ML-Vorhersagen mit SQL generieren

Auf dieser Seite erfahren Sie, wie Sie anhand einer Spanner-Datenbank. ML-Vorhersagen funktionieren sowohl mit GoogleSQL- als auch mit PostgreSQL-Datenbanken.

Durch die Einbindung von Spanner Vertex AI können Sie mithilfe Ihrer durch Aufrufen der Methode ML.PREDICT für GoogleSQL oder die spanner.ML_PREDICT_ROW für PostgreSQL. Weitere Informationen zu Einbindung von Spanner Vertex AI finden Sie unter Übersicht über die Einbindung von Spanner Vertex AI.

Hinweis

Bevor Sie Vorhersagen aus einer Spanner-Instanz generieren können, müssen Sie Ihre Datenbank vorbereiten und ein Modell auswählen.

Zugriff für die Einbindung von Spanner Vertex AI in Vertex AI-Endpunkte konfigurieren

Spanner erstellt den Dienst-Agent und gewährt die erforderlichen Berechtigungen wenn Spanner die erste MODEL-DDL-Anweisung ausführt. Wenn sich sowohl die Spanner-Datenbank als auch der Vertex AI-Endpunkt im selben Projekt befinden, ist keine zusätzliche Einrichtung erforderlich.

Wenn das Spanner-Dienstkonto für Ihr Spanner-Projekt noch nicht vorhanden ist, erstellen Sie es mit dem folgenden Befehl:

gcloud beta services identity create --service=spanner.googleapis.com --project={PROJECT}`

Führen Sie die Schritte unter Einzelne Rolle gewähren aus, um dem Spanner-Dienstkonto [e-mail] in Ihrem Vertex AI-Projekt die Rolle Spanner API Service Agent zuzuweisen.

Modell auswählen

Wenn Sie den ML.PREDICT (für GoogleSQL) oder den spanner.ML_PREDICT_ROW (für PostgreSQL) verwenden, müssen Sie den Standort angeben des ML-Modells. Das ausgewählte Modell kann eines der folgenden sein:

• Ein Modell, das in der Vertex AI Model Garden

• Ein Vertex AI-Modell mit einem aktiven Endpunkt, für den Ihr Spanner-Dienstagent die IAM-Berechtigung hat.

Weitere Informationen zur Einbindung von Spanner Vertex AI finden Sie unter Wie funktioniert die Einbindung von Spanner Vertex AI?

Vorhersagen generieren

Je nach Typ des ausgewählten Modells unterscheiden sich die Schritte zum Generieren der Vorhersagen.

Modell in Vertex AI Model Garden verwenden

Wenn Sie eine Vorhersage mit einem Modell aus dem Vertex AI Model Garden generieren möchten, wählen Sie ein Modell aus dem Model Garden aus.

GoogleSQL

Bevor Sie ein Modell mit ML.PREDICT() verwenden können, müssen Sie es registrieren mit der CREATE MODEL-Anweisung.

CREATE MODEL 'MODEL_NAME'
INPUT (INPUT_COLUMN_NAME INPUT_COLUMN_TYPE)
OUTPUT (OUTPUT_COLUMN_NAME OUTPUT_COLUMN_TYPE)
REMOTE
OPTIONS (
  endpoint = '//aiplatform.googleapis.com/projects/PROJECT_ID/locations/LOCATION_ID/publishers/google/models/model_id'
);

Ersetzen Sie Folgendes:

• MODEL_NAME: Name, den Sie dem Modell geben möchten

• INPUT_COLUMN_NAME: Der Name der Eingabespalte. Wenn Sie beispielsweise das Modell gemini-pro verwenden, lautet der Name der Eingabespalte prompt.

• INPUT_COLUMN_TYPE: der Datentyp für INPUT_COLUMN_NAME

• OUTPUT_COLUMN_NAME: der Name Ihrer Ausgabespalte. Beispiel: Bei Verwendung des Modells gemini-pro lautet der Name der Ausgabespalte content.

• OUTPUT_COLUMN_TYPE: der Datentyp für OUTPUT_COLUMN_NAME

• PROJECT_ID ist die ID Ihres Google Cloud-Projekts

• REGION_ID: die ID der Google Cloud-Region, in der sich das Modell befindet, z. B. us-central1

• MODEL_ID: die ID des zu verwendenden ML-Modells, z. B. gemini-pro

  Weitere Informationen zu Modellen finden Sie in der Modell API-Referenz für generative KI.

