Nesta página, você encontra uma visão geral da integração da Vertex AI com o Spanner. A integração da Vertex AI com o Spanner funciona Bancos de dados GoogleSQL e PostgreSQL.
A integração da Vertex AI com o Spanner ajuda a acessar modelos de ML de regressão e classificação hospedados na Vertex AI pela interface do GoogleSQL e do PostgreSQL. Isso ajuda a integrar perfeitamente a funcionalidade de disponibilização de previsões de ML com Operações de acesso aos dados do Spanner realizadas com consultas DQL/DML.
Benefícios da integração da Vertex AI com o Spanner
A geração de previsões de ML usando a integração da Vertex AI com o Spanner oferece vários benefícios em comparação com a abordagem em que o acesso aos dados do Spanner e ao endpoint de previsão da Vertex AI são realizados separadamente:
- Desempenho:
- Melhor latência: integração da Vertex AI do Spanner com o serviço da Vertex AI elimina idas e voltas adicionais entre um nó de computação que executa o e o serviço da Vertex AI.
- Melhor capacidade de processamento/paralelismo: a integração da Vertex AI com o Spanner é executada com base no infraestrutura distribuída de processamento de consultas, que oferece suporte execução de consulta em paralelo.
- Experiência do usuário:
- Capacidade de usar uma interface SQL única, simples, coerente e familiar para facilitar os cenários de transformação de dados e disponibilização de ML no Spanner de escalonamento reduz a barreira de entrada do ML e facilita a experiência do usuário do usuário.
- Custos:
- A integração da Vertex AI com o Spanner usa a capacidade de computação do Spanner para mesclar os resultados das computações de ML e a execução de consultas SQL, o que elimina a necessidade de provisionar uma computação adicional (por exemplo, no Compute Engine ou no Google Kubernetes Engine) para isso.
Como funciona a integração da Vertex AI com o Spanner?
A integração da Vertex AI com o Spanner não hospeda modelos de ML, mas depende da infraestrutura do serviço da Vertex AI. Não é necessário treinar um modelo usando a Vertex AI para usá-lo com a integração da Spanner Vertex AI, mas é necessário implantá-lo em um endpoint da Vertex AI.
Para treinar modelos com dados armazenados no Spanner, é possível usar o seguinte:
Dataflow para exportar dados do Spanner no formato CSV e importar a fonte de dados CSV para o Vertex AI.
A integração da Vertex AI com o Spanner estende as seguintes funções para uso de modelos de ML:
gerar previsões de ML chamando um modelo com o nos dados do Spanner. É possível usar um modelo do Vertex AI Model Garden ou um modelo implantado no seu endpoint da Vertex AI.
Gerar embeddings de texto para que um LLM traduza comandos de texto em números. Para saber mais sobre embeddings, consulte Usar embeddings de texto.
Como usar as funções de integração da Vertex AI com o Spanner
Um modelo na integração da Vertex AI com o Spanner pode ser usado para gerar previsões ou embeddings de texto no código SQL usando as funções de previsão de ML. Essas funções são os seguintes:
GoogleSQL
Você pode usar a seguinte função de previsão de ML para o GoogleSQL:
Você precisa registrar seu modelo usando o CREATE MODEL
instrução DDL antes de usá-la com a função ML.PREDICT.
Também é possível usar SAFE.ML.PREDICT para retornar null em vez de um erro nas
previsões. Isso é útil quando se executa consultas grandes
em que algumas previsões
com falha são toleráveis.
PostgreSQL
Você pode usar a seguinte função de previsão de ML para PostgreSQL:
Para usar as funções, selecione um modelo no Model Garden da Vertex AI ou use um modelo implantado na Vertex AI.
Para mais informações sobre como implantar um modelo em um endpoint na Vertex AI, consulte Implantar um modelo em um endpoint.
Para mais informações sobre como usar essas funções para gerar uma previsão de ML, consulte Gerar previsões de ML usando SQL.
Para mais informações sobre como usar essas funções para gerar embeddings de texto, consulte Usar embeddings de texto.
Preços
Não há cobranças extras do Spanner quando você o usa com a integração da Vertex AI com o Spanner. No entanto, esse recurso pode ter outras cobranças:
Você paga as taxas padrão para a previsão on-line da Vertex AI. A cobrança total depende do tipo de modelo que você usa. Alguns tipos de modelo têm uma taxa fixa por hora, dependendo do tipo de máquina e do número de nós usados. Alguns tipos de modelo têm taxas por chamada. Recomendamos que você implante o último em um projeto dedicado em que você definiu cotas de previsão explícitas.
Você paga as taxas padrão para a transferência de dados entre o Spanner e a Vertex AI. A cobrança total depende a região que hospeda o servidor que executa a consulta e a região que hospeda o chamada endpoint. Para minimizar as cobranças, implante os endpoints da Vertex AI na mesma região da sua instância do Spanner. Ao usar recursos multirregionais configurações de instância ou vários endpoints da Vertex AI, implante seu no mesmo continente.
SLA
Devido à disponibilidade de previsão on-line da Vertex AI ser é preciso configurar corretamente os modelos de ML do Spanner para manter Alta disponibilidade do Spanner ao usar a integração da Vertex AI com o Spanner:
- Os modelos de ML do Spanner precisam usar vários endpoints da Vertex AI no back-end para ativar a failover.
- Os endpoints da Vertex AI precisam estar em conformidade com o SLA da Vertex AI.
- Os endpoints da Vertex AI precisam provisionar capacidade suficiente para lidar tráfego de entrada.
- Os endpoints da Vertex AI precisam usar regiões separadas próximas ao banco de dados do Spanner para evitar falhas regionais.
- Os endpoints da Vertex AI devem usar projetos separados para evitar problemas com cotas de previsão por projeto.
O número de endpoints redundantes da Vertex AI depende do SLA e do número de linhas nas consultas do Spanner:
| SLA do Spanner | SLA da Vertex AI | 1 linha | 10 linhas | 100 linhas | 1.000 linhas |
|---|---|---|---|---|---|
| 99,99% | 99,9% | 2 | 2 | 2 | 3 |
| 99,99% | 99,5% | 2 | 3 | 3 | 4 |
| 99,999% | 99,9% | 2 | 2 | 3 | 3 |
| 99,999% | 99,5% | 3 | 3 | 4 | 4 |
Os endpoints da Vertex AI não precisam hospedar exatamente o mesmo modelo. Recomendamos que você configure o modelo de ML do Spanner para ter um modelo principal, complexo e com uso intensivo de computação como primeiro endpoint. Os endpoints de failover posteriores podem apontar para modelos simplificados que exigem menos computação, têm melhor escalonamento e podem absorver picos de tráfego.
Compliance
O Assured Workloads não é compatível com API Vertex AI Prediction. Ativar um restringir restrição de uso de recursos desativa a API Vertex AI e efetivamente o recurso de integração da Vertex AI do Spanner.
Além disso, recomendamos que você crie um perímetro do VPC Service Controls para garantir que os bancos de dados de produção não possam se conectar aos endpoints da Vertex AI nos projetos que não são de produção e que podem não ter a configuração de compliance adequada.