ML-Vorhersagen mit SQL generieren

Auf dieser Seite wird gezeigt, wie Vorhersagen für maschinelles Lernen (ML) aus einer Spanner-Datenbank generiert werden. ML-Vorhersagen funktionieren sowohl mit GoogleSQL- als auch mit PostgreSQL-Datenbanken.

Durch die Einbindung von Spanner Vertex AI können Sie mithilfe Ihres SQL-Codes Vorhersagen generieren. Dazu rufen Sie die Funktion ML.PREDICT für GoogleSQL oder die Funktion spanner.ML_PREDICT_ROW für PostgreSQL auf. Weitere Informationen zur Einbindung von Spanner Vertex AI finden Sie in der Übersicht zur Einbindung von Spanner Vertex AI.

Hinweise

Bevor Sie Vorhersagen aus einer Spanner-Instanz generieren können, müssen Sie die 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 automatisch die erforderlichen Berechtigungen, wenn Spanner die erste MODEL-DDL-Anweisung ausführt. Wenn sich die Spanner-Datenbank und der Vertex AI-Endpunkt im selben Projekt befinden, ist keine zusätzliche Einrichtung erforderlich.

Wenn in Ihrem Spanner-Projekt kein Spanner-Dienst-Agent-Konto vorhanden ist, erstellen Sie es mit dem folgenden Befehl:

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

Führen Sie die unter Einzelne Rolle gewähren beschriebenen Schritte aus, um dem [e-mail] 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:

• Ein Modell, das in Vertex AI Model Garden ausgeführt wird.

• Ein Vertex AI-Modell mit einem aktiven Endpunkt, auf den Ihr Spanner-Dienst-Agent über IAM-Berechtigungen zugreifen kann.

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 Ihrer Vorhersagen.

Modell in Vertex AI Model Garden verwenden

Zum Generieren einer Vorhersage mit einem Modell aus dem Vertex AI Model Garden wählen Sie ein Modell aus dem Model Garden aus.

GoogleSQL

Bevor Sie ein Modell mit ML.PREDICT() verwenden können, müssen Sie das Modell mit der CREATE MODEL-Anweisung 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: der Name, den Sie Ihrem Modell geben möchten

• INPUT_COLUMN_NAME: der Name Ihrer 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. Wenn Sie beispielsweise das Modell gemini-pro verwenden, 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 ML-Modells, das Sie verwenden möchten, z. B. gemini-pro

  Weitere Informationen zu Modellen finden Sie in der Model API-Referenz für Generative AI.

Verwenden Sie die GoogleSQL-Funktion ML.PREDICT mit dem Modell, das aus dem Modellgarten ausgewählt wurde, um die Vorhersage zu generieren.

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

Ersetzen Sie Folgendes:

• MODEL_NAME: der Name, den Sie Ihrem Modell geben möchten

  Weitere Informationen zu Modellen finden Sie in der Model API-Referenz für Generative AI.

• INPUT_RELATION: Entweder TABLE table_name oder eine Unterabfrage der Tabelle oder Unterabfrage, die Daten zum Ausführen der 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. Dies ist in Fällen hilfreich, in denen große Abfragen ausgeführt werden, bei denen einige fehlgeschlagene Vorhersagen tolerierbar sind.

PostgreSQL

Verwenden Sie die PostgreSQL-Funktion ML_PREDICT_ROW mit dem Modell, das aus dem Model Garden ausgewählt wurde, um die 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 ML-Modells, das Sie verwenden möchten, z. B. gemini-pro

  Weitere Informationen zu Modellen finden Sie in der Model API-Referenz für Generative AI.

• 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 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 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 an einem Vertex AI-Endpunkt, um die 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 eindeutiges Schema. Hier sehen Sie ein Beispielschema aus der Übersicht zu Klassifizierung und Regression.

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 in der Model API-Referenz für Generative AI.

Verwenden Sie die GoogleSQL-Funktion ML.PREDICT mit dem Modell, das aus dem Modellgarten ausgewählt wurde, um die Vorhersage zu generieren.

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

Ersetzen Sie Folgendes:

• MODEL_ID: Die ID des ML-Modells, das Sie verwenden möchten.

• INPUT_RELATION: die Tabelle oder Unterabfrage, für die Sie die ML-Vorhersage ausführen möchten.

• 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 an einem Vertex AI-Endpunkt, um die 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 erzeugt eine 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

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 anhand eines kurzen Prompts zu generieren, der als Argument bereitgestellt wird. Dieses Modell ist als Teil von Gemini in Spanner verfügbar.

GoogleSQL

Modell gemini-pro 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: 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

Das erwartete Ergebnis ist:

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