Mithilfe von partitionierter DML Bulk-Vektoreinbettungen für Textdaten generieren

In diesem Dokument wird beschrieben, wie Sie Vektoreinbettungen für Textdaten (STRING oder JSON), die in Spanner gespeichert sind, mithilfe von SQL und den Vertex AI-Modellen für Texteinbettungen im Bulk generieren und nachfüllen.

Vorbereitung

Ihre Spanner-Datenbank muss eine Tabelle mit Textdaten (STRING oder JSON) enthalten. Weitere Informationen zum Importieren von Daten finden Sie in der Spanner-Übersicht zum Importieren und Exportieren.

Anwendungsbeispiel

Angenommen, Sie haben eine Tabelle in Spanner mit dem folgenden Schema. Diese Tabelle enthält Millionen von Datensätzen.

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)
);

Ihr Ziel ist es, Vektoreinbettungen für die Spalte description in dieser Tabelle zu generieren, um ähnliche Artikel zu finden, die Kunden empfohlen werden können, um ihr Einkaufserlebnis mithilfe der Vektorsuche zu verbessern.

Einbettungsmodell registrieren

GoogleSQL

Registrieren Sie ein Modell für die Texteinbettung mit dem Vertex AI-Modellendpunkt in Ihrer Spanner-Datenbank:

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/$MODEL_NAME',
  default_batch_size = 5
)

Ersetzen Sie Folgendes:

  • MODEL_NAME: Der Name des Vertex AI-Modells zur Texteinbettung
  • PROJECT: das Projekt, in dem der Vertex AI-Endpunkt gehostet wird
  • LOCATION: der Standort des Vertex AI-Endpunkts

PostgreSQL

Im PostgreSQL-Dialekt ist keine Registrierung des Modells erforderlich. Sie übergeben den Endpunktnamen direkt an den Funktionsaufruf spanner.ML_PREDICT_ROW.

Beachten Sie die folgenden Best Practices:

  • Um die Kontingente zu isolieren, verwenden Sie einen Endpunkt in einem anderen Projekt als den Produktionsendpunkt, um Einbettungen zu generieren und zu ergänzen. Reservieren Sie den Produktionsendpunkt, um Produktions-Traffic zu verarbeiten.
  • Prüfen Sie, ob der Modellendpunkt den Wert von default_batch_size unterstützt. Sie können default_batch_size mit dem Abfragehinweis @{remote_udf_max_rows_per_rpc=NEW_NUMBER} überschreiben. Informationen zum default_batch_size-Limit für die einzelnen Regionen finden Sie unter Texteinbettungen für ein Text-Snippet abrufen.
  • Definieren Sie den Endpunkt mit einer bestimmten Modellversion (z.B. @003) anstelle von @latest. Das liegt daran, dass sich die für denselben Textabschnitt generierten Einbettungsvektoren je nach verwendeter Modellversion unterscheiden können. Daher sollten Sie vermeiden, verschiedene Modellversionen zum Generieren von Einbettungen im selben Dataset zu verwenden. Außerdem werden durch das Aktualisieren der Modellversion in der Modelldefinitionsanweisung die Einbettungen, die bereits mit diesem Modell generiert wurden, nicht aktualisiert. Eine Möglichkeit, die Modellversion für Einbettungen zu verwalten, besteht darin, eine zusätzliche Spalte in der Tabelle zu erstellen, in der die Modellversion gespeichert wird.
  • Benutzerdefinierte Modelle für Texteinbettungen werden mit den GoogleSQL-Funktionen ML.PREDICT und PostgreSQL-Funktionen spanner.ML_PREDICT_ROW nicht unterstützt.

