Obtén incorporaciones de texto de Vertex AI

Una incorporación de texto es una representación vectorial de datos de texto y se usa de muchas maneras para encontrar elementos similares. Interactúas con ellas cada vez que completas una búsqueda de Google o ves recomendaciones cuando compras en línea. Cuando creas incorporaciones de texto, obtienes representaciones vectoriales de texto natural como arrays de números de punto flotante. Esto significa que todo tu texto de entrada tiene asignada una representación numérica. Mediante la comparación de la distancia numérica entre las representaciones vectoriales de dos textos, una aplicación puede determinar la similitud entre el texto o los objetos representados por este.

Con la API de incorporaciones de texto de Vertex AI, puedes crear una incorporación de texto con IA generativa. Con este instructivo, puedes generar incorporaciones de texto para los datos almacenados en Spanner y los modelos de incorporación de Vertex AI, como el modelo textembedding-gecko.

Para obtener más información sobre las incorporaciones, consulta Obtén incorporaciones de texto.

Objetivo

En este instructivo, aprenderás a realizar lo siguiente:

  • Registra el modelo textembedding-gecko de Vertex AI en un esquema de Spanner con instrucciones DDL.
  • Haz referencia al modelo registrado con consultas en SQL para generar incorporaciones a partir de los datos almacenados en Spanner.

Costos

En este instructivo, se usan componentes facturables de Google Cloud, que incluyen lo siguiente:

  • Spanner
  • Vertex AI

Para obtener más información sobre los costos de Spanner, consulta la página Precios de Spanner.

Para obtener más información sobre los costos de Vertex AI, consulta la página Precios de Vertex AI.

Genera y almacena incorporaciones de texto

Según el modelo que uses, la generación de embeddings puede tardar un poco. Para cargas de trabajo más sensibles al rendimiento, se recomienda evitar generar incorporaciones en transacciones de lectura y escritura. En su lugar, genera las incorporaciones en una transacción de solo lectura con los siguientes ejemplos de SQL.

GoogleSQL

Registra un modelo de incorporaciones de texto en Spanner

En GoogleSQL, debes registrar un modelo antes de usarlo con la función ML.PREDICT. Para registrar el modelo textembedding-gecko en una base de datos de Spanner, ejecuta la siguiente instrucción de 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'
);

Reemplaza lo siguiente:

  • MODEL_NAME: Es el nombre del modelo de incorporación.
  • PROJECT: Es el proyecto que aloja el extremo de Vertex AI.
  • LOCATION: la ubicación del extremo de Vertex AI
  • MODEL_VERSION: Es la versión del modelo de incorporación textembedding-gecko.

Spanner otorga los permisos adecuados automáticamente. Si no es así, revisa el control de acceso a los extremos de los modelos.

El descubrimiento y la validación de esquemas no están disponibles para los modelos de IA generativa. Debes proporcionar cláusulas INPUT y OUTPUT que coincidan con el esquema de los modelos. Para ver el esquema completo del modelo Gecko, consulta Obtén incorporaciones de texto.

Genera incorporaciones de texto

Para generar incorporaciones, pasa un texto directamente a la función ML.PREDICT con el siguiente SQL:

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

Para generar incorporaciones para los datos almacenados en una tabla, usa el siguiente SQL:

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

Almacena incorporaciones de texto

Después de generar las incorporaciones en una transacción de solo lectura, almacénalas en Spanner para que se puedan administrar con tus datos operativos. Para almacenar las incorporaciones, usa una transacción de lectura y escritura.

Para las cargas de trabajo que son menos sensibles al rendimiento, puedes generar e insertar incorporaciones con la siguiente sentencia SQL en una transacción de lectura y escritura:

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

Genera incorporaciones de texto

Para generar incorporaciones, pasa un texto directamente a la función spanner.ML_PREDICT_ROW con el siguiente 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';

Reemplaza lo siguiente:

  • PROJECT: Es el proyecto que aloja el extremo de Vertex AI.
  • LOCATION: la ubicación del extremo de Vertex AI
  • MODEL_VERSION: Es la versión del modelo de incorporación de textembedding-gecko.

Para generar incorporaciones para los datos almacenados en una tabla, usa el siguiente 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;

Reemplaza lo siguiente:

  • PROJECT: Es el proyecto que aloja el extremo de Vertex AI.
  • LOCATION: la ubicación del extremo de Vertex AI
  • MODEL_VERSION: Es la versión del modelo de incorporación de textembedding-gecko.

Almacena incorporaciones de texto

Después de generar las incorporaciones en una transacción de solo lectura, almacénalas en Spanner para que se puedan administrar con tus datos operativos. Para almacenar las incorporaciones, usa una transacción de lectura y escritura.

Para las cargas de trabajo que son menos sensibles al rendimiento, puedes generar e insertar incorporaciones con la siguiente sentencia SQL en una transacción de lectura y escritura:

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'
));

Reemplaza lo siguiente:

  • PROJECT: Es el proyecto que aloja el extremo de Vertex AI.
  • LOCATION: la ubicación del extremo de Vertex AI
  • MODEL_VERSION: Es la versión del modelo de incorporación de textembedding-gecko.

Actualiza las incorporaciones de texto

Para actualizar tus incorporaciones o transferir datos en tiempo real, usa la sentencia UPDATE (GoogleSQL y PostgreSQL).

Para actualizar la tabla Products del ejemplo anterior, usa el siguiente SQL:

GoogleSQL 

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

Reemplaza lo siguiente:

  • MODEL_NAME: Es el nombre del modelo de incorporación.

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;

Reemplaza lo siguiente:

  • PROJECT: Es el proyecto que aloja el extremo de Vertex AI.
  • LOCATION: la ubicación del extremo de Vertex AI
  • MODEL_VERSION: Es la versión del modelo de incorporación de textembedding-gecko.

¿Qué sigue?