Menggunakan embedding vektor

Halaman ini menunjukkan cara menggunakan Cloud SQL untuk PostgreSQL guna melakukan tindakan berikut:

  • Membuat dan menyimpan embedding vektor berdasarkan model.

  • Mengindeks dan membuat kueri penyematan menggunakan ekstensi pgvector.

Untuk mengetahui informasi selengkapnya, lihat Mem-build aplikasi AI generatif menggunakan Cloud SQL.

Cloud SQL memungkinkan Anda menggunakan model penyematan yang dihosting oleh Vertex AI untuk menerjemahkan string teks menjadi penyematan, yang merupakan representasi model dari makna semantik teks tertentu sebagai vektor numerik.

Cloud SQL menerapkan penyematan sebagai array nilai real. Hal ini memungkinkan Anda menggunakan penyematan yang dihasilkan sebagai input untuk fungsi ekstensi pgvector.

Sebelum memulai

Beberapa persyaratan berbeda bergantung pada apakah Anda ingin menggunakan Cloud SQL untuk membuat penyematan, atau apakah Anda hanya perlu menggunakan penyematan yang disimpan di database dari sumber lain.

Pembatasan regional

Untuk membuat embedding Vertex AI dengan Cloud SQL, instance Anda harus berada di region tempat generative AI foundational models are supported. Model Vertex AI yang dapat digunakan Cloud SQL untuk penyematan, text-embedding, dan textembedding-gecko, berada di region tersebut.

Ekstensi database yang diperlukan

Untuk menggunakan penyematan, instal ekstensi google_ml_integration di instance Cloud SQL Anda. Untuk model Vertex AI, instal versi 1.2 atau yang lebih baru. Untuk model pihak ketiga atau kustom, instal versi 1.4.2 atau yang lebih baru.

Secara opsional, jika Anda ingin menyimpan penyematan ini, dan menggunakan fungsi dan operator vektor dengan penyematan, Anda juga memerlukan ekstensi pgvector.

Cloud SQL memiliki kedua ekstensi ini. Anda dapat menginstalnya di database mana pun di instance Anda. Untuk mengetahui informasi selengkapnya, lihat Mengonfigurasi ekstensi PostgreSQL.

Menyiapkan akses model

Sebelum dapat membuat penyematan dari instance Cloud SQL, Anda harus mengonfigurasi Cloud SQL agar berfungsi dengan model penyematan teks.

Untuk menggunakan model text-embedding atau textembedding-gecko berbasis cloud, Anda harus mengintegrasikan Cloud SQL dengan Vertex AI.

Memberikan akses kepada pengguna database untuk membuat penyematan

Berikan izin kepada pengguna database untuk menggunakan fungsi embedding untuk menjalankan prediksi:

  1. Hubungkan klien psql ke instance utama, seperti yang dijelaskan dalam Menghubungkan menggunakan klien psql.

  2. Di command prompt psql, hubungkan ke database dan berikan izin:

    \c DB_NAME

GRANT EXECUTE ON FUNCTION embedding TO USER_NAME;

    Ganti kode berikut:

    • DB_NAME: nama database yang izinnya Anda berikan

    • USER_NAME: nama pengguna yang Anda beri izin

Membuat embedding

Cloud SQL menyediakan fungsi yang memungkinkan Anda menerjemahkan teks ke dalam penyematan vektor. Kemudian, Anda dapat menyimpan penyematan tersebut di database sebagai data vektor, dan secara opsional menggunakan fungsi pgvector untuk menjalankan kueri di dalamnya.

Membuat embedding

Untuk membuat penyematan menggunakan Cloud SQL, gunakan fungsi embedding() yang disediakan oleh ekstensi google_ml_integration:

SELECT embedding( 'MODEL_IDVERSION_TAG', 'TEXT');

Lakukan penggantian berikut:

  • MODEL_ID: ID model yang akan dikueri.

    Jika Anda menggunakan Vertex AI Model Garden, tentukan text-embedding-004 atau
    text-multilingual-embedding-002. Ini adalah model berbasis cloud yang dapat digunakan Cloud SQL untuk penyematan teks. Untuk informasi selengkapnya, lihat Embedding teks.

  • VERSION_TAG (Opsional): tag versi model yang akan dibuat kueri. Untuk versi textembedding-gecko sebelum text-embedding-004 atau text-multilingual-embedding-002,Prepend the tag with@`.

    Jika Anda menggunakan salah satu model textembedding-gecko dengan Vertex AI, tentukan salah satu tag versi yang tercantum di Versi model.

  • TEXT: teks yang akan diterjemahkan menjadi embedding vektor.

