从 Cloud SQL 实例调用在线预测

本页面介绍如何从 Cloud SQL for PostgreSQL 实例调用在线预测。

Cloud SQL 可让您通过调用 ml_predict_row() 函数，在 SQL 代码中进行在线预测。如需了解详情，请参阅使用 Cloud SQL 构建生成式 AI 应用。

准备工作

您必须先准备数据库并选择适当的机器学习模型，然后才能从 Cloud SQL 实例调用在线预测。

准备数据库

如需准备数据库，请完成以下步骤：

  1. 设置 Cloud SQL 和 Vertex AI 之间的集成。

  2. 为数据库用户授予使用 ml_predict_row() 函数运行预测的权限：

    1. 按照使用 psql 客户端连接中所述，将 psql 客户端连接到主实例。

    2. 在 psql 命令提示符处，连接到数据库并授予权限：

      \c DB_NAME

GRANT EXECUTE ON FUNCTION ml_predict_row TO USER_NAME;

      请替换以下内容：

      • DB_NAME：您要授予其权限的数据库的名称

      • USER_NAME：您要为其授予权限的用户的名称

选择机器学习模型

调用 ml_predict_row() 函数时，您必须指定机器学习模型的位置。您指定的模型可以是以下模型之一：

  • 在 Vertex AI Model Garden 中运行的模型。

    ml_predict_row() 函数仅支持对表格模型或自定义模型调用预测。

  • 具有您拥有 Identity and Access Management (IAM) 权限访问的活跃端点的 Vertex AI 模型。

    Cloud SQL 不支持使用专用端点进行在线预测。

调用在线预测

您可以使用 ml_predict_row() SQL 函数根据数据调用在线预测。

函数的初始参数的格式取决于您要使用的机器学习模型是位于 Vertex AI Model Garden 中，还是在 Google Cloud 项目中运行的端点。

使用 Vertex AI Model Garden 中的模型

如需使用在 Vertex AI Model Garden 中运行的机器学习模型调用在线预测，请为 ml_predict_row() SQL 函数使用以下语法：

SELECT ml_predict_row('publishers/google/models/MODEL_ID', '{ "instances": [ INSTANCES ], "parameters":
PARAMETERS }');

进行以下替换：

  • MODEL_ID：要使用的机器学习模型的 ID（例如，text-bison 表示 PaLM 2 for Text）

  • INSTANCES：预测调用的输入，采用 JSON 格式

  • PARAMETERS：预测调用的参数，采用 JSON 格式

SELECT ml_predict_row('publishers/google/models/MODEL_ID', '{ "instances": [ INSTANCES ], "parameters":
PARAMETERS }');

如需了解模型的 JSON 响应消息，请参阅生成式 AI 基础模型参考文档。如需查看示例，请参阅调用示例。

使用 Vertex AI 模型端点

如需使用 Vertex AI 模型端点调用在线预测，请为 ml_predict_row() SQL 函数使用以下语法：

SELECT ml_predict_row('endpoints/ENDPOINT_ID', '{ "instances": [ INSTANCES ], "parameters":
PARAMETERS }');

进行以下替换：

  • ENDPOINT_ID：模型端点的 ID

  • INSTANCES：预测调用的输入，采用 JSON 格式

  • PARAMETERS：预测调用的参数，采用 JSON 格式

如需了解模型的 JSON 响应消息，请参阅 PredictResponse。

调用示例

以下示例使用 Model Garden 中提供的 PaLM 2 for Text，根据以字面量参数形式提供给 ml_predict_row() 的简短提示生成文本：

select ML_PREDICT_ROW('projects/PROJECT_ID/locations/us-central1/publishers/google/models/text-bison', '{"instances":[{"prompt": "What are three advantages of using Cloud SQL as my SQL database server?"}], "parameters":{"maxOutputTokens":1024, "topK": 40, "topP":0.8, "temperature":0.2}}');

响应一个 JSON 对象。如需详细了解对象的格式，请参阅响应正文。

下一个示例通过以下方式修改上一个示例：

  • 该示例将当前数据库的 messages.message 列的内容用作输入。

  • 该示例演示了如何使用 json_build_object() 函数来设置函数参数的格式。

select ML_PREDICT_ROW('projects/PROJECT_ID/locations/us-central1/publishers/google/models/text-bison', json_build_object('instances', json_build_object('prompt', message), 'parameters', json_build_object('maxOutputTokens', 1024,'topK', 40,'topP', 0.8,'temperature', 0.2))) from messages;

对于 messages 表中的每一行，返回的 JSON 对象现在在其 predictions 数组中包含一个条目。

由于响应是一个 JSON 对象，因此您可以使用 PostgreSQL 数组运算符从中拉取特定字段：

SELECT ML_PREDICT_ROW('projects/PROJECT_ID/locations/us-central1/publishers/google/models/text-bison',json_build_object('instances', json_build_object('prompt',message), 'parameters', json_build_object('maxOutputTokens', 1024,'topK', 40,'topP', 0.8,'temperature', 0.2)))->'predictions'->0->'content' FROM messages;

如需查看 ml_predict_row() 的更多示例参数，请参阅试用 Vertex AI Gemini API。

后续步骤