使用分区 DML 为文本数据批量生成向量嵌入

本文档介绍如何使用 SQL 和 Vertex AI textembedding-gecko 模型为存储在 Spanner 中的文本数据（STRING 或 JSON）批量生成和回填向量嵌入。

前提条件

Spanner 数据库中必须有一个包含文本数据的表（STRING 或 JSON）。如需详细了解如何导入数据，请参阅 Spanner 导入和导出概览。

用例示例

假设您在 Spanner 中有一个采用以下架构的表。此表包含数百万条记录。

GoogleSQL 

CREATE TABLE Products (
  product_id INT64,
  name STRING(MAX),
  description STRING(MAX)
) PRIMARY KEY(product_id);

您的目标是为此表中的 description 列生成向量嵌入，以查找要推荐给客户的类似商品，从而使用向量搜索改善他们的购物体验。

注册嵌入模型

首先，您需要使用 Spanner 数据库中的 Vertex AI textembedding-gecko 端点注册嵌入模型：

GoogleSQL 

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
)

替换以下内容：

  • MODEL_NAME：嵌入模型的名称
  • PROJECT：托管 Vertex AI 端点的项目
  • LOCATION：Vertex AI 端点的位置
  • MODEL_VERSION：textembedding-gecko 嵌入模型的版本

有关最佳实践，请考虑以下事项：

  • 如需保持配额隔离，请使用与生产端点不同的项目中的端点来生成和回填嵌入。预留生产端点以处理生产流量。
  • 确保模型端点支持 default_batch_size 的值。您可以使用查询提示 @{remote_udf_max_rows_per_rpc=NEW_NUMBER} 替换 default_batch_size。如需了解每个区域的 default_batch_size 限制，请参阅获取文本片段的文本嵌入。
  • 使用特定模型版本（例如 @003）而非 @latest 定义端点。这是因为为同一段文本生成的嵌入向量可能会因您使用的模型版本而异；因此，您需要避免使用不同的模型版本在同一数据集中生成嵌入。此外，更新模型定义语句中的模型版本不会更新已使用此模型生成的嵌入。管理嵌入模型版本的一种方法是在表中额外创建一个列来存储模型版本。
  • GoogleSQL ML.PREDICT 函数不支持自定义调整的 textembedding-gecko 模型。

测试嵌入模型的端到端集成

注册嵌入模型后，您可以将定义的 textembedding-gecko 模型与 ML.PREDICT 结合使用来执行查询，以测试嵌入模型是否配置成功并检索到嵌入。例如，运行以下查询：

GoogleSQL 

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

替换以下内容：

  • MODEL_NAME：嵌入模型的名称

更新源表，以添加其他列来存储嵌入

接下来，更新源表架构以添加一个数据类型为 ARRAY<FLOAT32> 的额外列，用于存储生成的嵌入：

GoogleSQL 

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME ARRAY<FLOAT32>;

替换以下内容：

  • TABLE_NAME：源表的名称
  • EMBEDDING_COLUMN_NAME：要在其中添加生成的嵌入的列的名称

例如，使用 products 表示例，运行以下命令：

GoogleSQL 

ALTER TABLE Products
ADD COLUMN desc_embed ARRAY<FLOAT32>;

您可以再添加一个列来管理嵌入模型的版本。

GoogleSQL 

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT64;

增加 Vertex AI 的配额

您可能需要在使用该模型的区域增加 textembedding-gecko 的 Vertex AI API 配额。如需申请增加配额，请参阅 Vertex AI 增加配额。

如需了解详情，请参阅 Vertex AI 配额和限制。

回填嵌入

最后，使用分区 DML 执行以下 UPDATE 语句，为文本数据列生成嵌入，并将嵌入存储在您的数据库中。您可以将模型版本与嵌入一起存储。我们建议您在数据库流量较低的时段执行此查询。

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;

替换以下内容：

  • TABLE_NAME：包含文本数据的表的名称
  • EMBEDDING_COLUMN_NAME：要在其中添加生成的嵌入的列的名称
  • DATA_COLUMN_NAME：包含文本数据的列的名称
  • MODEL_NAME：嵌入模型的名称
  • MAX_ROWS：每个 RPC 的最大行数
  • EMBEDDING_VERSION_COLUMN：管理用于回填嵌入的 textembedding-gecko 嵌入模型版本的列
  • MODEL_VERSION：textembedding-gecko 嵌入模型的版本
  • FILTER_CONDITION：您要应用的可分区过滤条件

如果使用 SAFE.ML.PREDICT，则系统会针对失败的请求返回 NULL。您还可以将 SAFE.ML.PREDICT 与 WHERE embedding_column IS NULL 过滤条件结合使用，以重新运行查询，而无需计算已计算字段的嵌入。

针对 products 表的回填查询示例：

GoogleSQL 

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;

有关最佳实践，请考虑以下事项：

  • Spanner API 的默认 gRPC 超时为一小时。 根据要回填的嵌入数量，您可能需要增加此超时时长，以确保 UPDATE 分区 DML 有足够的时间完成操作。如需了解详情，请参阅配置自定义超时和重试。
  • 只能使用分区 DML 将生成的嵌入与源数据表存储在同一表中。

性能和其他注意事项

在回填嵌入数据时，请考虑以下因素来优化性能。

节点数量

分区 DML 会在不同分区上并行执行给定的 DML 语句。对于具有大量节点的实例，在执行分区 DML 期间，您可能会看到配额错误。如果 Vertex AI API 请求因 Vertex AI API 配额限制而受到限制，则 Spanner 会在分区 DML 事务模式下重试这些失败最多 20 次。如果您在 Vertex AI 中发现配额错误率较高，请增加 Vertex AI 的配额。

数据列中文字的大小

Vertex AI 嵌入模型对每个文本输入的令牌数量上限有限制。不同的模型版本具有不同的令牌限制。每个 Vertex AI 请求可以具有多个输入文本字段，但单个请求中存在的最大令牌数量有限制。对于 GoogleSQL 数据库，如果遇到 INVALID_ARGUMENT 错误并显示“Request is too large”消息，请尝试减小批次大小以避免此错误。为此，您可以配置 default_batch_size，或在注册模型时使用 remote_udf_max_rows_per_rpc 查询提示。

发送到 Vertex AI 的 API 请求数

您可以使用查询提示 @{remote_udf_max_outstanding_rpcs} 来增加或减少从 Spanner 发送到 Vertex AI 的请求数。请注意，提高此限额可能会增加 Spanner 实例的 CPU 和内存用量。对于 GoogleSQL 数据库，使用此查询提示会替换为您的模型配置的 default_batch_size。

监控回填进度

您可以使用系统数据分析信息中心监控从 Spanner 发送到 Vertex AI 的请求数、延迟时间和网络字节数。

后续步骤