Questa pagina descrive come generare previsioni ML utilizzando l'emulatore Spanner.
L'integrazione di Spanner Vertex AI può essere utilizzata con l'emulatore Spanner per generare previsioni utilizzando le funzioni di previsione ML di GoogleSQL o PostgreSQL. L'emulatore è un programma binario che imita un server Spanner e può essere utilizzato anche nei test di unità e integrazione. Puoi utilizzare l'emulatore come progetto open source o in locale utilizzando Google Cloud CLI. Per saperne di più sulle funzioni di previsione ML, consulta Come funziona l'integrazione di Spanner Vertex AI?.
Puoi usare qualsiasi modello con l'emulatore per generare previsioni. Puoi anche utilizzare un modello da Vertex AI Model Garden o un modello di cui è stato eseguito il deployment nell'endpoint Vertex AI. Poiché l'emulatore non si connette a Vertex AI, l'emulatore non può verificare il modello o lo schema per qualsiasi modello utilizzato da Vertex AI Model Garden o di cui è stato eseguito il deployment negli endpoint Vertex AI.
Per impostazione predefinita, quando utilizzi una funzione di previsione con l'emulatore, la funzione restituisce un valore casuale in base agli input del modello forniti e allo schema di output del modello. Puoi utilizzare una funzione di callback per modificare l'input e l'output del modello e generare risultati della previsione in base a comportamenti specifici.
Prima di iniziare
Installa l'emulatore Spanner
Puoi installare l'emulatore localmente o configurarlo utilizzando il repository GitHub.
Seleziona un modello
Quando utilizzi la funzione ML.PREDICT (per GoogleSQL) o ML_PREDICT_ROW (per PostgreSQL), devi specificare la località del modello ML. Puoi utilizzare qualsiasi modello addestrato. Se selezioni un modello in esecuzione in Vertex AI Model Garden o un modello di cui è stato eseguito il deployment nell'endpoint Vertex AI, devi fornire i valori input e output per questi modelli.
Per scoprire di più sull'integrazione di Spanner Vertex AI, consulta Come funziona l'integrazione di Spanner Vertex AI?.
elabora le previsioni
Puoi utilizzare l'emulatore per generare previsioni mediante le funzioni di previsione di Spanner ML.
Comportamento predefinito
Puoi utilizzare qualsiasi modello di cui è stato eseguito il deployment in un endpoint con l'emulatore Spanner per generare previsioni. L'esempio seguente utilizza un modello chiamato
FraudDetection per generare un risultato.
GoogleSQL
Per scoprire di più su come utilizzare la funzione ML.PREDICT per generare previsioni, consulta Generare previsioni ML utilizzando SQL.
Registra il modello
Prima di poter utilizzare un modello con la funzione ML.PREDICT, devi registrare il modello utilizzando l'istruzione CREATE MODEL e fornire i valori input e 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'
);
Sostituisci quanto segue:
PROJECT_ID: l'ID del progetto Google Cloud in cui si trova il modelloREGION_ID: l'ID della regione Google Cloud in cui si trova il modello, ad esempious-central1ENDPOINT_ID: l'ID dell'endpoint del modello
Esegui la previsione
Utilizza la funzione GoogleSQL
ML.PREDICT
per generare la previsione.
SELECT Outcome
FROM ML.PREDICT(
MODEL FraudDetection,
(SELECT 1000 AS Amount, "John Smith" AS Name))
L'output previsto di questa query è TRUE.
PostgreSQL
Per scoprire di più su come utilizzare la funzione spanner.ML_PREDICT_ROW per generare previsioni, consulta Generare previsioni ML utilizzando SQL.
Esegui la previsione
Utilizza la funzione PostgreSQL spanner.ML_PREDICT_ROW per generare la previsione.
SELECT (spanner.ml_predict_row(
'projects/`MODEL_ID`/locations/`REGION_ID`/endpoints/`ENDPOINT_ID`',
'{"instances": [{"Amount": "1000", "Name": "John Smith"}]}'
)->'predictions'->0->'Outcome')::boolean
Sostituisci quanto segue:
PROJECT_ID: l'ID del progetto Google Cloud in cui si trova il modelloREGION_ID: l'ID della regione Google Cloud in cui si trova il modello, ad esempious-central1ENDPOINT_ID: l'ID dell'endpoint del modello
L'output previsto di questa query è TRUE.
Callback personalizzato
Puoi utilizzare una funzione di callback personalizzata per implementare i comportamenti del modello selezionato
e trasformare gli input specifici del modello in output. L'esempio seguente utilizza il modello gemini-pro di Vertex AI Model Garden e l'emulatore Spanner per generare previsioni utilizzando un callback personalizzato.
Quando utilizzi un callback personalizzato per un modello, devi eseguire il fork del repository dell'emulatore di Spanner, quindi crearlo ed eseguirne il deployment. Per maggiori informazioni su come creare ed eseguire il deployment dell'emulatore Spanner, consulta la guida rapida sull'emulatore Spanner.
GoogleSQL
Registra il modello
Prima di poter utilizzare un modello con la funzione ML.PREDICT, devi registrarlo utilizzando l'istruzione 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
);
Poiché l'emulatore non si connette a Vertex AI, devi fornire i valori input e output.
Sostituisci quanto segue:
PROJECT_ID: l'ID del progetto Google Cloud in cui si trova il modelloREGION_ID: l'ID della regione Google Cloud in cui si trova il modello, ad esempious-central1
Richiama
Utilizza un callback per aggiungere una logica personalizzata al modello 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);
}
Esegui la previsione
Utilizza la funzione GoogleSQL
ML.PREDICT
per generare la previsione.
SELECT content
FROM ML.PREDICT(MODEL GeminiPro, (SELECT "Is 7 a prime number?" AS prompt))
L'output previsto di questa query è "YES".
PostgreSQL
Utilizza la funzione PostgreSQL spanner.ML_PREDICT_ROW per generare la previsione.
Richiama
Utilizza un callback per aggiungere una logica personalizzata al modello 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);
}
Esegui la previsione
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
Sostituisci quanto segue:
PROJECT_ID: l'ID del progetto Google Cloud in cui si trova il modelloREGION_ID: l'ID della regione Google Cloud in cui si trova il modello, ad esempious-central1
L'output previsto di questa query è "YES".