Vertex AI Vector Search permet aux utilisateurs de rechercher des éléments sémantiquement similaires à l'aide de représentations vectorielles continues. Utiliser Spanner vers Vertex AI Vector Search le workflow, vous pouvez intégrer votre base de données Spanner Vector Search pour effectuer une recherche par similarité vectorielle sur votre des données Spanner.
Le schéma suivant illustre le workflow de bout en bout de l'application vous pouvez activer et utiliser Vector Search sur votre Spanner données:
Voici le workflow général :
Générer et stocker des représentations vectorielles continues
Vous pouvez générer des représentations vectorielles continues de vos données, puis stocker les gérer dans Spanner avec vos données opérationnelles. Vous pouvez Générer des représentations vectorielles continues avec le code SQL
ML.PREDICT
de Spanner pour accéder au modèletextembedding-gecko
de Vertex AI ou utilisez d'autres modèles de représentations vectorielles continues déployés dans Vertex AI.Synchroniser les représentations vectorielles continues avec Vector Search
Utilisez le workflow de Spanner vers Vertex AI Vector Search. déployé à l'aide de Workflows pour exporter et importer des représentations vectorielles continues dans un index Vector Search. Vous pouvez utiliser Cloud Scheduler pour planifier régulièrement ce workflow afin de mettre à jour votre index de recherche vectorielle avec les dernières modifications apportées à vos représentations vectorielles continues dans Spanner.
Effectuez une recherche vectorielle par similarité à l'aide de votre index Vector Search.
Interroger l'index Vector Search pour rechercher et trouver des résultats pour des éléments sémantiquement similaires. Vous pouvez interroger les données à l'aide d'un point de terminaison public. ou via l'appairage de VPC.
Exemple d'utilisation
Pour illustrer ce cas d'utilisation, Vector Search est une application marchand qui dispose de centaines de milliers d'articles en stock. Dans ce scénario, vous êtes développeur pour un marchand en ligne et vous souhaitez utiliser la recherche de similarité vectorielle sur votre catalogue de produits dans Spanner pour aider vos clients à trouver des produits pertinents en fonction de leurs requêtes de recherche.
Suivez les étapes 1 et 2 présentées dans le workflow général pour générer des représentations vectorielles continues pour votre catalogue de produits, puis synchronisez-les avec Vector Search.
Imaginons maintenant qu'un client parcourant votre application effectue une recherche telle que "meilleurs shorts de sport à séchage rapide que je peux porter dans l'eau". Lorsque votre
reçoit cette requête, vous devez générer une représentation vectorielle continue de la requête
cette requête de recherche à l'aide de la clé Spanner ML.PREDICT
fonction SQL. Veillez à utiliser le même modèle de représentation vectorielle continue que celui utilisé pour générer la
des représentations vectorielles continues
pour votre catalogue de produits.
Interrogez ensuite l'index Vector Search pour les ID de produit dont les embeddings correspondants sont similaires à l'embedding de la requête généré à partir de la requête de recherche de votre client. L'index de recherche peut recommander des ID produit pour des éléments sémantiquement similaires, tels que des shorts de wakeboard, des vêtements de surf et troncs de natation.
Une fois que Vector Search a renvoyé ces ID de produit similaires, vous pouvez effectuer une requête Spanner pour les produits les descriptions, le nombre d'inventaires, le prix et d'autres métadonnées pertinentes, puis les présenter à votre client.
Vous pouvez aussi utiliser l'IA générative pour traiter les résultats renvoyés par Spanner avant d'afficher à votre client. Par exemple, vous pouvez utiliser l'IA générative de Google pour générer un résumé concis des produits recommandés. Pour en savoir plus, consultez ce tutoriel sur l'utilisation de l'IA générative pour obtenir des recommandations personnalisées dans une application d'e-commerce.
Étape suivante
- Découvrez comment générer des représentations vectorielles continues à l'aide de Spanner.
- En savoir plus sur l'outil multioutil d'IA: représentations vectorielles continues
- Pour en savoir plus sur le machine learning et les représentations vectorielles continues, consultez notre cours intensif sur les représentations vectorielles continues.
- Pour en savoir plus sur le workflow de recherche vectorielle Spanner vers Vertex AI, consultez le dépôt GitHub.
- En savoir plus sur le package Open Source spanner-analytics qui facilite les opérations courantes d'analyse de données dans Python et inclut à des notebooks Jupyter.