Registra e chiama i modelli di IA remota utilizzando la gestione degli endpoint dei modelli

Questa pagina descrive come richiamare le previsioni o generare incorporamenti utilizzando un modello, quindi registrare l'endpoint del modello con la gestione degli endpoint del modello.

Per saperne di più sulla funzione google_ml.create_model(), consulta la documentazione di riferimento sulla gestione degli endpoint del modello.

Prima di iniziare

  • Se l'endpoint del modello richiede l'autenticazione, attiva l'estensione google_ml_integration.

  • In base al provider del modello, configura l'autenticazione.

  • Assicurati di utilizzare il nome utente predefinito postgres per accedere al database.

Attivare l'estensione

  1. Imposta il flag di database google_ml_integration.enable_model_support su on per la tua istanza. Per saperne di più sull'impostazione dei flag di database, vedi Configurare i flag di database.

  2. Connettiti all'istanza primaria utilizzando un client psql o Cloud SQL Studio.

  3. Esegui questo comando per assicurarti che l'estensione google_ml_integration sia aggiornata alla versione 1.4.2:

        ALTER EXTENSION google_ml_integration UPDATE TO '1.4.2'
    
  4. Aggiungi l'estensione google_ml_integration versione 1.4.2 utilizzando psql:

      CREATE EXTENSION google_ml_integration VERSION '1.4.2';
    
  5. (Facoltativo) Concedi l'autorizzazione a un utente PostgreSQL non super amministratore per gestire i metadati del modello:

      GRANT SELECT, INSERT, UPDATE, DELETE ON ALL TABLES IN SCHEMA google_ml TO NON_SUPER_USER;
    

    Sostituisci NON_SUPER_USER con il nome utente PostgreSQL non superutente.

Configura l'autenticazione

Le sezioni seguenti mostrano come configurare l'autenticazione prima di aggiungere un endpoint del modello Vertex AI o endpoint del modello ospitati in Google Cloud.

Configura l'autenticazione per Vertex AI

Per utilizzare gli endpoint del modello Google Vertex AI, devi aggiungere le autorizzazioni Vertex AI all'account di servizio Cloud SQL basato su IAM che utilizzi per connetterti al database. Per ulteriori informazioni sull'integrazione con Vertex AI, consulta Integrare Cloud SQL con Vertex AI.

Configura l'autenticazione per i modelli ospitati personalizzati

Questa sezione spiega come configurare l'autenticazione se utilizzi Secret Manager. Per tutti i modelli, ad eccezione degli endpoint dei modelli Vertex AI, puoi archiviare le chiavi API o i token di autenticazione in Secret Manager.

Se l'endpoint del modello non gestisce l'autenticazione tramite Secret Manager, questa sezione è facoltativa. Ad esempio, se l'endpoint del modello utilizza intestazioni HTTP per trasmettere informazioni di autenticazione o non utilizza l'autenticazione, non completare i passaggi di questa sezione.

Per creare e utilizzare una chiave API o un token di autenticazione, completa i seguenti passaggi:

  1. Crea un secret in Secret Manager. Per maggiori informazioni, vedi Creare un secret e accedere a una versione del secret.

    Il nome e il percorso del secret vengono utilizzati nella funzione SQL google_ml.create_sm_secret().

  2. Concedi all'istanza Cloud SQL le autorizzazioni per accedere al secret.

      gcloud secrets add-iam-policy-binding SECRET_ID \
          --member="serviceAccount:SERVICE_ACCOUNT_EMAIL" \
          --role="roles/secretmanager.secretAccessor"
    

    Sostituisci quanto segue:

    • SECRET_ID: l'ID secret in Secret Manager.
    • SERVICE_ACCOUNT_EMAIL: l'indirizzo email del account di servizio Cloud SQL basato su IAM. Per trovare questo indirizzo email, utilizza il comando gcloud sql instances describe INSTANCE_NAME e sostituisci INSTANCE_NAME con il nome dell'istanza. Il valore visualizzato accanto al parametro serviceAccountEmailAddress è l'indirizzo email.

Modelli di text embedding con supporto integrato

Questa sezione mostra come registrare gli endpoint del modello per la gestione degli endpoint del modello.

Modelli di embedding Vertex AI

La gestione degli endpoint del modello fornisce il supporto integrato per tutte le versioni del modello text-embedding-gecko di Vertex AI. Utilizza il nome qualificato per impostare la versione del modello su textembedding-gecko@001 o textembedding-gecko@002.

Poiché gli ID endpoint dei modelli textembedding-gecko e textembedding-gecko@001 sono preregistrati con la gestione degli endpoint dei modelli, puoi utilizzarli direttamente come ID modello. Per questi modelli, l'estensione configura automaticamente le funzioni di trasformazione predefinite.

Assicurati che sia l'istanza Cloud SQL sia il modello Vertex AI che stai interrogando si trovino nella stessa regione.

Per registrare l'endpoint del modello textembedding-gecko@002, chiama la funzione create_model:

  CALL
    google_ml.create_model(
      model_id => 'textembedding-gecko@002',
      model_provider => 'google',
      model_qualified_name => 'textembedding-gecko@002',
      model_type => 'text_embedding',
      model_auth_type => 'cloudsql_service_agent_iam');

Modelli di text embedding ospitati personalizzati

Questa sezione mostra come registrare gli endpoint dei modelli personalizzati ospitati nelle reti all'interno di Google Cloud.

L'aggiunta di endpoint del modello di incorporamento di testo ospitato personalizzato prevede la creazione di funzioni di trasformazione e, facoltativamente, di intestazioni HTTP personalizzate. D'altra parte, l'aggiunta di endpoint di modelli generici ospitati personalizzati prevede la generazione facoltativa di intestazioni HTTP personalizzate e l'impostazione dell'URL della richiesta del modello.