Verwenden Sie die GoogleSQL-Funktion ML.PREDICT mit dem Modell, das Sie in der Model Garden ausgewählt haben, um eine Vorhersage zu generieren.

SELECT * FROM ML.PREDICT(
  MODEL `MODEL_NAME`,
  `INPUT_RELATION`[, `PARAMETERS`])

Ersetzen Sie Folgendes:

• MODEL_NAME: Name, den Sie dem Modell geben möchten

  Weitere Informationen zu Modellen finden Sie unter Model API-Referenz für Generative AI

• INPUT_RELATION: Entweder TABLE table_name oder eine Unterabfrage der Tabelle oder Unterabfrage, die Daten liefert für die ML-Vorhersage ausgeführt werden soll.

• PARAMETERS: Ein STRUCT-Wert, der Parameter enthält. unterstützt von model_id.

Sie können auch SAFE.ML.PREDICT verwenden, um null anstelle eines Fehlers in für Ihre Vorhersagen. Das ist hilfreich, wenn Sie große Abfragen ausführen, bei denen einige fehlgeschlagene Vorhersagen tolerabel sind.

PostgreSQL

Verwenden Sie die PostgreSQL-Funktion ML_PREDICT_ROW mit dem Modell, das Sie in Model Garden ausgewählt haben, um eine Vorhersage zu generieren.

SELECT spanner.ml_predict_row(
  'projects/PROJECT_ID/locations/REGION_ID/publishers/google/models/MODEL_ID'::text,
  '{
    "instances": [ INSTANCES ],
    "parameters": { PARAMETERS }
   }'::jsonb);

Ersetzen Sie Folgendes:

• PROJECT_ID ist die ID Ihres Google Cloud-Projekts

• REGION_ID: die ID der Google Cloud-Region, in der sich das Modell befindet, z. B. us-central1

• MODEL_ID: die ID des zu verwendenden ML-Modells, z. B. gemini-pro

  Weitere Informationen zu Modellen finden Sie in der Modell API-Referenz für generative KI.

• INSTANCES: die Eingaben für den Vorhersageaufruf im JSON-Format

• PARAMETERS: Optionale Parameter für den Vorhersageaufruf im JSON-Format

Diese Abfrage führt zu einer JSON-Antwort. Weitere Informationen zu den JSON-Antwortnachrichten des Modells finden Sie unter PredictResponse.

Vertex AI-Modellendpunkt verwenden

Wenn Sie ein trainiertes oder heruntergeladenes Modell mit Einbindung von Spanner Vertex AI verwenden möchten, müssen Sie das Modell bereitstellen zu Vertex AI. Weitere Informationen zum Bereitstellen eines Modells auf einem Endpunkt in Vertex AI finden Sie unter Modell auf einem Endpunkt bereitstellen.

GoogleSQL

Verwenden Sie die GoogleSQL-Funktion ML.PREDICT mit dem Modell in einem Vertex AI-Endpunkt zum Generieren Ihrer Vorhersage. Vor der Verwendung eines mit ML.PREDICT(), müssen Sie das Modell mit Das CREATE MODEL . Jedes bereitgestellte Modell hat ein eigenes Schema. Hier sehen Sie ein Beispielschema aus Klassifizierung und Regression – Übersicht

CREATE MODEL MyClassificationModel
INPUT (
  length FLOAT64,
  material STRING(MAX),
  tag_array ARRAY<STRING(MAX)>
)
OUTPUT (
  scores ARRAY<FLOAT64>,
  classes ARRAY<STRING(MAX)>
)
REMOTE
OPTIONS (
  endpoint = '//aiplatform.googleapis.com/projects/PROJECT/locations/LOCATION/endpoints/ENDPOINT_ID'
)

Ersetzen Sie Folgendes:

• PROJECT_ID ist die ID Ihres Google Cloud-Projekts

• LOCATION: die ID der Google Cloud-Region, in der sich das Modell befindet, z. B. us-central1

• ENDPOINT_ID: die ID des ML-Modells, das Sie verwenden möchten, z. B. gemini-pro

  Weitere Informationen zu Modellen finden Sie unter Model API-Referenz für Generative AI

Verwenden Sie den ML.PREDICT. GoogleSQL-Funktion mit dem ausgewählten Modell aus dem Model Garden, um Ihre Vorhersage zu generieren.

