Exporta incorporaciones de Spanner a Vertex AI Vector Search

Vertex AI Vector Search permite a los usuarios buscar elementos con una semántica similar a través de incorporaciones vectoriales. Puedes integrar la base de datos de Spanner con la búsqueda de vectores para realizar una búsqueda de similitud de vectores en tus datos de Spanner con el flujo de trabajo de Spanner a Vertex AI Vector Search.

En el siguiente diagrama, se muestra el flujo de trabajo de la aplicación de extremo a extremo para habilitar y usar la búsqueda de vectores en tus datos de Spanner:

Flujo de trabajo de Spanner a la búsqueda de vectores.

El flujo de trabajo general es el siguiente:

  1. Genera y almacena incorporaciones de vectores.

    Puedes generar incorporaciones de vectores de tus datos y, luego, almacenarlos y administrarlos en Spanner con tus datos operativos. Puedes generar incorporaciones con la función de SQL ML.PREDICT de Spanner para acceder al modelo textembedding-gecko de Vertex AI o usar otros modelos de incorporación implementados en Vertex AI.

  2. Sincroniza incorporaciones con la búsqueda de vectores.

    Usa el flujo de trabajo de Spanner a Vertex AI Vector Search, que se implementa mediante flujos de trabajo para exportar y subir incorporaciones a un índice de búsqueda de vectores. Puedes usar Cloud Scheduler para programar este flujo de trabajo de forma periódica a fin de mantener actualizado el índice de la Búsqueda de vectores con los cambios más recientes en tus incorporaciones en Spanner.

  3. Realiza una búsqueda de similitud de vectores con el índice de la Búsqueda de vectores.

    Consulta el índice de la búsqueda de vectores para buscar y encontrar resultados de elementos con similitudes semánticas. Puedes realizar consultas con un extremo público o a través del intercambio de tráfico de VPC.

Ejemplo de caso de uso

Un caso de uso ilustrativo de la búsqueda de vectores es un minorista en línea que tiene un inventario de cientos de miles de elementos. En esta situación, eres el desarrollador de un minorista en línea y te gustaría usar la búsqueda de similitud de vectores en tu catálogo de productos en Spanner para ayudar a los clientes a encontrar productos relevantes en función de sus búsquedas.

Sigue los pasos 1 y 2 presentados en el flujo de trabajo general para generar incorporaciones vectoriales para tu catálogo de productos y sincronizar estas incorporaciones con la búsqueda de vectores.

Ahora, imagina que un cliente que navega por tu aplicación realiza una búsqueda como “mejores pantalones cortos deportivos de secado rápido que puedo usar en el agua”. Cuando la aplicación recibe esta consulta, debes generar una incorporación de solicitud para esta búsqueda con la función de SQL ML.PREDICT de Spanner. Asegúrate de usar el mismo modelo de incorporación que usaste para generar las incorporaciones para tu catálogo de productos.

A continuación, consulta el índice de la búsqueda de vectores para los IDs de productos cuyas incorporaciones correspondientes sean similares a la incorporación de solicitudes generada a partir de la solicitud de búsqueda de tu cliente. El índice de búsqueda puede recomendar los ID del producto para artículos semánticamente similares, como shorts para practicar wakeboard, indumentaria de surf y batas de natación.

Después de que la búsqueda de vectores muestre estos IDs de productos similares, puedes consultar a Spanner las descripciones de los productos, el recuento de inventario, el precio y otros metadatos que sean relevantes, y mostrarlos a tu cliente.

También puedes usar la IA generativa para procesar los resultados que muestra Spanner antes de mostrárselos al cliente. Por ejemplo, puedes usar los modelos grandes de IA generativa de Google para generar un resumen conciso de los productos recomendados. Si deseas obtener más información, consulta este instructivo sobre cómo usar la IA generativa para obtener recomendaciones personalizadas en una aplicación de comercio electrónico.

¿Qué sigue?