Générer des embeddings vectoriels pour des données textuelles de manière groupée à l'aide d'une instruction LMD partitionnée

Ce document explique comment générer et remplir en masse des embeddings vectoriels 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. Ce tableau 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)
);

Votre objectif est de générer des représentations vectorielles continues pour la colonne description de ce tableau 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 d'embedding

GoogleSQL

Enregistrez un modèle d'encapsulation 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 l'élément suivant :

  • MODEL_NAME: nom du modèle d'embedding
  • PROJECT: projet hébergeant le point de terminaison Vertex AI
  • LOCATION: emplacement du point de terminaison Vertex AI
  • MODEL_VERSION: version du modèle d'embedding 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 la fonction spanner.ML_PREDICT_ROW.

Voici quelques bonnes pratiques:

  • Pour maintenir l'isolation des quotas, utilisez un point de terminaison dans un autre projet pour générer et remplir les 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 accepte la valeur default_batch_size. Vous pouvez remplacer default_batch_size par l'indice 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 embeddings 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 d'encapsulation générés pour le même extrait de 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. De plus, 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 le tableau qui stocke la version du modèle.
  • Les modèles textembedding-gecko affinés sur mesure ne sont pas compatibles avec les fonctions ML.PREDICT GoogleSQL et spanner.ML_PREDICT_ROW PostgreSQL.

Tester l'intégration de bout en bout du modèle d'embeddings

Vous pouvez exécuter une requête pour vérifier que le modèle d'encapsulation est correctement 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 l'élément suivant :

  • MODEL_NAME: nom du modèle d'embedding

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 l'élément suivant :

  • PROJECT: projet hébergeant le point de terminaison Vertex AI
  • LOCATION: emplacement du point de terminaison Vertex AI
  • MODEL_VERSION: version du modèle d'embedding textembedding-gecko

Modifier la table source pour inclure des colonnes supplémentaires permettant de stocker les embeddings

Ensuite, modifiez 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 l'élément suivant :

  • TABLE_NAME: nom de la table source
  • EMBEDDING_COLUMN_NAME: nom de la colonne dans laquelle vous souhaitez ajouter les embeddings générés

PostgreSQL 

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME real[];

Remplacez l'élément suivant :

  • TABLE_NAME: nom de la table source
  • EMBEDDING_COLUMN_NAME: nom de la colonne dans laquelle vous souhaitez ajouter les embeddings générés

Par exemple, en utilisant l'exemple de table products, exécutez:

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 d'encapsulation.

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 section Augmentations des quotas de Vertex AI.

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

Remplissage des représentations vectorielles continues

Enfin, exécutez l'instruction UPDATE suivante à l'aide de la LMD partitionnée pour générer des embeddings 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 période de 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 l'élément suivant :

  • TABLE_NAME: nom de la table avec les données textuelles
  • EMBEDDING_COLUMN_NAME: nom de la colonne dans laquelle vous souhaitez ajouter les embeddings générés
  • DATA_COLUMN_NAME: nom de la colonne contenant les données textuelles
  • MODEL_NAME: nom du modèle d'embedding
  • MAX_ROWS: nombre maximal de lignes par RPC
  • EMBEDDING_VERSION_COLUMN: colonne qui gère la version du modèle d'embedding textembedding-gecko utilisé pour remplir vos embeddings
  • MODEL_VERSION: version du modèle d'embedding textembedding-gecko
  • FILTER_CONDITION: condition de filtre partitionnable que vous souhaitez 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 l'élément suivant :

  • TABLE_NAME: nom de la table avec les données textuelles
  • EMBEDDING_COLUMN_NAME: nom de la colonne dans laquelle vous souhaitez ajouter les embeddings générés
  • 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 d'embedding textembedding-gecko
  • MAX_ROWS: nombre maximal de lignes par RPC
  • EMBEDDING_VERSION_COLUMN: colonne qui gère la version du modèle d'embedding textembedding-gecko utilisé pour remplir vos embeddings
  • FILTER_CONDITION: condition de filtre partitionnable que vous souhaitez 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:

  • Le délai avant expiration gRPC par défaut pour l'API Spanner est d'une heure. En fonction de la quantité d'embeddings que vous remplissez, vous devrez peut-être augmenter ce délai avant expiration pour vous assurer que la LMD partitionnée UPDATE a suffisamment de temps pour s'exécuter. Pour en savoir plus, consultez la section Configurer des délais d'expiration et des nouvelles tentatives personnalisés.

Performances et autres considérations

Tenez compte des points suivants pour optimiser les performances lors du remplissage des données d'encapsulation.

Nombre de nœuds

Le LMD partitionné exécute l'instruction LMD donnée sur différentes partitions en parallèle. Pour les instances comportant un grand nombre de nœuds, vous pouvez observer des erreurs de quota lors de l'exécution de la LMD partitionnée. Si les requêtes de l'API Vertex AI sont limitées en raison des limites de quota de l'API Vertex AI, Spanner réessaie ces échecs dans le mode de transaction LMD partitionné jusqu'à 20 fois maximum. 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 au niveau de l'instruction @{pdml_max_parallelism=DESIRED_NUMBER} lorsque vous utilisez GoogleSQL. 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 d'embedding Vertex AI limite le nombre maximal de jetons pour chaque entrée textuelle. Les différentes versions du modèle ont des limites de jetons différentes. 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 du lot pour éviter l'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 diminuer le nombre de requêtes envoyées à Vertex AI à partir de Spanner. Notez 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 indice de requête remplace l'default_batch_size configuré 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 à partir de Spanner à l'aide du tableau de bord des insights système.

Étape suivante