En esta página, se describe cómo generar predicciones de aprendizaje automático con el emulador de Spanner para bases de datos con dialecto de GoogleSQL y bases de datos con dialecto de PostgreSQL.
La integración de Vertex AI de 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 un servidor de Spanner y también se puede usar en pruebas de unidades y de integración. 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 Spanner con Vertex AI?.
Puedes usar cualquier modelo con el emulador para generar predicciones. También puedes usar un modelo del Vertex AI Model Garden o un modelo implementado en tu extremo de Vertex AI. Como el emulador no se conecta a Vertex AI, no puede verificar el modelo ni su esquema para ningún modelo que se use desde el Model Garden de Vertex AI o que se implemente en los extremos de Vertex AI.
De forma predeterminada, cuando usas una función de predicción con el emulador, esta genera un valor aleatorio según las entradas del modelo proporcionadas y el esquema de salida del modelo. Puedes usar una función de devolución de llamada para modificar la entrada y salida del modelo, y generar resultados de predicción según comportamientos específicos.
Antes de comenzar
Completa los siguientes pasos antes de usar el emulador de Spanner para generar predicciones de IA.
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 Model Garden de Vertex AI o un modelo que se implementó en tu extremo de Vertex AI, debes proporcionar los valores input y output para estos modelos.
Para obtener más información sobre la integración de Vertex AI con Spanner, consulta ¿Cómo funciona la integración de Vertex AI con Spanner?.
Genere predicciones
Puedes usar el emulador para generar predicciones con las funciones de predicción de Spanner ML.
Comportamiento predeterminado
Puedes usar cualquier modelo implementado en un extremo con el emulador de Spanner para generar predicciones. 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 para generar predicciones, consulta Cómo generar predicciones de AA con SQL.
Registra el modelo
Antes de poder usar un modelo con la función ML.PREDICT, debes registrarlo con la sentencia 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: El ID del proyecto de Google Cloud en el que se encuentra el modeloREGION_ID: El ID de la Google Cloud región en la que se encuentra el modelo, por ejemplo,us-central1ENDPOINT_ID: Es el ID del extremo del modelo.
Ejecuta la predicción
Usa la función GoogleSQL ML.PREDICT 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 para generar predicciones, consulta Cómo generar predicciones de AA con SQL.
Ejecuta la predicción
Usa la función spanner.ML_PREDICT_ROW de PostgreSQL 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: El ID del proyecto de Google Cloud en el que se encuentra el modeloREGION_ID: El ID de la Google Cloud región en la que se encuentra el modelo, por ejemplo,us-central1ENDPOINT_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 comportamientos de modelos seleccionados
y transformar entradas de modelos específicas en salidas. En el siguiente ejemplo, se usa el
modelo gemini-pro de 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 crear una bifurcación del repositorio del emulador de Spanner y, luego, compilarlo e implementarlo. Para obtener más información sobre cómo compilar e 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 registrarlo con la sentencia 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
);
Como el emulador no se conecta a Vertex AI, debes proporcionar los valores input y output.
Reemplaza lo siguiente:
PROJECT_ID: El ID del proyecto de Google Cloud en el que se encuentra el modeloREGION_ID: El ID de la Google Cloud región en la que se encuentra el modelo, por ejemplo,us-central1
Callback
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 GoogleSQL ML.PREDICT 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 spanner.ML_PREDICT_ROW de PostgreSQL para generar tu predicción.
Callback
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: El ID del proyecto de Google Cloud en el que se encuentra el modeloREGION_ID: El ID de la Google Cloud región en la que se encuentra el modelo, por ejemplo,us-central1
El resultado esperado de esta consulta es "YES".