatez un taux élevé d'erreurs de quota dans Vertex AI, augmentez le quota pour Vertex AI. Vous pouvez également ajuster le parallélisme à l'aide de l'indice @{pdml_max_parallelism=DESIRED_NUMBER} au niveau de l'instruction lorsque vous utilisez Google Sql. L'exemple suivant définit le parallélisme sur "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;

Taille du texte dans la colonne de données

Le modèle de représentation vectorielle continue Vertex AI limite le nombre maximal de jetons pour chaque entrée de texte. Les limites de jetons varient selon les versions de modèle. Chaque requête Vertex AI peut comporter plusieurs champs de texte d'entrée, mais le nombre maximal de jetons présents dans une seule requête est limité. Pour les bases de données GoogleSQL, si vous rencontrez une erreur INVALID_ARGUMENT avec le message "La requête est trop volumineuse", essayez de réduire la taille de lot pour éviter cette erreur. Pour ce faire, vous pouvez configurer default_batch_size ou utiliser l'indice de requête @{remote_udf_max_outstanding_rpcs} lors de l'enregistrement du modèle.

Nombre de requêtes API envoyées à Vertex AI

Vous pouvez utiliser l'indice de requête @{remote_udf_max_outstanding_rpcs} pour augmenter ou réduire le nombre de requêtes envoyées à Vertex AI depuis Spanner. Sachez que l'augmentation de cette limite peut augmenter l'utilisation du processeur et de la mémoire de l'instance Spanner. Pour les bases de données GoogleSQL, l'utilisation de cet indicateur de requête remplace la default_batch_size configurée pour votre modèle.

Surveiller la progression du remplissage

Vous pouvez surveiller le nombre de requêtes, la latence et les octets réseau envoyés à Vertex AI depuis Spanner à l'aide du tableau de bord des insights système.

Étapes suivantes