Vertex AI Vector Search consente agli utenti di cercare elementi semanticamente simili utilizzando incorporamenti vettoriali. Utilizzando il flusso di lavoro di ricerca vettoriale di Vertex AI, puoi integrare il tuo database Spanner con Vector Search per eseguire una ricerca di somiglianze vettoriali sui tuoi dati di Spanner.
Il seguente diagramma mostra il flusso di lavoro dell'applicazione end-to-end relativo all'abilitazione e all'utilizzo della ricerca vettoriale sui tuoi dati Spanner:
Il flusso di lavoro generale è il seguente:
Genera e archivia incorporamenti vettoriali.
Puoi generare incorporamenti vettoriali dei dati, quindi archiviarli e gestirli in Spanner con i tuoi dati operativi. Puoi generare incorporamenti con la funzione SQL
ML.PREDICTdi Spanner per accedere al modellotextembedding-geckodi Vertex AI o utilizzare altri modelli di incorporamento di cui è stato eseguito il deployment in Vertex AI.Sincronizza gli incorporamenti con Vector Search.
Utilizza il flusso di lavoro Spanner To Vertex AI Vector Search, il cui deployment viene eseguito utilizzando Workflows per esportare e caricare gli incorporamenti in un indice di Vector Search. Puoi utilizzare Cloud Scheduler per pianificare periodicamente questo flusso di lavoro in modo da mantenere l'indice di Vector Search aggiornato con le ultime modifiche apportate ai tuoi incorporamenti in Spanner.
Esegui una 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 il peering VPC.
Caso d'uso di esempio
Un caso d'uso illustrativo di Vector Search è un rivenditore online che ha 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 clienti a trovare prodotti pertinenti in base alle loro query di ricerca.
Segui il passaggio 1 e il passaggio 2 presentati nel flusso di lavoro generale per generare incorporamenti vettoriali per il tuo catalogo dei prodotti e sincronizzare questi incorporamenti con la ricerca vettoriale.
Ora immagina che un cliente che sfoglia la tua applicazione esegue una ricerca come
"i migliori pantaloncini sportivi ad asciugatura rapida che posso indossare in acqua". Quando l'applicazione riceve questa query, devi generare un incorporamento di richiesta per questa richiesta di ricerca utilizzando la funzione SQL di Spanner ML.PREDICT. Assicurati di utilizzare lo stesso modello di incorporamento usato per generare gli incorporamenti per il tuo catalogo dei prodotti.
Quindi, esegui una query sull'indice di Vector Search in modo da individuare gli ID prodotto i cui incorporamenti corrispondenti sono simili all'incorporamento della richiesta generato dalla richiesta di ricerca del tuo cliente. L'indice di ricerca potrebbe consigliare ID prodotto per elementi semanticamente simili, ad esempio pantaloncini da wakeboard, abbigliamento da surf e costumi da bagno.
Una volta che Vector Search restituisce questi ID prodotto simili, puoi eseguire una query in Spanner per trovare le descrizioni dei prodotti, il conteggio dell'inventario, il prezzo e altri metadati pertinenti per mostrarli al cliente.
Puoi anche utilizzare l'IA generativa per elaborare i risultati restituiti da Spanner prima di mostrarli al cliente. Ad esempio, puoi usare 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'IA generativa per ricevere suggerimenti personalizzati in un'applicazione di e-commerce.
Passaggi successivi
- Scopri come generare incorporamenti utilizzando Spanner.
- Scopri di più sul multistrumento dell'IA: rappresentazioni distribuite vettoriali
- Scopri di più su machine learning e incorporamenti nel nostro corso sugli arresti anomali sugli incorporamenti.
- Scopri di più sul flusso di lavoro Spanner To Vertex AI Vector Search, consulta il repository GitHub.
- Scopri di più sul pacchetto open source spanner-analytics che facilita le operazioni comuni di analisi dei dati in Python e include le integrazioni con i blocchi note Jupyter.