Ce document explique comment générer et compléter des embeddings vectoriels de manière groupée pour les données textuelles (STRING
ou JSON
) stockées dans Spanner à l'aide de SQL et des modèles de représentation vectorielle continue de texte Vertex AI.
Prérequis
Vous devez disposer d'une table dans votre base de données Spanner 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)
);
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'embedding de texte avec le point de terminaison de modèle 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/$MODEL_NAME',
default_batch_size = 5
)
Remplacez l'élément suivant :
MODEL_NAME
: nom du modèle d'embedding textuel Vertex AIPROJECT
: projet hébergeant le point de terminaison Vertex AILOCATION
: emplacement du point de terminaison Vertex AI
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
.
Pour connaître les bonnes pratiques, tenez compte des points suivants :
- Pour maintenir l'isolation des quotas, utilisez un point de terminaison dans un projet différent pour générer et remplir les embeddings 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 remplacerdefault_batch_size
par l'indication de requête@{remote_udf_max_rows_per_rpc=NEW_NUMBER}
. Pour en savoir plus sur la limitedefault_batch_size
pour chaque région, consultez Obtenir des embeddings textuels 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'embedding générés pour le même extrait de texte peuvent différer selon la version du modèle que vous utilisez. C'est pourquoi vous devez éviter d'utiliser différentes versions de modèle pour générer des embeddings 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 embeddings déjà générés avec ce modèle. Pour gérer la version du modèle pour les embeddings, vous pouvez créer une colonne supplémentaire dans le tableau qui stocke la version du modèle. - Les modèles d'embedding de texte personnalisés ne sont pas compatibles avec les fonctions
ML.PREDICT
de GoogleSQL etspanner.ML_PREDICT_ROW
de PostgreSQL.
Tester l'intégration de bout en bout du modèle d'embeddings
Vous pouvez exécuter une requête pour vérifier que le modèle d'embedding est correctement configuré et que les embeddings sont récupérés. 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 textuel Vertex AI
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;
Remplacez l'élément suivant :
PROJECT
: projet hébergeant le point de terminaison Vertex AILOCATION
: emplacement du point de terminaison Vertex AIMODEL_NAME
: nom du modèle d'embedding textuel Vertex AI
Mettre à jour la table source pour inclure des colonnes supplémentaires permettant de stocker les embeddings
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 embeddings générés :
GoogleSQL
ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME ARRAY<FLOAT32>;
Remplacez l'élément suivant :
TABLE_NAME
: nom de la table sourceEMBEDDING_COLUMN_NAME
: nom de la colonne dans laquelle vous souhaitez ajouter les embeddings générées
PostgreSQL
ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME real[];
Remplacez l'élément suivant :
TABLE_NAME
: nom de la table sourceEMBEDDING_COLUMN_NAME
: nom de la colonne dans laquelle vous souhaitez ajouter les embeddings générées
Par exemple, en utilisant l'exemple de tableau 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'intégration.
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 la région qui utilise le modèle d'embedding de texte. Pour demander une augmentation, consultez la section Augmentations de quota de Vertex AI.
Pour en savoir plus, consultez Quotas et limites de Vertex AI.
Représentations vectorielles de remplissage
Enfin, exécutez l'instruction UPDATE
suivante à l'aide du LMD partitionné 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 embeddings. 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 contenant les données textuellesEMBEDDING_COLUMN_NAME
: nom de la colonne dans laquelle vous souhaitez ajouter les embeddings généréesDATA_COLUMN_NAME
: nom de la colonne contenant les données textuellesMODEL_NAME
: nom du modèle d'embedding Vertex AIMAX_ROWS
: nombre maximal de lignes par RPCEMBEDDING_VERSION_COLUMN
: colonne qui gère la version du modèle d'embedding utilisé pour compléter vos embeddingsMODEL_VERSION
: version du modèle d'embedding de texteFILTER_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 embeddings pour les champs qui l'ont déjà été.