End-to-End-Integration des Einbettungsmodells testen

Sie können eine Abfrage ausführen, um zu testen, ob das Einbettungsmodell erfolgreich konfiguriert wurde und Einbettungen abgerufen werden. Führen Sie beispielsweise die folgende Abfrage aus:

GoogleSQL 

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

Ersetzen Sie Folgendes:

  • MODEL_NAME: Der Name des Vertex AI-Modells zur Texteinbettung

PostgreSQL 

SELECT spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/$MODEL_NAME',
    JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', description))))
FROM Products
LIMIT 10;

Ersetzen Sie Folgendes:

  • PROJECT: das Projekt, in dem der Vertex AI-Endpunkt gehostet wird
  • LOCATION: der Standort des Vertex AI-Endpunkts
  • MODEL_NAME: Der Name des Vertex AI-Modells zur Texteinbettung

Quelltabelle aktualisieren, um zusätzliche Spalten zum Speichern der Einbettungen hinzuzufügen

Aktualisieren Sie als Nächstes das Schema der Quelltabelle, um eine zusätzliche Spalte vom Datentyp ARRAY<FLOAT32> zum Speichern der generierten Einbettungen einzufügen:

GoogleSQL 

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME ARRAY<FLOAT32>;

Ersetzen Sie Folgendes:

  • TABLE_NAME: der Name der Quelltabelle
  • EMBEDDING_COLUMN_NAME: Der Name der Spalte, in die Sie generierte Einbettungen einfügen möchten.

PostgreSQL 

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME real[];

Ersetzen Sie Folgendes:

  • TABLE_NAME: der Name der Quelltabelle
  • EMBEDDING_COLUMN_NAME: Der Name der Spalte, in die Sie generierte Einbettungen einfügen möchten.

Wenn Sie beispielsweise die Tabelle products verwenden, führen Sie Folgendes aus:

GoogleSQL 

ALTER TABLE Products
ADD COLUMN desc_embed ARRAY<FLOAT32>;

PostgreSQL 

ALTER TABLE Products
ADD COLUMN desc_embed real[];

Sie können eine weitere Spalte hinzufügen, um die Version des Einbettungsmodells zu verwalten.

GoogleSQL 

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT64;

PostgreSQL 

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT8;

Kontingent für Vertex AI erhöhen

Möglicherweise müssen Sie das Vertex AI API-Kontingent für die Region erhöhen, in der das Texteinbettungsmodell verwendet wird. Informationen zum Anfordern einer Erhöhung finden Sie unter Kontingenterhöhungen für Vertex AI.

Weitere Informationen finden Sie unter Vertex AI-Kontingente und -Limits.

Backfill-Einbettungen

Führen Sie schließlich die folgende UPDATE-Anweisung mit partitionierter DML aus, um Einbettungen für die Textdatenspalte zu generieren und die Einbettungen in Ihrer Datenbank zu speichern. Sie können die Modellversion zusammen mit den Einbettungen speichern. Wir empfehlen, diese Abfrage während eines Zeitraums mit geringem Traffic in Ihrer Datenbank auszuführen.

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;

Ersetzen Sie Folgendes:

  • TABLE_NAME: der Name der Tabelle mit den Textdaten
  • EMBEDDING_COLUMN_NAME: Der Name der Spalte, in die Sie generierte Einbettungen einfügen möchten.
  • DATA_COLUMN_NAME: der Name der Spalte mit den Textdaten
  • MODEL_NAME: Der Name des Vertex AI-Einbettungsmodells.
  • MAX_ROWS: die maximale Anzahl von Zeilen pro RPC
  • EMBEDDING_VERSION_COLUMN: Die Spalte, in der die Version des Einbettungsmodells verwaltet wird, mit der Ihre Einbettungen aufgefüllt werden.
  • MODEL_VERSION: die Version des Modelle für Texteinbettungen
  • FILTER_CONDITION: eine partitionierbare Filterbedingung, die Sie anwenden möchten

Wenn Sie SAFE.ML.PREDICT verwenden, wird NULL für fehlgeschlagene Anfragen zurückgegeben. Sie können SAFE.ML.PREDICT auch in Kombination mit einem WHERE embedding_column IS NULL-Filter verwenden, um Ihre Abfrage noch einmal auszuführen, ohne die Einbettungen für die Felder zu berechnen, die bereits berechnet wurden.