SELECT * FROM ML.PREDICT(
  `MODEL_ID`,
  `INPUT_RELATION`[, `PARAMETERS`])

Ersetzen Sie Folgendes:

• MODEL_ID: die ID des zu verwendenden ML-Modells.

• INPUT_RELATION: die gewünschte Tabelle oder Unterabfrage für die ML-Vorhersage ausgeführt werden soll.

• PARAMETERS: Ein STRUCT-Wert, der Parameter enthält. unterstützt von model_name.

Diese Abfrage erzeugt eine Beziehung, die alle Ausgabespalten des Modells und Spalten der Eingabebeziehung.

PostgreSQL

Die PostgreSQL-Funktion ML.PREDICT mit dem Modell in einem Vertex AI-Endpunkt zum Generieren Ihrer Vorhersage.

  SELECT spanner.ml_predict_row(
    'projects/PROJECT_ID/locations/REGION_ID/endpoints/ENDPOINT_ID'::text,
    '{
      "instances": [ INSTANCES ],
      "parameters": { PARAMETERS }
      }'::jsonb);
  ```

Replace the following:

• PROJECT_ID: die ID des Google Cloud-Projekts, das das Modell ist in

• REGION_ID: die ID der Google Cloud-Region, in der das Modell verwendet wird befindet sich in, z. B. us-central1.

• ENDPOINT_ID: die ID des Modellendpunkts

• INSTANCES: Die Eingaben für den Vorhersageaufruf im JSON-Format

• PARAMETERS: optionale Parameter für den Vorhersageaufruf im JSON-Format

Diese Abfrage erzeugt eine JSON-Antwort. Weitere Informationen zur JSON-Antwortnachrichten des Modells erhalten Sie unter PredictResponse.

Beispiele für die Verwendung von ML-Funktionen zum Generieren von Vorhersagen

Vorschau — Gemini in Spanner

Diese Funktion unterliegt den „Nutzungsbedingungen für Pre-GA-Angebote“ im Abschnitt „Allgemeine Nutzungsbedingungen“ der dienstspezifischen Nutzungsbedingungen. Pre-GA-Funktionen sind „wie besehen“ verfügbar und werden möglicherweise nur eingeschränkt unterstützt. Weitere Informationen finden Sie in den Beschreibungen der Startphase.

Im folgenden Beispiel wird das Modell gemini-pro aus dem Model Garden verwendet, um Text basierend auf einem kurzen Prompt zu generieren, der als Argument bereitgestellt wird. Dieses Modell ist als Teil von Gemini in Spanner verfügbar.

GoogleSQL

gemini-pro-Modell registrieren

CREATE MODEL GeminiPro
INPUT (prompt STRING(MAX))
OUTPUT (content STRING(MAX))
REMOTE
OPTIONS (
  endpoint = '//aiplatform.googleapis.com/projects/PROJECT/locations/LOCATION/publishers/google/models/gemini-pro',
  default_batch_size = 1
);

Ersetzen Sie Folgendes:

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

Modell ausführen

SELECT content
FROM ML.PREDICT(
  MODEL GeminiPro,
  (SELECT "Is 7 a prime number?" AS prompt),
  STRUCT(256 AS maxOutputTokens, 0.2 AS temperature, 40 as topK, 0.95 AS topP)
);

Erwartete Ausgabe

Das erwartete Ergebnis ist:

+--------------------+
| content            |
+--------------------+
| "Yes"              |
+--------------------+

PostgreSQL

Modell ausführen

select spanner.ml_predict_row(
  '{
    "endpoint": "projects/PROJECT_ID/locations/us-central1/publishers/google/models/gemini-pro",
    "default_batch_size": 1
   }'::jsonb,
  '{
    "instances":[{"prompt": "Is 7 a prime number?"}],
    "parameters":{"maxOutputTokens":256, "topK": 40, "topP":0.96, "temperature":0.2}
    }'
);

Erwartete Ausgabe

Die erwartete Ausgabe sieht so aus:

+--------------------+
| content            |
+--------------------+
| "Yes"              |
+--------------------+