En esta página, se proporciona una descripción general de la integración de Vertex AI de Spanner. La integración de Vertex AI en Spanner funciona con bases de datos de GoogleSQL y PostgreSQL.
La integración de Vertex AI en Spanner te ayuda a acceder a los modelos de AA de clasificación y regresión alojados en Vertex AI mediante la interfaz de GoogleSQL y PostgreSQL. Esto ayuda a integrar de forma continua la funcionalidad de entrega de predicciones de AA con las operaciones generales de acceso a los datos de Spanner realizadas mediante consultas de DQL/DML.
Beneficios de la integración de Vertex AI de Spanner
La generación de predicciones del AA con la integración de Vertex AI de Spanner proporciona varios beneficios en comparación con el enfoque en el que el acceso a los datos de Spanner y el acceso al extremo de predicción de Vertex AI se realizan por separado:
- Rendimiento:
- Mejor latencia: La integración de Vertex AI de Spanner hablando con el servicio de Vertex AI directamente elimina los recorridos adicionales entre un nodo de procesamiento que ejecuta un cliente de Spanner y el servicio de Vertex AI.
- Mejor capacidad de procesamiento y paralelismo: La integración de Vertex AI de Spanner se ejecuta en la infraestructura de procesamiento de consultas distribuida de Spanner, que admite la ejecución de consultas altamente paralelizables.
- Experiencia del usuario:
- La capacidad de usar una interfaz de SQL única, sencilla, coherente y familiar para facilitar la transformación de datos y las situaciones de entrega de AA en el nivel de escala de Spanner reduce la barrera de entrada del AA y permite una experiencia del usuario mucho más fluida.
- Costos:
- La integración de Vertex AI de Spanner usa la capacidad de procesamiento de Spanner para combinar los resultados de los cálculos de AA y la ejecución de consulta en SQL, lo que elimina la necesidad de aprovisionar un procesamiento adicional para eso (por ejemplo, en Compute Engine o Google Kubernetes Engine).
¿Cómo funciona la integración de Vertex AI en Spanner?
La integración de Vertex AI en Spanner no aloja modelos de AA, sino que depende de la infraestructura de servicios de Vertex AI. No es necesario entrenar un modelo con Vertex AI para usarlo con la integración de Vertex AI de Spanner, pero debes implementarlo en un extremo de Vertex AI.
Para entrenar modelos con datos almacenados en Spanner, puedes usar las siguientes opciones:
Consultas federadas de BigQuery junto con BigQuery ML.
Dataflow para exportar datos de Spanner al formato CSV y, luego, importar la fuente de datos CSV a Vertex AI.
La integración de Vertex AI en Spanner extiende las siguientes funciones para usar modelos de AA:
Generar predicciones de AA mediante una llamada a un modelo mediante SQL en tus datos de Spanner Puedes usar un modelo de Vertex AI Model Garden o un modelo implementado en tu extremo de Vertex AI.
Genera incorporaciones de texto para que un LLM traduzca instrucciones de texto a números. Para obtener más información sobre las incorporaciones, consulta Obtén incorporaciones de texto.
Usa las funciones de integración de Vertex AI de Spanner
Se puede usar un modelo en la integración de Vertex AI de Spanner para generar predicciones o incorporaciones de texto en tu código SQL con las funciones de predicción de AA. Estas funciones son las siguientes:
GoogleSQL
Puedes usar la siguiente función de predicción de AA para GoogleSQL:
Debes registrar tu modelo con la declaración DDL CREATE MODEL antes de usarlo con la función ML.PREDICT.
También puedes usar SAFE.ML.PREDICT para mostrar null en lugar de un error en tus predicciones. Esto es útil cuando se ejecutan consultas grandes
en las que algunas predicciones con errores son tolerables.
PostgreSQL
Puedes usar la siguiente función de predicción del AA para PostgreSQL:
Para usar las funciones, puedes seleccionar un modelo del Vertex AI Model Garden o usar un modelo que hayas implementado en Vertex AI.
Si quieres obtener más información para implementar un modelo en un extremo de Vertex AI, consulta Implementa un modelo en un extremo.
Para obtener más información sobre cómo usar estas funciones para generar una predicción del AA, consulta Genera predicciones del AA con SQL.
Si quieres obtener más información sobre cómo usar estas funciones para generar incorporaciones de texto, consulta Obtén incorporaciones de texto.
Precios
Spanner no cobra cargos adicionales cuando lo usas con la integración de Vertex AI de Spanner. Sin embargo, existen otros posibles cargos asociados con esta función:
Pagas las tarifas estándar por la predicción en línea de Vertex AI. El cargo total depende del tipo de modelo que uses. Algunos tipos de modelos tienen una tarifa plana por hora, según el tipo de máquina y la cantidad de nodos que uses. Algunos tipos de modelos tienen tarifas por llamada. Te recomendamos implementar estas últimas en un proyecto dedicado en el que hayas configurado cuotas de predicción explícitas.
Pagas las tarifas estándar por la transferencia de datos entre Spanner y Vertex AI. El cargo total depende de la región que aloja el servidor que ejecuta la consulta y la región que aloja al llamado extremo. Para minimizar los cargos, implementa los extremos de Vertex AI en la misma región que la instancia de Spanner. Cuando uses opciones de configuración de instancias multirregionales o varios extremos de Vertex AI, implementa tus extremos en el mismo continente.
ANS
Debido a que la disponibilidad de la predicción en línea de Vertex AI es menor, debes configurar de forma correcta los modelos de AA de Spanner para mantener la alta disponibilidad de Spanner mientras usas la integración de Vertex AI con Spanner:
- Los modelos de AA de Spanner deben usar varios extremos de Vertex AI en el backend.
- Los extremos de Vertex AI deben cumplir con el ANS de Vertex AI.
- Los extremos de Vertex AI deben aprovisionar suficiente capacidad para controlar el tráfico entrante.
- Los extremos de Vertex AI deben usar regiones diferentes cerca de la base de datos de Spanner para evitar interrupciones regionales.
- Los extremos de Vertex AI deben usar proyectos separados para evitar problemas con las cuotas de predicción por proyecto.
La cantidad de extremos redundantes de Vertex AI depende de su ANS y de la cantidad de filas en las consultas de Spanner:
| ANS de Spanner | ANS de Vertex AI | 1 fila | 10 filas | 100 filas | 1,000 filas |
|---|---|---|---|---|---|
| 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 |
No es necesario que los extremos de Vertex AI alojen exactamente el mismo modelo. Te recomendamos que configures el modelo de AA de Spanner para que tenga un modelo principal, complejo y de procesamiento intensivo como primer extremo. Los extremos de conmutación por error posteriores pueden apuntar a modelos simplificados que requieren menos procesamiento, se escalan mejor y pueden absorber los aumentos repentinos de tráfico.
Cumplimiento
Assured Workloads no es compatible con la API de Vertex AI Prediction. Si habilitas una restricción de uso de recursos, se inhabilita la API de Vertex AI y, de forma efectiva, la función de integración de Vertex AI para Spanner.
Además, te recomendamos que crees un perímetro de los Controles del servicio de VPC para asegurarte de que tus bases de datos de producción no puedan conectarse a los extremos de Vertex AI en tus proyectos de no producción que puedan no tener la configuración de cumplimiento adecuada.