PostgreSQL 

UPDATE TABLE_NAME
SET
  EMBEDDING_COLUMN_NAME = spanner.FLOAT32_ARRAY(spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/$MODEL_NAME',
    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;

Ersetzen Sie Folgendes:

  • TABLE_NAME: der Name der Tabelle mit den Textdaten
  • EMBEDDING_COLUMN_NAME: Der Name der Spalte, in die Sie generierte Einbettungen einfügen möchten.
  • DATA_COLUMN_NAME: der Name der Spalte mit den Textdaten
  • PROJECT: das Projekt, in dem der Vertex AI-Endpunkt gehostet wird
  • LOCATION: der Standort des Vertex AI-Endpunkts
  • MODEL_NAME: Der Name des Vertex AI-Einbettungsmodells.
  • MODEL_VERSION: die Version des Vertex AI-Einbettungsmodells
  • MAX_ROWS: die maximale Anzahl von Zeilen pro RPC
  • EMBEDDING_VERSION_COLUMN: Die Spalte, in der die Version des Texteinbettungsmodells verwaltet wird, das zum Backfill Ihrer Einbettungen verwendet wird.
  • FILTER_CONDITION: eine partitionierbare Filterbedingung, die Sie anwenden möchten

Beispiel für eine Backfill-Abfrage für die Tabelle products:

GoogleSQL 

UPDATE products
SET
  products.desc_embed = (
    SELECT embeddings.values
    FROM SAFE.ML.PREDICT(
      MODEL embedding_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/$MODEL_NAME',
    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;

Beachten Sie die folgenden Best Practices:

Leistung und andere Aspekte

Berücksichtigen Sie Folgendes, um die Leistung beim Backfilling von Einbettungsdaten zu optimieren.

Anzahl der Knoten

Bei der partitionierten DML wird die angegebene DML-Anweisung parallel für verschiedene Partitionen ausgeführt. Bei Instanzen mit einer hohen Anzahl von Knoten können während der Ausführung von partitionierter DML Kontingentfehler auftreten. Wenn die Vertex AI API-Anfragen aufgrund von Vertex AI API-Kontingentlimits gedrosselt werden, wiederholt Spanner diese Fehler im partitionierten DML-Transaktionsmodus maximal 20 Mal. Wenn Sie in Vertex AI eine hohe Anzahl von Kontingentfehlern feststellen, erhöhen Sie das Kontingent für Vertex AI. Sie können die Parallelität auch mit dem Hinweis auf Anweisungsebene @{pdml_max_parallelism=DESIRED_NUMBER} anpassen, wenn Sie GoogleSQL verwenden. Im folgenden Beispiel wird die Parallelität auf „5“ festgelegt:

GoogleSQL 

@{pdml_max_parallelism=5} UPDATE products
SET products.desc_embed =(
  SELECT embeddings.values
  FROM SAFE.ML.PREDICT(MODEL embedding_model, (
        SELECT products.value AS CONTENT
        )
  )
      @{remote_udf_max_rows_per_rpc=200}
),
products.desc_embed_model_version = MODEL_VERSION
WHERE products.desc_embed IS NULL;

Größe des Texts in der Datenspalte

Für das Vertex AI-Embedding-Modell gilt eine Beschränkung für die maximale Anzahl von Tokens für jede Texteingabe. Für verschiedene Modellversionen gelten unterschiedliche Tokenlimits. Jede Vertex AI-Anfrage kann mehrere Eingabetextfelder enthalten. Es gibt jedoch ein Limit für die maximale Anzahl von Tokens in einer einzelnen Anfrage. Wenn in GoogleSQL-Datenbanken ein INVALID_ARGUMENT-Fehler mit der Meldung „Request is too large“ (Anfrage ist zu groß) auftritt, versuchen Sie, die Batchgröße zu verringern, um den Fehler zu vermeiden. Dazu können Sie default_batch_size konfigurieren oder den Hinweis @{remote_udf_max_outstanding_rpcs} verwenden, wenn Sie das Modell registrieren.

Anzahl der API-Anfragen, die an Vertex AI gesendet wurden

Mit dem Hinweis @{remote_udf_max_outstanding_rpcs} können Sie die Anzahl der Anfragen erhöhen oder verringern, die von Spanner an Vertex AI gesendet werden. Das Erhöhen dieses Limits kann die CPU- und Speichernutzung der Spanner-Instanz erhöhen. Bei GoogleSQL-Datenbanken wird durch die Verwendung dieses Abfragehinweises die für Ihr Modell konfigurierte default_batch_size überschrieben.

Fortschritt des Backfills überwachen

Sie können die Anzahl der Anfragen, die Latenz und die an Vertex AI gesendeten Netzwerkbytes über das Dashboard für Systemstatistiken überwachen.

Nächste Schritte