Nesta página, mostramos como gerar previsões de machine learning (ML) com base no banco de dados do Spanner. as previsões de ML funcionam com Bancos de dados GoogleSQL e PostgreSQL.
A integração da Vertex AI com o Spanner oferece a capacidade de gerar previsões usando sua
o código SQL chamando
ML.PREDICT
para GoogleSQL ou a
spanner.ML_PREDICT_ROW
para PostgreSQL. Para mais informações sobre
Integração da Vertex AI com o Spanner, consulte Visão geral da integração da Vertex AI do Spanner.
Antes de começar
Antes de poder gerar previsões de uma instância do Spanner, é preciso preparar seu banco de dados e selecionar um modelo.
Configurar o acesso para a integração da Vertex AI do Spanner aos endpoints da Vertex AI
O Spanner cria o agente de serviço e concede as permissões necessárias automaticamente quando o Spanner executa a primeira instrução DDL MODEL. Se o banco de dados do Spanner e o endpoint da Vertex AI estiverem no mesmo projeto, não será necessário fazer mais configurações.
Se a conta do agente de serviço do Spanner não existir para seu projeto do Spanner, crie-o executando o seguinte comando:
gcloud beta services identity create --service=spanner.googleapis.com --project={PROJECT}`
Siga as etapas descritas em Conceder um único papel para
conceda o papel Spanner API Service Agent
ao
Conta do agente de serviço do Spanner
service-PROJECT_ID@gcp-sa-spanner.iam.gserviceaccount.com
da sua
um projeto da Vertex AI.
Selecione um modelo
Quando você usa a ML.PREDICT
(para GoogleSQL) ou o
spanner.ML_PREDICT_ROW
(para PostgreSQL), você precisa especificar o local
do modelo de ML. O modelo selecionado pode ser um dos seguintes:
Um modelo executado no Model Garden da Vertex AI.
Um modelo da Vertex AI com um endpoint ativo que seu O agente de serviço do Spanner tem permissão do IAM para acessar.
Para saber mais sobre a integração da Vertex AI com o Spanner, consulte Como funciona a integração da Vertex AI com o Spanner?
gere previsões
Dependendo do tipo do modelo selecionado, as etapas para gerar as previsões serão diferentes.
Usar um modelo no Model Garden da Vertex AI
Para gerar uma previsão usando um modelo do Model Garden da Vertex AI, Selecione um modelo do Grupo de modelos.
GoogleSQL
Antes de usar um modelo com ML.PREDICT()
, é necessário registrá-lo
usando a instrução 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'
);
Substitua:
MODEL_NAME
: o nome que você quer dar ao modeloINPUT_COLUMN_NAME
: o nome da coluna de entrada. Por exemplo: Se estiver usando o modelogemini-pro
, o nome da coluna de entrada seráprompt
.INPUT_COLUMN_TYPE
: o tipo de dados paraINPUT_COLUMN_NAME
.OUTPUT_COLUMN_NAME
: o nome da coluna de saída. Por exemplo: se estiver usando o modelogemini-pro
, o nome da coluna de saída serácontent
.OUTPUT_COLUMN_TYPE
: o tipo de dados deOUTPUT_COLUMN_NAME
PROJECT_ID
: o ID do seu projeto do Google Cloud;REGION_ID
: o ID da região do Google Cloud em que o modelo está localizado, por exemplo,us-central1
MODEL_ID
: o ID do modelo de ML que você quer usar, por exemplo,gemini-pro
Para mais informações sobre modelos, consulte Referência da API Model para IA generativa.
Usar o ML.PREDICT
Função GoogleSQL com o modelo selecionado
do Model Garden para gerar sua previsão.
SELECT * FROM ML.PREDICT(
MODEL `MODEL_NAME`,
`INPUT_RELATION`[, `PARAMETERS`])
Substitua:
MODEL_NAME
: o nome que você quer dar ao modeloPara mais informações sobre modelos, consulte Referência da API Model para IA generativa.
INPUT_RELATION
:TABLE table_name
ou uma subconsulta na tabela ou subconsulta que fornece dados para executar a previsão de ML.PARAMETERS
: um valor deSTRUCT
que contém parâmetros. compatível commodel_id
.
Também é possível usar SAFE.ML.PREDICT
para retornar null
em vez de um erro no
suas previsões. Isso é útil nos casos em que são executadas consultas grandes
em que algumas previsões com falhas são toleráveis.
