En esta página, se describe cómo generar predicciones de AA con el emulador de Spanner.
La integración de Vertex AI en Spanner se puede usar con el emulador de Spanner para generar predicciones con las funciones de predicción de AA de GoogleSQL o PostgreSQL. El emulador es un objeto binario que imita a un servidor de Spanner y también se puede usar en pruebas de integración y de unidades. Puedes usar el emulador como un proyecto de código abierto o de forma local con Google Cloud CLI. Para obtener más información sobre las funciones de predicción del AA, consulta ¿Cómo funciona la integración de Vertex AI en Spanner?
Puedes usar cualquier modelo con el emulador para generar predicciones. También puedes usar un modelo de Vertex AI Model Garden o un modelo implementado en tu extremo de Vertex AI. Dado que el emulador no se conecta a Vertex AI, no puede verificar el modelo ni su esquema para ningún modelo que se use desde Model Garden de Vertex AI o implementado en los extremos de Vertex AI.
De forma predeterminada, cuando usas una función de predicción con el emulador, la función genera un valor aleatorio basado en las entradas y el esquema de salida del modelo proporcionados. Puedes usar una función de devolución de llamada para modificar la entrada y la salida del modelo, y generar resultados de predicción basados en comportamientos específicos.
Antes de comenzar
Instala el emulador de Spanner
Puedes instalar el emulador de forma local o configurarlo con el repositorio de GitHub.
Seleccionar un modelo
Cuando usas la función ML.PREDICT (para GoogleSQL) o ML_PREDICT_ROW (para PostgreSQL), debes especificar la ubicación del modelo de AA. Puedes usar cualquier modelo entrenado. Si seleccionas un modelo que se ejecuta en Vertex AI Model Garden o un modelo implementado en el extremo de Vertex AI, debes proporcionar los valores input y output para estos modelos.
Para obtener más información sobre la integración de Vertex AI de Spanner, consulta ¿Cómo funciona la integración de Vertex AI de Spanner?
Genera predicciones
Puedes usar el emulador para generar predicciones con las funciones de predicción de AA de Spanner.
Comportamiento predeterminado
Para generar predicciones, puedes usar cualquier modelo implementado en un extremo con el emulador de Spanner. En el siguiente ejemplo, se usa un modelo llamado FraudDetection para generar un resultado.
GoogleSQL
Para obtener más información sobre cómo usar la función ML.PREDICT a fin de generar predicciones, consulta Genera predicciones de AA mediante SQL.
Registra el modelo
Antes de poder usar un modelo con la función ML.PREDICT, debes registrar el modelo con la declaración CREATE MODEL y proporcionar los valores input y output:
CREATE MODEL FraudDetection
INPUT (Amount INT64, Name STRING(MAX))
OUTPUT (Outcome BOOL)
REMOTE OPTIONS (
endpoint = '//aiplatform.googleapis.com/projects/PROJECT_ID/locations/REGION_ID/endpoints/ENDPOINT_ID'
);
Reemplaza lo siguiente:
PROJECT_ID: Es el ID del proyecto de Google Cloud en el que se encuentra el modelo.REGION_ID: Es el ID de la región de Google Cloud en la que se encuentra el modelo, por ejemplo,us-central1.ENDPOINT_ID: Es el ID del extremo del modelo.
Ejecuta la predicción
Usa la función ML.PREDICT de GoogleSQL para generar tu predicción.
SELECT Outcome
FROM ML.PREDICT(
MODEL FraudDetection,
(SELECT 1000 AS Amount, "John Smith" AS Name))
El resultado esperado de esta consulta es TRUE.
PostgreSQL
Para obtener más información sobre cómo usar la función spanner.ML_PREDICT_ROW a fin de generar predicciones, consulta Genera predicciones de AA mediante SQL.
Ejecuta la predicción
Usa la función de PostgreSQL spanner.ML_PREDICT_ROW para generar tu predicción.
SELECT (spanner.ml_predict_row(
'projects/`MODEL_ID`/locations/`REGION_ID`/endpoints/`ENDPOINT_ID`',
'{"instances": [{"Amount": "1000", "Name": "John Smith"}]}'
)->'predictions'->0->'Outcome')::boolean
Reemplaza lo siguiente:
PROJECT_ID: Es el ID del proyecto de Google Cloud en el que se encuentra el modelo.REGION_ID: Es el ID de la región de Google Cloud en la que se encuentra el modelo, por ejemplo,us-central1.ENDPOINT_ID: Es el ID del extremo del modelo.
El resultado esperado de esta consulta es TRUE.
