Exporter des représentations vectorielles continues de Spanner vers Vertex AI Vector Search

Vertex AI Vector Search permet aux utilisateurs de rechercher des éléments sémantiquement similaires à l'aide de représentations vectorielles continues de vecteurs. À l'aide du workflow de recherche vectorielle Spanner vers Vertex AI, vous pouvez intégrer votre base de données Spanner à la recherche vectorielle pour effectuer une recherche de similarité vectorielle sur vos données Spanner.

Le schéma suivant illustre le workflow d'application de bout en bout concernant l'activation et l'utilisation de Vector Search sur vos données Spanner:

Workflow de Spanner vers Vector Search.

Voici le workflow général :

  1. Générer et stocker des représentations vectorielles continues de vecteurs

    Vous pouvez générer des représentations vectorielles continues de vos données, puis les stocker et les gérer dans Spanner avec vos données opérationnelles. Vous pouvez générer des représentations vectorielles continues à l'aide de la fonction SQL ML.PREDICT de Spanner pour accéder au modèle textembedding-gecko de Vertex AI ou utiliser d'autres modèles de représentations vectorielles continues déployés sur Vertex AI.

  2. Synchronisez les représentations vectorielles continues avec Vector Search.

    Utilisez Spanner vers Vertex AI Vector Search Workflow, qui est 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 maintenir votre index Vector Search à jour avec les dernières modifications apportées à vos représentations vectorielles continues dans Spanner.

  3. Effectuez une recherche de similarité vectorielle à l'aide de votre index Vector Search.

    Interrogez l'index Vector Search pour rechercher et trouver des résultats d'éléments sémantiquement similaires. Vous pouvez effectuer des requêtes à l'aide d'un point de terminaison public ou via l'appairage de VPC.

Exemple d'utilisation

À titre d'exemple, Vector Search est un marchand en ligne qui dispose d'un stock de centaines de milliers d'articles. 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 du workflow général pour générer des représentations vectorielles continues de votre catalogue de produits, puis synchronisez ces représentations vectorielles continues avec Vector Search.

Imaginons maintenant qu'un client parcourt votre application et effectue une recherche du type "meilleurs shorts de sport à séchage rapide que je peux porter dans l'eau". Lorsque votre application reçoit cette requête, vous devez générer une intégration de requête pour cette requête de recherche à l'aide de la fonction SQL ML.PREDICT de Spanner. Veillez à utiliser le même modèle de représentation vectorielle continue que celui utilisé pour générer les représentations vectorielles continues de votre catalogue de produits.

Interrogez ensuite l'index de recherche vectorielle pour obtenir les ID produit dont les représentations vectorielles continues correspondantes sont semblables à celles générées 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 des maillots de natation.

Une fois que Vector Search a renvoyé ces ID produit similaires, vous pouvez interroger Spanner pour obtenir les descriptions, l'inventaire, le prix et d'autres métadonnées pertinentes des produits, puis les présenter à vos clients.

Vous pouvez également utiliser l'IA générative pour traiter les résultats renvoyés par Spanner avant de les présenter à votre client. Les grands modèles d'IA générative de Google vous permettent par exemple de 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.

Étapes suivantes