Cette page a été traduite par l'API Cloud Translation.

Générer des embeddings vectoriels avec la gestion des points de terminaison du modèle

MySQL | PostgreSQL | SQL Server

Cette page explique comment enregistrer un point de terminaison de modèle d'IA et générer des embeddings vectoriels avec la gestion des points de terminaison de modèle. Pour utiliser des modèles d'IA dans des environnements de production, consultez Créer des applications d'IA générative à l'aide de Cloud SQL et Utiliser des embeddings vectoriels.

Une fois les points de terminaison de modèle ajoutés et enregistrés dans la gestion des points de terminaison de modèle, vous pouvez les référencer à l'aide de l'ID de modèle pour générer des embeddings.

Avant de commencer

Assurez-vous d'effectuer les actions suivantes :

Enregistrez le point de terminaison de votre modèle avec la gestion des points de terminaison de modèle. Pour en savoir plus, consultez Enregistrer et appeler des modèles d'IA à distance à l'aide de la gestion des points de terminaison de modèle.
Créez ou mettez à jour votre instance Cloud SQL afin qu'elle puisse s'intégrer à Vertex AI. Pour en savoir plus, consultez Activer l'intégration de base de données avec Vertex AI.

Générer des embeddings

Utilisez la fonction SQL google_ml.embedding() pour appeler le point de terminaison du modèle enregistré avec le type de modèle d'embedding de texte afin de générer des embeddings.

Pour appeler le modèle et générer des embeddings, utilisez la requête SQL suivante :

SELECT
  google_ml.embedding(
    model_id => 'MODEL_ID',
    content => 'CONTENT');

Remplacez les éléments suivants :

MODEL_ID : ID du modèle que vous avez défini lors de l'enregistrement du point de terminaison du modèle
CONTENT : texte à traduire en embedding vectoriel.

Exemples

Cette section présente quelques exemples de génération d'embeddings à l'aide de points de terminaison de modèles enregistrés.

Modèles d'embedding de texte avec prise en charge intégrée

Pour générer des embeddings pour un point de terminaison de modèle textembedding-gecko@002 enregistré, exécutez l'instruction suivante :

    SELECT
      google_ml.embedding(
        model_id => 'textembedding-gecko@002',
        content => 'Cloud SQL is a managed, cloud-hosted SQL database service');