PostgreSQL
Usar a função ML_PREDICT_ROW
do PostgreSQL com o modelo selecionado
do Model Garden para gerar sua previsão.
SELECT spanner.ml_predict_row(
'projects/PROJECT_ID/locations/REGION_ID/publishers/google/models/MODEL_ID'::text,
'{
"instances": [ INSTANCES ],
"parameters": { PARAMETERS }
}'::jsonb);
Substitua:
PROJECT_ID
: o ID do seu projeto do Google Cloud;REGION_ID
: o ID da região do Google Cloud em que o modelo está localizado, por exemplo,us-central1
MODEL_ID
: o ID do modelo de ML que você quer usar, por exemplo,gemini-pro
Para mais informações sobre modelos, consulte a referência da API de modelos para IA generativa.
INSTANCES
: as entradas para a chamada de previsão, no formato JSONPARAMETERS
: parâmetros opcionais para a chamada de previsão, no formato JSON.
Essa consulta produz uma resposta JSON. Para mais informações sobre as mensagens de resposta JSON do modelo, consulte PredictResponse.
Usar um endpoint de modelo da Vertex AI
Para usar um modelo treinado ou transferido por download com a integração da Vertex AI com o Spanner, é necessário implantar o modelo para a Vertex AI. Para mais informações sobre como implantar um modelo em um endpoint na Vertex AI, consulte Implantar um modelo em um endpoint.
GoogleSQL
Use a função GoogleSQL ML.PREDICT
com o modelo em um endpoint da Vertex AI para gerar a previsão. Antes de usar um
com ML.PREDICT()
, é preciso registrá-lo usando
CREATE MODEL
instrução. Cada modelo implantado tem um sistema
esquema. Veja a seguir um exemplo de esquema
Visão geral de classificação e regressão
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'
)
Substitua:
PROJECT_ID
: o ID do seu projeto do Google Cloud;LOCATION
: o ID da região do Google Cloud em que o modelo está localizado, por exemplo,us-central1
ENDPOINT_ID
: o ID do modelo de ML que você quer usar, por exemplo,gemini-pro
Para mais informações sobre modelos, consulte Referência da API Model para IA generativa.
Usar o ML.PREDICT
Função GoogleSQL com o modelo selecionado
do Model Garden para gerar sua previsão.
SELECT * FROM ML.PREDICT(
`MODEL_ID`,
`INPUT_RELATION`[, `PARAMETERS`])
Substitua:
MODEL_ID
: o ID do modelo de ML que você quer usar.INPUT_RELATION
: a tabela ou subconsulta que você quer para executar a previsão de ML.PARAMETERS
: um valor deSTRUCT
que contém parâmetros. compatível commodel_name
.
Essa consulta produz uma relação que contém todas as colunas de saída do modelo e todas as colunas da relação de entrada.
PostgreSQL
Use a função ML.PREDICT
do PostgreSQL com o modelo
endpoint da Vertex AI para gerar sua previsão.
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
: o ID do projeto do Google Cloud em que o modelo está. localizada emREGION_ID
: o ID da região do Google Cloud que o modelo está localizado em, por exemplo,us-central1
ENDPOINT_ID
: o ID do endpoint do modelo.INSTANCES
: as entradas para a chamada de previsão, no formato JSONPARAMETERS
: parâmetros opcionais para a chamada de previsão, no formato JSON.
Essa consulta produz uma resposta JSON. Para mais informações sobre o mensagens de resposta JSON do modelo, consulte PredictResponse.
Exemplos de uso de funções de ML para gerar previsões
O exemplo a seguir usa o modelo gemini-pro, do Model Garden, para gerar texto com base em um comando curto fornecido como um argumento. Esse modelo está disponível como parte do Gemini no Spanner.
GoogleSQL
Registrar o modelo 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
);
Substitua:
PROJECT
: o ID do projeto;LOCATION
: a região em que você está usando a Vertex AI.
Executar o modelo
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)
);
Saída esperada
A saída esperada é a seguinte:
+--------------------+
| content |
+--------------------+
| "Yes" |
+--------------------+
PostgreSQL
Executar o modelo
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}
}'
);
Saída esperada
A saída esperada é a seguinte:
+--------------------+
| content |
+--------------------+
| "Yes" |
+--------------------+