Exporta incorporaciones de Spanner a Vertex AI Vector Search

Vector Search de Vertex AI permite a los usuarios buscar elementos semánticos similares con incorporaciones de vectores. Cómo usar Spanner to Vertex AI Vector Search Flujo de trabajo, puedes integrar tu base de datos de Spanner Búsqueda de vectores para realizar una búsqueda de similitud de vectores en tu Datos de Spanner.

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 embeddings de vectores.

    Puedes generar incorporaciones vectoriales de tus datos y, luego, almacenar y administrarlos en Spanner con tus datos operativos. Puedes generar incorporaciones con el 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 las incorporaciones con la Búsqueda de vectores.

    Usa el flujo de trabajo de Spanner a la Búsqueda de vectores de Vertex AI, que se implementa con flujos de trabajo para exportar y subir incorporaciones a un índice de Vector Search. Puedes usar Cloud Scheduler para programar periódicamente este flujo de trabajo para mantener tus El índice de búsqueda de vectores actualizado con los últimos cambios realizados en tu en Spanner.

  3. Realiza búsquedas de similitud de vectores con tu índice de Vector Search.

    Consulta el índice de Búsqueda de vectores para buscar y encontrar resultados de elementos semánticamente similares. Puedes realizar consultas con un extremo público o a través del intercambio de tráfico entre VPC.

Ejemplo de caso de uso

Un caso de uso ilustrativo de la búsqueda de vectores es un modelo con un inventario de cientos de miles de artículos. En esta situación, eres desarrollador de una tienda en línea y te gustaría usar la búsqueda de similitud de vectores en tu catálogo de productos en Spanner para ayudar a tus clientes a encontrar productos relevantes según sus consultas de búsqueda.

Sigue los pasos 1 y 2 presentados en el flujo de trabajo general para generar para tu catálogo de productos y sincronizarlas Búsqueda de vectores.

Ahora imagina que un cliente que explora tu aplicación realiza una búsqueda como "los mejores shorts deportivos de secado rápido que puedo usar en el agua". Cuando tu aplicación recibe esta consulta, debes generar una incorporación de solicitud para esta solicitud de búsqueda con la función SQL ML.PREDICT de Spanner. Asegúrate de usar el mismo modelo de incorporación que se usó para generar las incorporaciones de tu catálogo de productos.

A continuación, consulta el índice de Búsqueda de vectores para obtener los IDs de productos cuyas incorporaciones correspondientes sean similares a la incorporación de la solicitud generada a partir de la solicitud de búsqueda de tu cliente. El índice de búsqueda podría recomendar IDs de productos para artículos semánticamente similares, como pantalones cortos para wakeboard, ropa de surf y bañadores.

Después de que Vector Search devuelve estos IDs de productos similares, puedes consultar a Spanner para obtener las descripciones, el recuento de inventario, el precio y otros metadatos relevantes de los productos, y mostrarlos a tu cliente.

También puedes usar IA generativa para procesar los resultados devueltos de Spanner antes de mostrarlos a tu cliente. Por ejemplo, puedes usar la IA generativa de gran tamaño para generar un resumen conciso de los productos recomendados. Para ver más información, consulta este instructivo sobre cómo usar la IA generativa para obtener recomendaciones personalizadas en una aplicación de comercio electrónico.

¿Qué sigue?