Vista geral da IA do Spanner

O Spanner e as respetivas capacidades multimodais integram-se com os serviços de IA da Google e o LangChain, uma framework de código aberto, para ajudar a criar aplicações de IA generativa.Google CloudPode melhorar as aplicações com funcionalidades como a pesquisa de similaridade, a geração aumentada de recuperação (RAG) e os gráficos de conhecimento. O Spanner baseia esta funcionalidade na sua base de escalabilidade, disponibilidade e consistência.

Use o Spanner com a Pesquisa vetorial para implementar a pesquisa de semelhanças em dados de texto não estruturados. O Spanner integra-se com serviços como o Vertex AI para invocar a geração de incorporações vetoriais a partir de dados de texto não estruturados. Estas incorporações são representações numéricas que refletem o significado semântico do texto. Para encontrar itens conceptualmente semelhantes, usa funções de distância vetorial para encontrar vetores de incorporação mais semelhantes à incorporação do pedido de pesquisa. Este processo permite-lhe criar funcionalidades como recomendações de produtos ou conteúdo.

Para começar, gere e preencha em massa incorporações vetoriais da Vertex AI para dados textuais existentes. Pode fazê-lo através de SQL e de um modelo de incorporação do Vertex AI, como o modelo text-embedding, descrito na documentação da API Text Embeddings. O Spanner suporta a utilização de vizinhos mais próximos aproximados (ANN) e K-vizinhos mais próximos (KNN) com incorporações de vetores de consultas. A ANN usa um índice vetorial para uma pesquisa rápida e escalável que devolve resultados aproximados. O KNN executa uma pesquisa exaustiva que devolve resultados mais precisos, mas pode ser lento para grandes conjuntos de dados. Pode usar várias funções de distância vetorial para medir a semelhança, incluindo:

  • Distância do cosseno: mede o cosseno do ângulo entre dois vetores, o que é útil para encontrar itens com uma orientação semelhante, independentemente da magnitude.

  • Distância euclidiana: mede a distância em linha reta entre dois vetores.

  • Produto escalar: calcula o produto das magnitudes dos vetores e o cosseno do ângulo entre eles. Esta pode ser a opção mais eficiente em termos de computação para vetores normalizados.

Para mais informações, consulte os seguintes tópicos:

Gere previsões de ML com SQL

Pode usar consultas SQL no Spanner para invocar modelos de linguagem (conteúdo extenso) (MDIs/CEs) implementados no Vertex AI. O acesso direto aos MDIs/CEs permite-lhe executar previsões para tarefas como análise de sentimentos, classificação de texto e tradução em dados armazenados no Spanner.

Ao usar a função ML.PREDICT (GoogleSQL) ou a função spanner.ML_PREDICT_ROW (PostgreSQL), pode gerar previsões de aprendizagem automática (AA) sem ter de mover os seus dados nem escrever código de aplicação personalizado para interagir com o MDG. Isto simplifica a arquitetura da sua aplicação e aproxima as capacidades de ML dos seus dados. Para mais informações, consulte o artigo Gere previsões de ML com SQL.

Use o protocolo Model Context Protocol (MCP) para estabelecer ligação a agentes de MDIs

Pode associar a sua instância do Spanner a IDEs que suportam o protocolo Model Context Protocol (MCP). O MCP é um protocolo aberto que pode usar para ligar os MDIs aos seus dados no Spanner. Após a associação, os agentes do MDG podem consultar e interagir com a sua instância do Spanner. Para mais informações, consulte o artigo Ligue o IDE ao Spanner.

Descubra estatísticas com gráficos do Spanner

Para exemplos de utilização de RAG mais avançados, o Spanner Graph integra capacidades de base de dados de grafos com os pontos fortes principais do Spanner. O Spanner Graph permite-lhe modelar, armazenar e consultar dados altamente ligados.

Integre o Spanner Graph com o LangChain para criar aplicações GraphRAG. Esta integração pode melhorar a RAG tradicional. O GraphRAG permite-lhe criar aplicações que captam relações complexas entre entidades, como um gráfico de conhecimento. A integração usa consultas de grafos, além da pesquisa vetorial, para captar relações complexas e implícitas nos seus dados. A utilização conjunta de consultas de grafos e da pesquisa vetorial pode fornecer respostas mais precisas e relevantes do seu MDG do que a utilização apenas da pesquisa vetorial.

Para mais informações, consulte o artigo Infraestrutura GraphRAG para IA generativa com a Vertex AI e o Spanner Graph.

Crie aplicações com tecnologia de MDIs com o LangChain

O Spanner oferece várias classes para trabalhar programaticamente com o LangChain. O LangChain é uma framework de orquestração de MDIs/CEs que fornece a estrutura, as ferramentas e os componentes para simplificar os fluxos de trabalho complexos de MDIs/CEs. Use o LangChain para criar aplicações de IA generativa e fluxos de trabalho RAG. As classes LangChain disponíveis para o Spanner incluem:

  • SpannerVectorStore: Armazene e pesquise incorporações de vetores para permitir a pesquisa de semelhanças na sua aplicação com a classe.

  • SpannerLoader: Carregue dados do Spanner para serem usados em incorporações ou para fornecer contexto específico a cadeias de LLMs com a classe.

  • SpannerChatMessageHistory: Ative as aplicações de IA de conversação armazenando o histórico de conversas numa base de dados do Spanner.

Para mais informações, consulte os artigos Crie aplicações com tecnologia de MDIs usando o LangChain e Biblioteca do cliente do Spanner para o LangChain.

Explore exemplos de utilização

Use as capacidades de IA do Spanner para criar aplicações inteligentes para casos de utilização como os seguintes:

  • Motores de recomendações de comércio eletrónico: gere incorporações vetoriais para descrições de produtos para otimizar um motor de recomendações. Este motor pode sugerir artigos semelhantes aos clientes, o que melhora a respetiva experiência de compras e aumenta as vendas. Para mais informações, consulte o artigo Use a IA generativa para receber recomendações personalizadas numa aplicação de comércio eletrónico.

  • Faça a gestão do histórico de mensagens do chat: use o Spanner e o LangChain para armazenar e obter o histórico de conversas. O Spanner armazena estes dados numa base de dados e fornece a classe SpannerChatMessageHistory. Esta classe expande uma classe base do LangChain para guardar e obter mensagens de uma base de dados. Para mais informações, consulte o artigo Histórico de mensagens de chat com o Spanner.

  • Deteção de fraude financeira: use o Spanner Graph para analisar relações complexas entre utilizadores, contas e transações para identificar padrões e anomalias suspeitos difíceis de detetar com bases de dados relacionais tradicionais.

  • Customer 360: com o gráfico do Spanner, obtenha uma vista holística dos clientes através da monitorização das relações, das preferências e dos históricos de compras. Isto oferece recomendações personalizadas, campanhas de marketing segmentadas e experiências de serviço ao cliente melhoradas.

  • Redes sociais: modelar as atividades e as interações dos utilizadores com o Spanner Graph para fornecer recomendações de amigos e descobrir conteúdo nas redes sociais.

O que se segue?

Para saber mais sobre a implementação de capacidades de IA no Spanner, consulte os seguintes tópicos: