ML-Vorhersagen mit SQL generieren

Auf dieser Seite erfahren Sie, wie Sie Vorhersagen mithilfe von maschinellem Lernen (ML) aus einer Spanner-Datenbank generieren. ML-Vorhersagen funktionieren sowohl mit GoogleSQL- als auch mit PostgreSQL-Datenbanken.

Mit der Spanner Vertex AI-Integration können Sie mithilfe Ihres SQL-Codes Vorhersagen generieren, indem Sie die Funktion ML.PREDICT für GoogleSQL oder die Funktion spanner.ML_PREDICT_ROW für PostgreSQL aufrufen. Weitere Informationen zur Einbindung von Spanner Vertex AI finden Sie unter Einbindung von Spanner Vertex AI.

Hinweise

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 auf Vertex AI-Endpunkte konfigurieren

Spanner erstellt den Dienst-Agenten und gewährt die erforderlichen Berechtigungen automatisch, 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}`

Folgen Sie der Anleitung unter Einzelne Rolle gewähren, um dem Spanner-Dienstkonto service-PROJECT_ID@gcp-sa-spanner.iam.gserviceaccount.com in Ihrem Vertex AI-Projekt die Rolle Spanner API Service Agent zuzuweisen.

Modell auswählen

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

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 mit der Anweisung CREATE MODEL registrieren.

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: Datentyp für INPUT_COLUMN_NAME

  • OUTPUT_COLUMN_NAME: Der Name der Ausgabespalte. Wenn Sie beispielsweise das Modell gemini-pro verwenden, lautet der Ausgabespaltenname content.

  • OUTPUT_COLUMN_TYPE: Datentyp für OUTPUT_COLUMN_NAME

  • PROJECT_ID: 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 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 Ihrem Modell geben möchten

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

  • INPUT_RELATION: entweder TABLE table_name oder eine Unterabfrage der Tabelle oder Unterabfrage, die Daten für die ML-Vorhersage liefert.

  • PARAMETERS: ein STRUCT-Wert, der von model_id unterstützte Parameter enthält.

Sie können auch SAFE.ML.PREDICT verwenden, um null anstelle eines Fehlers in Ihren Vorhersagen zurückzugeben. 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: 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 der Spanner Vertex AI-Integration verwenden möchten, müssen Sie es in Vertex AI bereitstellen. 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, um eine Vorhersage zu generieren. Bevor Sie ein Modell mit ML.PREDICT() verwenden können, müssen Sie es mit der Anweisung CREATE MODEL registrieren. Jedes bereitgestellte Modell hat ein eigenes Schema. Das folgende Beispielschema stammt 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: 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 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 Model Garden ausgewählt haben, um eine 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: Tabelle oder Unterabfrage, für die die ML-Vorhersage ausgeführt werden soll.

  • PARAMETERS: ein STRUCT-Wert, der von model_name unterstützte Parameter enthält.

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

PostgreSQL

Verwenden Sie die PostgreSQL-Funktion ML.PREDICT mit dem Modell in einem Vertex AI-Endpunkt, um eine Vorhersage zu generieren.

  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, in dem sich das Modell befindet

  • REGION_ID: Die ID der Google Cloud -Region, in der sich das Modell befindet, 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 führt zu einer JSON-Antwort. Weitere Informationen zu den JSON-Antwortnachrichten des Modells finden Sie unter PredictResponse.

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

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

Die erwartete Ausgabe sieht so aus:

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