Questa pagina è stata tradotta dall'API Cloud Translation.

Genera previsioni ML utilizzando SQL

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 modello
INPUT_COLUMN_NAME: il nome della colonna di input. Ad esempio, se utilizzi il modello gemini-pro, il nome della colonna di input è prompt.
INPUT_COLUMN_TYPE: il tipo di dati per INPUT_COLUMN_NAME
OUTPUT_COLUMN_NAME: il nome della colonna di output. Ad esempio, se utilizzi il modello gemini-pro, il nome della colonna di output è content.
OUTPUT_COLUMN_TYPE: il tipo di dati per OUTPUT_COLUMN_NAME
PROJECT_ID: l'ID del tuo progetto Google Cloud
REGION_ID: l'ID della regione Google Cloud in cui si trova il modello, ad esempio us-central1
MODEL_ID: l'ID del modello ML che vuoi utilizzare, ad esempio gemini-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 modello

Per 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 valore STRUCT che contiene parametri supportati da model_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 Cloud
REGION_ID: l'ID della regione Google Cloud in cui si trova il modello, ad esempio us-central1
MODEL_ID: l'ID del modello ML che vuoi utilizzare, ad esempio gemini-pro

Per maggiori informazioni sui modelli, consulta Riferimento API dei modelli per Generative AI.
INSTANCES: gli input per la chiamata di previsione in formato JSON
PARAMETERS: 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 Cloud
LOCATION: l'ID della regione Google Cloud in cui si trova il modello, ad esempio us-central1
ENDPOINT_ID: l'ID del modello ML che vuoi utilizzare, ad esempio gemini-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 valore STRUCT che contiene parametri supportati da model_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 modello
REGION_ID: l'ID della regione Google Cloud in cui si trova il modello, ad esempio us-central1
ENDPOINT_ID: l'ID dell'endpoint del modello
INSTANCES: gli input della chiamata di previsione in formato JSON
PARAMETERS: 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 progetto
LOCATION: 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"              |
+--------------------+