Questa pagina mostra come generare previsioni di machine learning (ML) da un database di Spanner. Le previsioni ML funzionano con database GoogleSQL e PostgreSQL.
L'integrazione di Spanner Vertex AI offre la possibilità di generare previsioni utilizzando il tuo codice SQL chiamando la funzione ML.PREDICT
per GoogleSQL o la funzione spanner.ML_PREDICT_ROW
per PostgreSQL. Per ulteriori informazioni sull'integrazione di Spanner Vertex AI, consulta la panoramica dell'integrazione di Spanner Vertex AI.
Prima di iniziare
Prima di generare previsioni da un'istanza Spanner, devi preparare il database e selezionare un modello.
Configura l'accesso per l'integrazione di Spanner Vertex AI con gli endpoint Vertex AI
Spanner crea l'agente di servizio e concede automaticamente le autorizzazioni necessarie quando Spanner esegue la prima istruzione MODEL DDL. Se sia il database Spanner sia l'endpoint Vertex AI si trovano nello stesso progetto, non è necessaria alcuna configurazione aggiuntiva.
Se l'account dell'agente di servizio Spanner non esiste per il progetto Spanner, crealo eseguendo questo comando:
gcloud beta services identity create --service=spanner.googleapis.com --project={PROJECT}`
Segui i passaggi descritti in Concedi un singolo ruolo per concedere il ruolo Spanner API Service Agent
all'account agente di servizio Spanner
service-PROJECT_ID@gcp-sa-spanner.iam.gserviceaccount.com
nel tuo progetto Vertex AI.
Seleziona un modello
Quando utilizzi la funzione ML.PREDICT
(per GoogleSQL) o ML_PREDICT_ROW
per PostgreSQL, devi specificare la località del modello ML. Il modello selezionato può essere uno dei seguenti:
Un modello in esecuzione in Vertex AI Model Garden.
Un modello Vertex AI con un endpoint attivo a cui l'agente di servizio Spanner dispone dell'autorizzazione IAM per accedere.
Per scoprire di più sull'integrazione di Spanner Vertex AI, consulta Come funziona l'integrazione di Spanner Vertex AI?.
elabora le previsioni
I passaggi per generare le previsioni variano in base al tipo di modello selezionato.
Utilizza un modello in Model Garden di Vertex AI
Per generare una previsione utilizzando un modello di Model Garden di Vertex AI, seleziona un modello da Model Garden.
GoogleSQL
Prima di utilizzare un modello con ML.PREDICT()
, devi registrarlo utilizzando l'istruzione CREATE MODEL
.
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'
);
Sostituisci quanto segue:
MODEL_NAME
: il nome che vuoi assegnare al modelloINPUT_COLUMN_NAME
: il nome della colonna di input. Ad esempio, se utilizzi il modellogemini-pro
, il nome della colonna di input èprompt
.INPUT_COLUMN_TYPE
: il tipo di dati perINPUT_COLUMN_NAME
OUTPUT_COLUMN_NAME
: il nome della colonna di output. Ad esempio, se utilizzi il modellogemini-pro
, il nome della colonna di output ècontent
.OUTPUT_COLUMN_TYPE
: il tipo di dati perOUTPUT_COLUMN_NAME
PROJECT_ID
: l'ID del tuo progetto Google CloudREGION_ID
: l'ID della regione Google Cloud in cui si trova il modello, ad esempious-central1
MODEL_ID
: l'ID del modello ML che vuoi utilizzare, ad esempiogemini-pro
Per maggiori informazioni sui modelli, consulta Riferimento API dei modelli per Generative AI.
Utilizza la funzione GoogleSQL ML.PREDICT
con il modello selezionato da Model Garden per generare la previsione.
SELECT * FROM ML.PREDICT(
MODEL `MODEL_NAME`,
`INPUT_RELATION`[, `PARAMETERS`])
Sostituisci quanto segue:
MODEL_NAME
: il nome che vuoi assegnare al modelloPer maggiori informazioni sui modelli, consulta Riferimento API dei modelli per Generative AI.
INPUT_RELATION
:TABLE table_name
o una sottoquery sulla tabella o la sottoquery che fornisce i dati su cui eseguire la previsione ML.PARAMETERS
: un valoreSTRUCT
che contiene parametri supportati damodel_id
.
Puoi anche utilizzare SAFE.ML.PREDICT
per restituire null
anziché un errore nelle previsioni. Ciò è utile nei casi in cui si eseguono query
di grandi dimensioni in cui alcune previsioni non riuscite sono tollerabili.
