Utilizzare l'IA generativa per ricevere suggerimenti personalizzati in un'applicazione di e-commerce

Nota sull'interfaccia di PostgreSQL: L'integrazione di Spanner Vertex AI non è supportata nei database dialetto PostgreSQL.

Scopo

In questo tutorial imparerai a:

• Utilizza i modelli di IA generativa di Vertex AI forniti da Google in un database Spanner.
• Utilizza l'IA generativa per fornire suggerimenti personalizzati sui prodotti in un'applicazione di e-commerce di esempio.

Costi

Questo tutorial utilizza i componenti fatturabili di Google Cloud, tra cui:

• Spanner
• Vertex AI

Per ulteriori informazioni sui costi di Spanner, consulta la pagina Prezzi di Spanner.

Per ulteriori informazioni sui costi di Vertex AI, consulta la pagina relativa ai prezzi di Vertex AI.

Creare lo schema del sito web di e-commerce

Per questo tutorial, utilizziamo lo schema e i dati seguenti:

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");

Registrare un modello di IA generativa in uno schema di Spanner

In questo tutorial utilizziamo il modello text-bison di Vertex AI per fornire suggerimenti personalizzati sui prodotti ai clienti finali. Per registrare questo modello in un database Spanner, execute la seguente istruzione DDL:

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'
);

Sostituisci quanto segue:

• PROJECT: l'ID progetto
• LOCATION: la regione in cui utilizzi Vertex AI

Il rilevamento e la convalida dello schema non sono disponibili per i modelli di IA generativa. Pertanto, devi fornire clausole INPUT e OUTPUT che corrispondano allo schema del modello. Puoi trovare lo schema completo del modello text-bison nella pagina di riferimento dell'API Model di Vertex AI.

Finché sia il database sia gli endpoint si trovano nello stesso progetto, Spanner dovrebbe concedere automaticamente le autorizzazioni appropriate. In caso contrario, consulta la sezione Controllo dell'accesso agli endpoint del modello della pagina di riferimento CREATE MODEL.

Per verificare che il modello sia stato registrato correttamente, esegui una query con la funzione ML.PREDICT. Il modello prevede una singola colonna STRING denominata prompt. Puoi utilizzare una sottoquery di Spanner per generare la colonna prompt. Il modello TextBison richiede di specificare un parametro modello maxOutputTokens. Gli altri parametri sono facoltativi. Il modello Vertex AI text-bison non supporta il batch, quindi devi utilizzare il parametro @{remote_udf_max_rows_per_rpc=1} per impostare la dimensione del batch su 1.

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" |
+--------------------+

Utilizza il modello TextBison per rispondere alle domande dei clienti

I modelli di testo basati sull'IA generativa possono risolvere un'ampia gamma di problemi. Ad esempio, un utente su un sito web di e-commerce potrebbe cercare prodotti sicuri per i bambini. Con una singola query, possiamo passare la domanda al modello TextBison. Tutto quello che dobbiamo fare è fornire il contesto pertinente per la domanda recuperando i dettagli del prodotto dal database.

NOTA: alcune risposte del modello sono state modificate per brevità.

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. [...]" |
+------------+-----------------+--------------------------------------------------------------------------------------------------+

Puoi sostituire il valore letterale domanda con un parametro di ricerca, come @UserQuestion, se vuoi completare direttamente il parametro con una domanda del cliente. Questo offre al cliente un'esperienza di acquisto online basata sull&#AI.

Offrire consigli personalizzati sui prodotti ai clienti

Oltre ai dettagli del prodotto, possiamo anche aggiungere informazioni sul cliente a prompt. Questo consente al modello di prendere in considerazione le preferenze dell'utente in modo da poter fornire suggerimenti completamente personalizzati sui prodotti.

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"       |
+------------+-----------------+-------------+

Per cercare un regalo per il figlio, l'utente può creare un profilo per l'adolescente e visualizzare un elenco diverso di consigli:

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"    |
+------------+-----------------+---------+

Puoi aggiungere la cronologia acquisti o altri dettagli pertinenti alla richiesta per offrire al cliente un'esperienza più personalizzata.

L'integrazione di Spanner Vertex AI ti aiuta ad assemblare prompt complessi contenenti dati in tempo reale e utilizzarli per creare applicazioni basate sull'IA.