将嵌入从 Spanner 导出到 Vertex AI Vector Search

Vertex AI 矢量搜索 可让用户使用向量嵌入搜索语义相似的项。 使用 Spanner To Vertex AI Vector Search 工作流， 你可以将 Spanner 数据库与 使用向量搜索对您的 Spanner 数据。

下图显示了端到端应用的工作流 您可以在 Spanner 上启用和使用矢量搜索， 数据：

Spanner 到矢量搜索的工作流。

一般工作流程如下：

  1. 生成和存储矢量嵌入。

    你可以生成数据的向量嵌入，然后存储并 并使用运营数据在 Spanner 中进行管理。您可以 使用 Spanner 的 ML.PREDICT SQL 生成嵌入 函数来访问 Vertex AI 的 textembedding-gecko 模型 或者使用部署到 Vertex AI 的其他嵌入模型。

  2. 将嵌入同步到向量搜索。

    使用 Spanner 到 Vertex AI 矢量搜索工作流， 它是使用Workflows部署的 将嵌入导出并上传到矢量搜索索引中。您可以使用 Cloud Scheduler 可以定期安排此工作流， “矢量搜索”会编入索引 Spanner 中的嵌入。

  3. 使用向量搜索索引执行向量相似性搜索。

    查询矢量搜索索引，以搜索和查找以下项的结果 语义相似的项。您可以使用公共端点进行查询 还是通过 VPC 对等互连连接。

用例示例

矢量搜索的一个说明性应用场景是 该零售商拥有成千上万件商品。在本课中， 假设您是一家在线零售商的开发者， 想要在 Google Cloud 中的产品目录中使用向量相似性搜索 Spanner 可以帮助您的客户根据 搜索查询的内容

按照常规工作流中的步骤 1 和步骤 2 生成向量 然后使用这些嵌入来生成商品清单，然后将这些嵌入同步到 矢量搜索。

现在，假设客户在浏览您的应用时执行了一次搜索，例如 “我能在水中穿的最佳速干运动短裤”。当您 应用收到此查询后，您需要为 此搜索请求（使用 Spanner ML.PREDICT） SQL 函数。请务必使用生成 用于构建商品清单。

接下来，在向量搜索索引中查询具有以下特征的商品 ID： 相应的嵌入与从模型生成的请求嵌入类似， 客户的搜索请求。搜索索引可能会推荐 语义相似的商品，如滑水短裤、冲浪服装和 泳裤

在矢量搜索返回这些相似的商品 ID 后，您可以查询 Spanner for the Product'说明、商品目录数量、价格 以及其他相关的元数据，并将其展示给客户。

您还可以使用生成式 AI 处理从 Spanner 返回的结果，然后再显示 。例如，你可以使用 Google 的大型生成式 AI 以生成关于推荐商品的简明摘要。有关 请参阅本教程，了解如何 使用生成式 AI 在电子商务应用中获取个性化推荐内容。

后续步骤