Esporta gli incorporamenti da Spanner a Vertex AI Vector Search

Vertex AI Vector Search consente agli utenti di cercare elementi semanticamente simili utilizzando incorporamenti vettoriali. Utilizzando il flusso di lavoro di ricerca vettoriale da Spanner a Vertex AI, puoi integrare il tuo database Spanner con ricerca vettoriale per eseguire una ricerca di somiglianza vettoriale sui tuoi dati di Spanner.

Il seguente diagramma mostra il flusso di lavoro dell'applicazione end-to-end che spiega come abilitare e utilizzare Vector Search sui tuoi dati Spanner:

Flusso di lavoro da Spanner a Vector Search.

Il flusso di lavoro generale è il seguente:

  1. Genera e archivia incorporamenti vettoriali.

    Puoi generare incorporamenti vettoriali dei tuoi dati, quindi archiviarli e gestirli in Spanner con i tuoi dati operativi. Puoi generare incorporamenti con la funzione SQL ML.PREDICT di Spanner per accedere al modello textembedding-gecko di Vertex AI o utilizzare altri modelli di incorporamento di cui è stato eseguito il deployment in Vertex AI.

  2. Sincronizza gli incorporamenti con Vector Search.

    Utilizza Spanner To Vertex AI Vector Search Workflow, il cui deployment viene eseguito tramite Workflows, per esportare e caricare gli incorporamenti in un indice di Vector Search. Puoi utilizzare Cloud Scheduler per pianificare periodicamente questo flusso di lavoro e mantenere aggiornato l'indice di Vector Search con le ultime modifiche alle tue rappresentazioni distribuite in Spanner.

  3. Esegui la ricerca di somiglianze vettoriali utilizzando il tuo indice di ricerca vettoriale.

    Esegui una query sull'indice di Vector Search per cercare e trovare risultati per elementi semanticamente simili. Puoi eseguire query utilizzando un endpoint pubblico o tramite peering VPC.

Caso d'uso di esempio

Un caso d'uso illustrativo di Vector Search è un rivenditore online con un inventario di centinaia di migliaia di articoli. In questo scenario, sei uno sviluppatore di un rivenditore online e vorresti utilizzare la ricerca di somiglianze vettoriali nel tuo catalogo dei prodotti in Spanner per aiutare i tuoi clienti a trovare prodotti pertinenti in base alle loro query di ricerca.

Segui i passaggi 1 e 2 presentati nel flusso di lavoro generale per generare incorporamenti vettoriali per il tuo catalogo dei prodotti e sincronizzare questi incorporamenti con Vector Search.

Ora immagina che un cliente che naviga nella tua applicazione esegua una ricerca come "migliori pantaloncini sportivi ad asciugatura rapida che posso indossare in acqua". Quando l'applicazione riceve questa query, devi generare un incorporamento per la richiesta di ricerca utilizzando la funzione SQL ML.PREDICT di Spanner. Assicurati di utilizzare lo stesso modello di incorporamento usato per generare gli incorporamenti per il catalogo dei prodotti.

Poi, esegui una query sull'indice di Vector Search per trovare gli ID prodotto i cui incorporamenti corrispondenti sono simili a quelli generati dalla richiesta di ricerca del tuo cliente. L'indice di ricerca potrebbe consigliare ID prodotto per elementi semanticamente simili, come pantaloncini da wakeboard, abbigliamento da surf e costumi da nuoto.

Dopo che Vector Search ha restituito questi ID prodotto simili, puoi eseguire una query a Spanner per trovare le descrizioni, il numero di inventario, il prezzo e altri metadati pertinenti dei prodotti e mostrarli al cliente.

Puoi anche utilizzare l'IA generativa per elaborare i risultati restituiti da Spanner prima di mostrarli al cliente. Ad esempio, puoi utilizzare i modelli di AI generativa di grandi dimensioni di Google per generare un riepilogo conciso dei prodotti consigliati. Per ulteriori informazioni, consulta questo tutorial su come utilizzare l'AI generativa per ottenere suggerimenti personalizzati in un'applicazione di e-commerce.

Passaggi successivi