PostgreSQL
UPDATE TABLE_NAME
SET
EMBEDDING_COLUMN_NAME = spanner.FLOAT32_ARRAY(spanner.ML_PREDICT_ROW(
'projects/PROJECT/locations/LOCATION/publishers/google/models/$MODEL_NAME',
JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', DATA_COLUMN_NAME)))
) /*@ remote_udf_max_rows_per_rpc=MAX_ROWS */ ->'predictions'->0->'embeddings'->'values'),
EMBEDDING_VERSION_COLUMN = MODEL_VERSION
WHERE FILTER_CONDITION;
Remplacez l'élément suivant :
TABLE_NAME
: nom de la table contenant les données textuellesEMBEDDING_COLUMN_NAME
: nom de la colonne dans laquelle vous souhaitez ajouter les embeddings généréesDATA_COLUMN_NAME
: nom de la colonne contenant les données textuellesPROJECT
: projet hébergeant le point de terminaison Vertex AILOCATION
: emplacement du point de terminaison Vertex AIMODEL_NAME
: nom du modèle d'embedding Vertex AIMODEL_VERSION
: version du modèle d'embedding Vertex AIMAX_ROWS
: nombre maximal de lignes par RPCEMBEDDING_VERSION_COLUMN
: colonne qui gère la version du modèle d'embedding de texte utilisé pour compléter vos embeddingsFILTER_CONDITION
: condition de filtre partitionnable que vous souhaitez appliquer
Exemple de requête de remplissage pour la table products
:
GoogleSQL
UPDATE products
SET
products.desc_embed = (
SELECT embeddings.values
FROM SAFE.ML.PREDICT(
MODEL embedding_model,
(SELECT products.description AS content)
) @{remote_udf_max_rows_per_rpc=200}
),
products.desc_embed_model_version = 3
WHERE products.desc_embed IS NULL;
PostgreSQL
UPDATE products
SET
desc_embed = spanner.FLOAT32_ARRAY(spanner.ML_PREDICT_ROW(
'projects/PROJECT/locations/LOCATION/publishers/google/models/$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;
Pour connaître les bonnes pratiques, tenez compte des points suivants :
- Le délai d'expiration gRPC par défaut pour l'API Spanner est d'une heure.
Selon le nombre d'embeddings que vous réinsérez, vous devrez peut-être augmenter ce délai pour vous assurer que le LMD partitionné
UPDATE
dispose de suffisamment de temps pour se terminer. Pour en savoir plus, consultez Configurer des délais d'expiration et des nouvelles tentatives personnalisés.
Performances et autres considérations
Tenez compte des points suivants pour optimiser les performances lorsque vous complétez des données d'intégration.
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 du LMD partitionné. Si les requêtes d'API Vertex AI sont limitées en raison des limites de quota de l'API Vertex AI, Spanner réessaie ces échecs en mode transactionnel 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'indication 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 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;
Taille du texte dans la colonne de données
Le modèle d'embedding Vertex AI limite le nombre maximal de jetons pour chaque entrée de texte. Les limites de jetons varient selon les versions du modèle. Chaque requête Vertex AI peut comporter plusieurs champs de texte d'entrée, mais le nombre de jetons dans une même 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'indication 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'indication de requête @{remote_udf_max_outstanding_rpcs}
pour augmenter ou diminuer le nombre de requêtes envoyées à Vertex AI depuis Spanner. Sachez que l'augmentation de cette limite peut accroître 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 le default_batch_size
configuré pour votre modèle.
Suivre 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 "Insights système".
Étapes suivantes
- Découvrez comment effectuer une recherche de similarité vectorielle en trouvant les k plus proches voisins.
- Pour en savoir plus sur le machine learning et les embeddings, consultez notre cours intensif sur les embeddings.
- En savoir plus sur les modèles d'embedding de texte Vertex AI