Mit generativer KI personalisierte Empfehlungen in einer E-Commerce-Anwendung erhalten

Hinweis zur PostgreSQL-Oberfläche: Die Spanner Vertex AI-Integration wird in PostgreSQL-Datenbanken nicht unterstützt.

Ziel

In dieser Anleitung erfahren Sie mehr über die folgenden Themen:

• Von Google bereitgestellte Generative AI-Modelle von Vertex AI in einer Spanner-Datenbank verwenden
• Mit generativer KI personalisierte Produktempfehlungen in einer Beispiel-E-Commerce-Anwendung bereitstellen

Kosten

In dieser Anleitung werden kostenpflichtige Komponenten von Google Cloudverwendet, darunter:

• Spanner
• Vertex AI

Weitere Informationen zu den Spanner-Kosten finden Sie auf der Seite Spanner-Preise.

Weitere Informationen zu den Kosten für Vertex AI finden Sie auf der Seite Vertex AI-Preise.

Schema für E-Commerce-Website erstellen

In dieser Anleitung verwenden wir das folgende Schema und die folgenden Daten:

CREATE TABLE Products (
  id INT64,
  name STRING(MAX),
  description STRING(MAX),
  category_id INT64,
) PRIMARY KEY(id);

CREATE TABLE Categories (
  id INT64,
  name STRING(MAX)
) PRIMARY KEY(id);

CREATE TABLE Users (
  id INT64,
  age INT64,
  likes STRING(MAX)
) PRIMARY KEY(id);

INSERT INTO Categories (id, name) VALUES
    (1, "Toys"),
    (2, "Tools");

INSERT INTO Products (id, name, description, category_id) VALUES
    (1, "Plush Bear", "Really fluffy. Safe for infants.", 1),
    (2, "Bike", "Bike for teenagers.", 1),
    (3, "Drill", "Cordless.", 2);

INSERT INTO Users (id, age, likes) VALUES
    (1, 30, "DIY"),
    (2, 14, "Toys");

Generative AI-Modell in einem Spanner-Schema registrieren

In dieser Anleitung verwenden wir das Vertex AI-Modell text-bison, um Endkunden personalisierte Produktempfehlungen zu geben. Um dieses Modell in einer Spanner-Datenbank zu registrieren, führen Sie die folgende DDL-Anweisung aus:

CREATE MODEL TextBison
INPUT (prompt STRING(MAX))
OUTPUT (content STRING(MAX))
REMOTE
OPTIONS (
  endpoint = '//aiplatform.googleapis.com/projects/PROJECT/locations/LOCATION/publishers/google/models/text-bison'
);

Ersetzen Sie Folgendes:

• PROJECT: die Projekt-ID
• LOCATION: Die Region, in der Sie Vertex AI verwenden.

Die Schemaerkennung und -validierung ist für Modelle mit generativer KI nicht verfügbar. Daher müssen Sie INPUT- und OUTPUT-Klauseln angeben, die dem Schema des Modells entsprechen. Das vollständige Schema des Modells text-bison finden Sie auf der Seite Vertex AI Model API Reference.

Solange sich sowohl die Datenbank als auch die Endpunkte im selben Projekt befinden, sollte Spanner die entsprechenden Berechtigungen automatisch gewähren. Andernfalls lesen Sie den Abschnitt Zugriffssteuerung für Modellendpunkte auf der Referenzseite CREATE MODEL.

Um zu prüfen, ob das Modell korrekt registriert wurde, können Sie es mit der Funktion ML.PREDICT abfragen. Das Modell erwartet eine einzelne STRING-Spalte mit dem Namen prompt. Sie können eine Spanner-Unterabfrage verwenden, um die Spalte prompt zu generieren. Für das TextBison-Modell müssen Sie einen maxOutputTokens-Modellparameter angeben. Andere Parameter sind optional. Das Vertex AI-text-bison-Modell unterstützt keine Batchverarbeitung. Sie müssen daher den Parameter @{remote_udf_max_rows_per_rpc=1} verwenden, um die Batchgröße auf 1 festzulegen.

SELECT content
FROM ML.PREDICT(
  MODEL TextBison,
  (SELECT "Is 13 prime?" AS prompt),
  STRUCT(256 AS maxOutputTokens, 0.2 AS temperature, 40 as topK, 0.95 AS topP)
) @{remote_udf_max_rows_per_rpc=1};

+--------------------+
| content            |
+--------------------+
| "Yes, 13 is prime" |
+--------------------+

TextBison-Modell verwenden, um Kundenfragen zu beantworten

Mit Textmodellen der generativen KI lassen sich eine Vielzahl von Problemen lösen. Ein Nutzer auf einer E-Commerce-Website sucht beispielsweise nach Produkten, die für Säuglinge sicher sind. Mit einer einzigen Abfrage können wir die Frage an das TextBison-Modell weitergeben. Wir müssen lediglich den relevanten Kontext für die Frage liefern, indem wir Produktdetails aus der Datenbank abrufen.

HINWEIS: Einige Modellantworten wurden aus Gründen der Übersichtlichkeit bearbeitet.