PostgreSQL
Utilizza la funzione PostgreSQL ML_PREDICT_ROW
con il modello selezionato da Model Garden per generare la previsione.
SELECT spanner.ml_predict_row(
'projects/PROJECT_ID/locations/REGION_ID/publishers/google/models/MODEL_ID'::text,
'{
"instances": [ INSTANCES ],
"parameters": { PARAMETERS }
}'::jsonb);
Sostituisci quanto segue:
PROJECT_ID
: l'ID del tuo progetto Google CloudREGION_ID
: l'ID della regione Google Cloud in cui si trova il modello, ad esempious-central1
MODEL_ID
: l'ID del modello ML che vuoi utilizzare, ad esempiogemini-pro
Per maggiori informazioni sui modelli, consulta Riferimento API dei modelli per Generative AI.
INSTANCES
: gli input per la chiamata di previsione in formato JSONPARAMETERS
: parametri facoltativi per la chiamata di previsione, in formato JSON
Questa query produce una risposta JSON. Per ulteriori informazioni sui messaggi di risposta JSON del modello, consulta PredictResponse.
Usa un endpoint del modello Vertex AI
Per utilizzare un modello addestrato o scaricato con l'integrazione di Spanner Vertex AI, devi eseguire il deployment del modello su Vertex AI. Per maggiori informazioni su come eseguire il deployment di un modello in un endpoint in Vertex AI, consulta Eseguire il deployment di un modello in un endpoint.
GoogleSQL
Utilizza la funzione GoogleSQL ML.PREDICT
con il modello in un endpoint Vertex AI per generare la previsione. Prima di utilizzare un
modello con ML.PREDICT()
, devi registrarlo utilizzando
l'istruzione CREATE MODEL
. Ogni modello di cui è stato eseguito il deployment
ha uno schema univoco. Di seguito è riportato uno schema di esempio della panoramica su classificazione e regressione
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'
)
Sostituisci quanto segue:
PROJECT_ID
: l'ID del tuo progetto Google CloudLOCATION
: l'ID della regione Google Cloud in cui si trova il modello, ad esempious-central1
ENDPOINT_ID
: l'ID del modello ML che vuoi utilizzare, ad esempiogemini-pro
Per maggiori informazioni sui modelli, consulta Riferimento API dei modelli per Generative AI.
Utilizza la funzione GoogleSQL ML.PREDICT
con il modello selezionato da Model Garden per generare la previsione.
SELECT * FROM ML.PREDICT(
`MODEL_ID`,
`INPUT_RELATION`[, `PARAMETERS`])
Sostituisci quanto segue:
MODEL_ID
: l'ID del modello ML che vuoi utilizzare.INPUT_RELATION
: la tabella o la sottoquery su cui vuoi eseguire la previsione ML.PARAMETERS
: un valoreSTRUCT
che contiene parametri supportati damodel_name
.
Questa query produce una relazione contenente tutte le colonne di output del modello e tutte le colonne della relazione di input.
PostgreSQL
Utilizza la funzione PostgreSQL ML.PREDICT
con il modello in un endpoint Vertex AI per generare la previsione.
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
: l'ID del progetto Google Cloud in cui si trova il modelloREGION_ID
: l'ID della regione Google Cloud in cui si trova il modello, ad esempious-central1
ENDPOINT_ID
: l'ID dell'endpoint del modelloINSTANCES
: gli input della chiamata di previsione in formato JSONPARAMETERS
: parametri facoltativi per la chiamata di previsione, in formato JSON
Questa query produce una risposta JSON. Per ulteriori informazioni sui messaggi di risposta JSON del modello, consulta PredictResponse.
Esempi di utilizzo delle funzioni ML per generare previsioni
L'esempio seguente utilizza il modello gemini-pro di Model Garden per generare un testo basato su un breve prompt fornito come argomento. Questo modello è disponibile all'interno di Gemini in Spanner.
GoogleSQL
Registra il modello gemini-pro
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
);
Sostituisci quanto segue:
PROJECT
: l'ID progettoLOCATION
: la regione in cui utilizzi Vertex AI
Esegui il modello
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)
);
Output previsto
Il risultato previsto è il seguente:
+--------------------+
| content |
+--------------------+
| "Yes" |
+--------------------+
PostgreSQL
Esegui il modello
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}
}'
);
Output previsto
Il risultato previsto è il seguente:
+--------------------+
| content |
+--------------------+
| "Yes" |
+--------------------+