Devolución de llamada personalizada
Puedes usar una función de devolución de llamada personalizada para implementar los comportamientos seleccionados del modelo y transformar las entradas específicas del modelo en salidas. En el siguiente ejemplo, se usa el modelo gemini-pro del Model Garden de Vertex AI y el emulador de Spanner para generar predicciones con una devolución de llamada personalizada.
Cuando usas una devolución de llamada personalizada para un modelo, debes bifurcar el repositorio del emulador de Spanner y, luego, compilarlo y, luego, implementarlo. Si deseas obtener más información para compilar y, luego, implementar el emulador de Spanner, consulta la guía de inicio rápido del emulador de Spanner.
GoogleSQL
Registra el modelo
Antes de poder usar un modelo con la función ML.PREDICT, debes registrar el modelo con la declaración CREATE MODEL:
CREATE MODEL GeminiPro
INPUT (prompt STRING(MAX))
OUTPUT (content STRING(MAX))
REMOTE OPTIONS (
endpoint = '//aiplatform.googleapis.com/projects/PROJECT_ID/locations/REGION_ID/publishers/google/models/gemini-pro',
default_batch_size = 1
);
Dado que el emulador no se conecta a Vertex AI,
debes proporcionar los valores input y output.
Reemplaza lo siguiente:
PROJECT_ID: Es el ID del proyecto de Google Cloud en el que se encuentra el modelo.REGION_ID: Es el ID de la región de Google Cloud en la que se encuentra el modelo, por ejemplo,us-central1.
Devolución de llamada
Usa una devolución de llamada para agregar lógica personalizada al modelo GeminiPro.
absl::Status ModelEvaluator::Predict(
const googlesql::Model* model,
const CaseInsensitiveStringMap<const ModelColumn>& model_inputs,
CaseInsensitiveStringMap<ModelColumn>& model_outputs) {
// Custom logic for GeminiPro.
if (model->Name() == "GeminiPro") {
RET_CHECK(model_inputs.contains("prompt"));
RET_CHECK(model_inputs.find("prompt")->second.value->type()->IsString());
RET_CHECK(model_outputs.contains("content"));
std::string content;
// Process prompts used in tests.
int64_t number;
static LazyRE2 is_prime_prompt = {R"(Is (\d+) a prime number\?)"};
if (RE2::FullMatch(
model_inputs.find("prompt")->second.value->string_value(),
*is_prime_prompt, &number)) {
content = IsPrime(number) ? "Yes" : "No";
} else {
// Default response.
content = "Sorry, I don't understand";
}
*model_outputs["content"].value = googlesql::values::String(content);
return absl::OkStatus();
}
// Custom model prediction logic can be added here.
return DefaultPredict(model, model_inputs, model_outputs);
}
Ejecuta la predicción
Usa la función ML.PREDICT de GoogleSQL para generar tu predicción.
SELECT content
FROM ML.PREDICT(MODEL GeminiPro, (SELECT "Is 7 a prime number?" AS prompt))
El resultado esperado de esta consulta es "YES".
PostgreSQL
Usa la función de PostgreSQL spanner.ML_PREDICT_ROW para generar tu predicción.
Devolución de llamada
Usa una devolución de llamada para agregar lógica personalizada al modelo GeminiPro.
absl::Status ModelEvaluator::PgPredict(
absl::string_view endpoint, const googlesql::JSONValueConstRef& instance,
const googlesql::JSONValueConstRef& parameters,
lesql::JSONValueRef prediction) {
if (endpoint.ends_with("publishers/google/models/gemini-pro")) {
RET_CHECK(instance.IsObject());
RET_CHECK(instance.HasMember("prompt"));
std::string content;
// Process prompts used in tests.
int64_t number;
static LazyRE2 is_prime_prompt = {R"(Is (\d+) a prime number\?)"};
if (RE2::FullMatch(instance.GetMember("prompt").GetString(),
*is_prime_prompt, &number)) {
content = IsPrime(number) ? "Yes" : "No";
} else {
// Default response.
content = "Sorry, I don't understand";
}
prediction.SetToEmptyObject();
prediction.GetMember("content").SetString(content);
return absl::OkStatus();
}
// Custom model prediction logic can be added here.
return DefaultPgPredict(endpoint, instance, parameters, prediction);
}
Ejecuta la predicción
SELECT (spanner.ml_predict_row(
'projects/`PROJECT_ID`/locations/`REGION_ID`/publishers/google/models/gemini-pro',
'{"instances": [{"prompt": "Is 7 a prime number?"}]}'
)->'predictions'->0->'content')::text
Reemplaza lo siguiente:
PROJECT_ID: Es el ID del proyecto de Google Cloud en el que se encuentra el modelo.REGION_ID: Es el ID de la región de Google Cloud en la que se encuentra el modelo, por ejemplo,us-central1.
El resultado esperado de esta consulta es "YES".