SELECT product_id, product_name, content
FROM ML.PREDICT(
  MODEL TextBison,
  (SELECT
    product.id as product_id,
    product.name as product_name,
    CONCAT("Is this product safe for infants?", "\n",
        "Product Name: ", product.name, "\n",
        "Category Name: ", category.name, "\n",
        "Product Description:", product.description) AS prompt
   FROM
     Products AS product JOIN Categories AS category
       ON product.category_id = category.id),
  STRUCT(100 AS maxOutputTokens)
) @{remote_udf_max_rows_per_rpc=1};

-- The model correctly recommends a Plush Bear as safe for infants.
-- Other products are not safe and the model provides justification why.
+------------+-----------------+--------------------------------------------------------------------------------------------------+
| product_id | product_name    | content                                                                                          |
+------------+-----------------+--------------------------------------------------------------------------------------------------+
|          1 | "Plush Bear"    | "Yes, this product is infant safe. [...] "                                                       |
|            |                 | "The product description says that the product is safe for infants. [...]"                       |
+------------+-----------------+--------------------------------------------------------------------------------------------------+
|          2 | "Bike"          | "No, this product is not infant safe. [...] "                                                    |
|            |                 | "It is not safe for infants because it is too big and heavy for them to use. [...]"              |
+------------+-----------------+--------------------------------------------------------------------------------------------------+
|          3 | "Drill"         | "No, this product is not infant safe. [...]"                                                     |
|            |                 | " If an infant were to grab the drill, they could pull it on themselves and cause injury. [...]" |
+------------+-----------------+--------------------------------------------------------------------------------------------------+

Sie können das Frageliteral durch einen Abfrageparameter wie @UserQuestion ersetzen, wenn Sie den Parameter direkt mit einer Kundenfrage ausfüllen möchten. So erhalten Kunden ein KI-gestütztes Online-Shopping-Erlebnis.

Kunden personalisierte Produktempfehlungen anbieten

Zusätzlich zu den Produktdetails können wir der prompt auch Informationen zum Kunden hinzufügen. So können die Nutzerpräferenzen berücksichtigt werden, um vollständig personalisierte Produktempfehlungen zu geben.

SELECT product_id, product_name, content
FROM ML.PREDICT(
  MODEL TextBison,
  (SELECT
    product.id as product_id,
    product.name as product_name,
    CONCAT(
        "Answer with YES or NO only: Is this a good fit for me?",
        "My age:", CAST(user.age AS STRING), "\n",
        "I like:", user.likes,  "\n",
        "Product name: ", product.name, "\n",
        "Category mame: ", category.name, "\n",
        "Product description:", product.description) AS prompt,
   FROM
     Products AS product
       JOIN Categories AS category ON product.category_id = category.id
       JOIN Users AS user ON user.id = 1),
  STRUCT(256 AS maxOutputTokens)
) @{remote_udf_max_rows_per_rpc=1};

-- The model correctly guessed that the user might be interested in a Drill
-- as they are interested in DIY.
+------------+-----------------+-------------+
| product_id | product_name    | content     |
+------------+-----------------+-------------+
|          1 | "Plush Bear"    | "NO"        |
+------------+-----------------+-------------+
|          2 | "Bike"          | "NO"        |
+------------+-----------------+-------------+
|          3 | "Drill"         | "YES"       |
+------------+-----------------+-------------+

Wenn der Nutzer nach einem Geschenk für sein Kind sucht, kann er ein Profil für sein Kind erstellen und eine andere Liste mit Empfehlungen sehen:

SELECT product_id, product_name, content
FROM ML.PREDICT(
  MODEL TextBison,
  (SELECT
    product.id as product_id,
    product.name as product_name,
    CONCAT(
        "Answer with YES or NO only: Is this a good fit for me?",
        "\nMy's age:", CAST(user.age AS STRING),
        "\nI like:", user.likes,
        "\nProduct Name: ", product.name,
        "\nCategory Name: ", category.name,
        "\nProduct Description:", product.description) AS prompt,
   FROM
     Products AS product
       JOIN Categories AS category ON product.category_id = category.id
       JOIN Users AS user ON user.id = 2),
  STRUCT(40 AS maxOutputTokens)
) @{remote_udf_max_rows_per_rpc=1};

-- The model correctly guesses that a teenager is interested in a Bike,
-- but not a plush bear for infants or spicy peppers.
+------------+-----------------+---------+
| product_id | product_name    | content |
+------------+-----------------+---------+
|          1 | "Plush Bear"    | "NO"    |
+------------+-----------------+---------+
|          2 | "Bike"          | "YES"   |
+------------+-----------------+---------+
|          3 | "Spicy peppers" | "NO"    |
+------------+-----------------+---------+

Sie können dem Prompt den bisherigen Kaufverlauf oder andere relevante Details hinzufügen, um dem Kunden eine individuellere Erfahrung zu bieten.

Mit der Einbindung von Spanner Vertex AI können Sie komplexe Prompts mit Livedaten erstellen und damit KI-gestützte Anwendungen entwickeln.