Exporta incorporaciones de Spanner a Vertex AI Vector Search

Vertex AI Vector Search permite a los usuarios buscar elementos con similitudes semánticas a través de incorporaciones vectoriales. 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 puedes habilitar y usar la búsqueda de vectores en tu datos:

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 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. Sincronización de incorporaciones con la búsqueda de vectores.

    Usar el flujo de trabajo de Spanner a Vertex AI Vector Search, que se implementa con Workflows para exportar y subir incorporaciones a un índice de búsqueda de vectores 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 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 semánticos 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 para la búsqueda de vectores es un modelo con un inventario de cientos de miles de artículos. En este si eres un desarrollador de una tienda en línea y te gusta usar la búsqueda de similitud de vectores en tu catálogo de productos en Spanner para ayudar a los 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 navega por tu aplicación realiza una búsqueda como “mejores pantalones cortos deportivos de secado rápido que puedo usar en el agua”. Cuando el aplicación recibe esta consulta, necesitas generar una incorporación de solicitud para esta solicitud de búsqueda con Spanner ML.PREDICT función de SQL. Asegúrate de usar el mismo modelo de incorporación que usaste para generar la las incorporaciones para tu catálogo de productos.

A continuación, consulta el índice de búsqueda de vectores para los IDs de productos cuyo las incorporaciones correspondientes son similares a las de la incorporación de solicitudes. la solicitud de búsqueda del cliente. El índice de búsqueda podría recomendar los IDs de producto artículos semánticos similares, como pantalones cortos de wakeboard, indumentaria de surf y bañadores.

Luego de que la búsqueda de vectores devuelva estos IDs de productos similares, puedes consultar Spanner para los productos descripciones, recuento de inventario, precio y otros metadatos que sean relevantes, y mostrárselos a tu cliente.

También puedes usar la 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?