Acessar embeddings de texto da Vertex AI

Um embedding de texto é uma representação vetorial de dados de texto e é usado de várias maneiras para encontrar itens semelhantes. Você interage com eles sempre que faz uma pesquisa no Google ou recebe recomendações ao fazer compras on-line. Ao criar embeddings de texto, você recebe representações vetoriais de texto natural como matrizes de números de ponto flutuante. Isso significa que todas as entradas recebe uma representação numérica. Comparando a distância numérica entre as representações vetoriais de dois textos, um aplicativo pode determinar a semelhança entre o texto ou os objetos representados pelo em textos.

Com a API Text-embeddings da Vertex AI, é possível criar a incorporação de texto com a IA generativa. Usando este tutorial, você pode gerar embeddings de texto para os dados armazenados nos modelos de embeddings da Spanner e da Vertex AI, como o textembedding-gecko.

Para saber mais sobre embeddings, consulte Usar embeddings de texto.

Objetivo

Neste tutorial, você aprenderá a realizar as seguintes tarefas:

  • Registre o modelo textembedding-gecko da Vertex AI em um esquema do Spanner usando instruções DDL.
  • Faça referência ao modelo registrado usando consultas SQL para gerar embeddings de dados armazenados no Spanner.

Custos

Neste tutorial, há componentes faturáveis do Google Cloud, entre eles:

  • Spanner
  • Vertex AI

Para mais informações sobre os custos do Spanner, consulte a Preços do Spanner.

Para mais informações sobre os custos da Vertex AI, consulte a página de preços da Vertex AI.

Gerar e armazenar embeddings de texto

Dependendo do modelo usado, a geração de embeddings pode levar algum tempo. Para cargas de trabalho mais sensíveis ao desempenho, a prática recomendada é evitar a geração de incorporações em transações de leitura e gravação. Em vez disso, gere os embeddings transação somente leitura usando os exemplos de SQL a seguir.

GoogleSQL

Registrar um modelo de embedding de texto no Spanner

No GoogleSQL, você precisa registrar um modelo antes de usá-lo com a função ML.PREDICT. Para registrar o modelo textembedding-gecko em um banco de dados do Spanner, execute a seguinte instrução do DDL:

CREATE MODEL MODEL_NAME
INPUT(content STRING(MAX))
OUTPUT(
  embeddings
    STRUCT<
      statistics STRUCT<truncated BOOL, token_count FLOAT64>,
      values ARRAY<FLOAT64>>
)
REMOTE OPTIONS (
  endpoint = '//aiplatform.googleapis.com/projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION'
);

Substitua:

  • MODEL_NAME: o nome do modelo de embedding
  • PROJECT: o projeto que hospeda o endpoint da Vertex AI
  • LOCATION: o local do endpoint da Vertex AI.
  • MODEL_VERSION: a versão do modelo de embedding textembedding-gecko

O Spanner concede as permissões adequadas automaticamente. Se caso contrário, analise o controle de acesso de endpoint do modelo.

A descoberta e a validação de esquemas não estão disponíveis para modelos de IA generativa. É necessário fornecer cláusulas INPUT e OUTPUT que correspondam ao esquema dos modelos. Para acessar o esquema completo do modelo Gecko, Receber embeddings de texto.

Gerar embeddings de texto

Para gerar embeddings, transmita um trecho de texto diretamente para a função ML.PREDICT usando o seguinte SQL:

SELECT embeddings.values
FROM ML.PREDICT(
  MODEL MODEL_NAME,
  (SELECT "A product description" as content)
);

Para gerar embeddings para dados armazenados em uma tabela, use o seguinte SQL:

SELECT id, embeddings.values
FROM ML.PREDICT(
  MODEL MODEL_NAME,
  (SELECT id, description as content FROM Products)
);

Armazenar embeddings de texto

Depois de gerar as embeddings em uma transação somente leitura, armazene-as no Spanner para que possam ser gerenciadas com seus dados operacionais. Para armazenar as representações, use uma transação de leitura/gravação.

Para cargas de trabalho menos sensíveis à performance, é possível gerar e inserir incorporações com o seguinte SQL em uma transação de leitura e gravação:

CREATE TABLE Products(
  id INT64 NOT NULL,
  description STRING(MAX),
  embeddings ARRAY<FLOAT32>,
) PRIMARY KEY(id);

INSERT INTO Products (id, description, embeddings)
SELECT @Id, @Description, embeddings.values
FROM ML.PREDICT(
  MODEL MODEL_NAME,
  (SELECT @Description as content)
);

PostgreSQL

Gerar embeddings de texto

Para gerar embeddings, transmita um trecho de texto diretamente para a função spanner.ML_PREDICT_ROW usando o seguinte SQL:

SELECT
  spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION',
    '{"instances": [{"content": "A product description"}]}'::jsonb
  ) ->'predictions'->0->'embeddings'->'values';

Substitua:

  • PROJECT: o projeto que hospeda o endpoint da Vertex AI.
  • LOCATION: o local do endpoint da Vertex AI.
  • MODEL_VERSION: a versão do modelo de embedding textembedding-gecko

Para gerar embeddings para dados armazenados em uma tabela, use o seguinte SQL:

SELECT id, spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION',
    JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', description))))
  ) -> `predictions`->0->`embeddings`->`values``
FROM Products;

Substitua:

  • PROJECT: o projeto que hospeda o endpoint da Vertex AI.
  • LOCATION: o local do endpoint da Vertex AI.
  • MODEL_VERSION: a versão do modelo de embedding textembedding-gecko

Armazenar embeddings de texto

Após gerar os embeddings em uma transação somente leitura, armazene-os em Spanner para que possam ser gerenciadas com seus dados operacionais. Para armazenar os embeddings, usando uma transação de leitura/gravação.

Para cargas de trabalho menos sensíveis ao desempenho, é possível gerar e inserir com o seguinte SQL em uma transação de leitura/gravação:

CREATE TABLE Products (
  id INT8 NOT NULL,
  description TEXT,
  embeddings REAL[],
  PRIMARY KEY(id)
);

INSERT INTO Products (id, description, embeddings)
SELECT @Id, @Description, spanner.FLOAT32_ARRAY(spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION',
    JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', @Description)))
  ) -> 'predictions'->0->'embeddings'->'values'
));

Substitua:

  • PROJECT: o projeto que hospeda o endpoint da Vertex AI.
  • LOCATION: o local do endpoint da Vertex AI.
  • MODEL_VERSION: a versão do modelo de embedding de textembedding-gecko.

Atualizar embeddings de texto

Para atualizar seus embeddings ou ingerir dados em tempo real, use o UPDATE (GoogleSQL e PostgreSQL) instrução.

Para atualizar a tabela Products no exemplo anterior, use o seguinte SQL:

GoogleSQL 

UPDATE Products
SET
  description = @description,
  embeddings = (SELECT embeddings.values
                  FROM ML.PREDICT(MODEL MODEL_NAME, (SELECT @description as content))
              )
WHERE id = @id;

Substitua:

  • MODEL_NAME: o nome do modelo de embedding

PostgreSQL 

UPDATE
  Products
SET
  description = $1,
  embeddings = spanner.FLOAT32_ARRAY(
    spanner.ML_PREDICT_ROW(
      'projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION',
      JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', $1)))
    ) -> 'predictions'->0->'embeddings'->'values')
WHERE
  id = $2;

Substitua:

  • PROJECT: o projeto que hospeda o endpoint da Vertex AI.
  • LOCATION: o local do endpoint da Vertex AI.
  • MODEL_VERSION: a versão do modelo de embedding de textembedding-gecko.

A seguir