L'esempio seguente aggiunge l'endpoint del modello di incorporamento di testo custom-embedding-model ospitato da Cymbal, che è ospitato all'interno di Google Cloud. Le funzioni di trasformazione cymbal_text_input_transform e cymbal_text_output_transform vengono utilizzate per trasformare il formato di input e output del modello nel formato di input e output della funzione di previsione.

Per registrare gli endpoint del modello di incorporamento di testo ospitato personalizzato, completa i seguenti passaggi:

  1. Chiama il secret archiviato in Secret Manager:

    CALL
      google_ml.create_sm_secret(
        secret_id => 'SECRET_ID',
        secret_path => 'projects/project-id/secrets/SECRET_MANAGER_SECRET_ID/versions/VERSION_NUMBER');
    

    Sostituisci quanto segue:

    • SECRET_ID: l'ID segreto che hai impostato e che viene utilizzato successivamente durante la registrazione di un endpoint del modello, ad esempio key1.
    • SECRET_MANAGER_SECRET_ID: l'ID secret impostato in Secret Manager quando hai creato il secret.
    • PROJECT_ID: l'ID del tuo Google Cloud progetto.
    • VERSION_NUMBER: il numero di versione dell'ID secret.
  2. Crea le funzioni di trasformazione di input e output in base alla seguente firma per la funzione di previsione per gli endpoint del modello di incorporamento di testo. Per ulteriori informazioni su come creare funzioni di trasformazione, consulta Esempio di funzioni di trasformazione.

    Di seguito sono riportate funzioni di trasformazione di esempio specifiche per l'endpoint del modello di incorporamento di testo custom-embedding-model:

    -- Input Transform Function corresponding to the custom model endpoint
    CREATE OR REPLACE FUNCTION cymbal_text_input_transform(model_id VARCHAR(100), input_text TEXT)
    RETURNS JSON
    LANGUAGE plpgsql
    AS $$
    DECLARE
      transformed_input JSON;
      model_qualified_name TEXT;
    BEGIN
      SELECT json_build_object('prompt', json_build_array(input_text))::JSON INTO transformed_input;
      RETURN transformed_input;
    END;
    $$;
    -- Output Transform Function corresponding to the custom model endpoint
    CREATE OR REPLACE FUNCTION cymbal_text_output_transform(model_id VARCHAR(100), response_json JSON)
    RETURNS REAL[]
    LANGUAGE plpgsql
    AS $$
    DECLARE
      transformed_output REAL[];
    BEGIN
      SELECT ARRAY(SELECT json_array_elements_text(response_json->0)) INTO transformed_output;
      RETURN transformed_output;
    END;
    $$;
    
  3. Chiama la funzione di creazione del modello per registrare l'endpoint del modello di incorporamento personalizzato:

    CALL
      google_ml.create_model(
        model_id => 'MODEL_ID',
        model_request_url => 'REQUEST_URL',
        model_provider => 'custom',
        model_type => 'text_embedding',
        model_auth_type => 'secret_manager',
        model_auth_id => 'SECRET_ID',
        model_qualified_name => 'MODEL_QUALIFIED_NAME',
        model_in_transform_fn => 'cymbal_text_input_transform',
        model_out_transform_fn => 'cymbal_text_output_transform');
    

    Sostituisci quanto segue:

    • MODEL_ID: obbligatorio. Un ID univoco per l'endpoint del modello che definisci (ad esempio, custom-embedding-model). Questo ID modello viene utilizzato come riferimento per i metadati necessari all'endpoint del modello per generare incorporamenti o richiamare previsioni.
    • REQUEST_URL: obbligatorio. L'endpoint specifico del modello quando aggiungi l'incorporamento di testo personalizzato e gli endpoint del modello generico, ad esempio https://cymbal.com/models/text/embeddings/v1. Assicurati che l'endpoint del modello sia accessibile tramite un indirizzo IP interno. La gestione degli endpoint del modello non supporta gli indirizzi IP esterni.
    • MODEL_QUALIFIED_NAME: obbligatorio se l'endpoint del modello utilizza un nome qualificato. Il nome completo nel caso in cui l'endpoint del modello abbia più versioni.
    • SECRET_ID: l'ID segreto che hai utilizzato in precedenza nella procedura google_ml.create_sm_secret().

Modelli generici

Questa sezione mostra come registrare un endpoint modello gemini-pro generico da Vertex AI Model Garden, che non ha supporto integrato. Puoi registrare qualsiasi endpoint del modello generico ospitato in Google Cloud.

Cloud SQL supporta solo gli endpoint dei modelli disponibili tramite Vertex AI Model Garden e gli endpoint dei modelli ospitati nelle reti all'interno di Google Cloud.

Modello Gemini

L'esempio seguente aggiunge l'endpoint del modello gemini-1.0-pro da Vertex AI Model Garden.

Per registrare l'endpoint del modello gemini-1.0-pro, chiama la funzione create model:

```sql
CALL
  google_ml.create_model(
    model_id => 'MODEL_ID',
    model_request_url => 'https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/publishers/google/models/gemini-1.0-pro:streamGenerateContent',
    model_provider => 'google',
    model_auth_type => 'cloudsql_service_agent_iam');
```

Replace the following:
* <code><var>MODEL_ID</var></code>: a unique ID for the model endpoint that you define (for example,<br> `gemini-1`). This model ID is referenced for metadata that the model endpoint needs to generate embeddings or invoke predictions.
* <code><var>PROJECT_ID</var></code>: the ID of your Google Cloud project.

Per saperne di più, scopri come richiamare le previsioni per gli endpoint del modello generico.

Passaggi successivi