Contoh berikut menggunakan model text-embedding-004 untuk membuat penyematan berdasarkan string literal yang diberikan:

SELECT embedding( 'text-embedding-004', 'Cloud SQL is a managed, cloud-hosted SQL database service.');

Menyimpan penyematan yang dibuat

Nilai yang ditampilkan dari fungsi embedding() adalah array nilai real. Untuk menyimpan nilai ini dalam tabel, tambahkan kolom real[]:

ALTER TABLE TABLE ADD COLUMN EMBEDDING_COLUMN real[DIMENSIONS];

Lakukan penggantian berikut:

  • TABLE: nama tabel

  • EMBEDDING_COLUMN: nama kolom penyematan baru

  • DIMENSIONS: jumlah dimensi yang didukung model.

    Jika Anda menggunakan salah satu model text-embedding atau textembedding-gecko dengan Vertex AI, tentukan 768.

Secara opsional, jika telah menginstal ekstensi pgvector, Anda dapat menyimpan penyematan sebagai nilai vector:

ALTER TABLE TABLE ADD COLUMN EMBEDDING_COLUMN vector(DIMENSIONS);

Setelah membuat kolom untuk menyimpan penyematan, Anda dapat mengisinya berdasarkan nilai yang sudah disimpan di kolom lain dalam tabel yang sama:

UPDATE TABLE SET EMBEDDING_COLUMN = embedding('MODEL_IDVERSION_TAG', SOURCE_TEXT_COLUMN);

Lakukan penggantian berikut:

  • TABLE: nama tabel.

  • EMBEDDING_COLUMN: nama kolom penyematan.

  • MODEL_ID: ID model yang akan dikueri.

    Jika Anda menggunakan Vertex AI Model Garden, tentukan text-embedding-004 atau
    text-multilingual-embedding-002. Ini adalah model berbasis cloud yang dapat digunakan Cloud SQL untuk penyematan teks. Untuk informasi selengkapnya, lihat Embedding teks.

  • VERSION_TAG (Opsional): tag versi model yang akan dibuat kueri. Untuk versi textembedding-gecko sebelum text-embedding-004 atau text-multilingual-embedding-002,Prepend the tag with@`.

    Jika Anda menggunakan salah satu model textembedding-gecko dengan Vertex AI, tentukan salah satu tag versi yang tercantum di Versi model.

  • SOURCE_TEXT_COLUMN: nama kolom yang menyimpan teks. Anda menerjemahkan teks ini menjadi embedding.

Perintah sebelumnya berfungsi untuk kolom penyematan real[] dan vector. Jika kolom penyematan Anda adalah jenis vector, Cloud SQL akan secara implisit mentransmisikan nilai yang ditampilkan embedding() dari array real ke nilai vector.

Contoh berikut menggunakan model text-embedding-004 untuk mengisi kolom messages.message_vector dengan penyematan berdasarkan konten kolom messages.message:

UPDATE messages SET message_vector = embedding( 'text-embedding-004', message);

Mengkueri dan mengindeks penyematan menggunakan pgvector

Ekstensi PostgreSQL pgvector memungkinkan Anda menggunakan operator dan fungsi khusus vektor saat menyimpan, mengindeks, dan mengkueri penyematan teks di database. Cloud SQL memiliki pengoptimalan sendiri untuk menggunakan pgvector, sehingga Anda dapat membuat indeks yang dapat mempercepat kueri yang melibatkan penyematan.

Membuat indeks tetangga terdekat

pgvector mendukung penelusuran perkiraan tetangga terdekat melalui pengindeksan.

Untuk membuat indeks berbasis pgvector dengan hnsw sebagai metode indeks, gunakan contoh berikut:

CREATE INDEX ON TABLE
  USING hnsw (EMBEDDING_COLUMN DISTANCE_FUNCTION)
  WITH (m = M, ef_construction = EF_CONSTRUCTION);

Lakukan penggantian berikut:

  • TABLE: tabel tempat Anda menambahkan indeks.

  • EMBEDDING_COLUMN: kolom yang menyimpan data vector.

  • DISTANCE_FUNCTION: fungsi jarak yang akan digunakan dengan indeks ini. Pilih salah satu opsi berikut:

    • Jarak L2: vector_l2_ops

    • Produk dalam: vector_ip_ops

    • Jarak kosinus: vector_cosine_ops

  • M (opsional): jumlah maksimum koneksi dengan titik data tetangga dalam grafik. Sebaiknya gunakan rentang 5 hingga 48 karena 16 adalah nilai default untuk pgvector.

  • EF_CONSTRUCTION (opsional): ukuran daftar yang menyimpan kandidat terdekat selama traversal grafik saat membuat indeks. Nilai yang lebih tinggi akan membuat algoritma mempertimbangkan lebih banyak kandidat, sehingga indeks yang lebih baik dapat dibuat. Ukuran default-nya adalah 64.

Untuk membuat indeks ini pada kolom penyematan yang menggunakan jenis data real[], bukan vector, transmisikan kolom ke jenis data vector:

CREATE INDEX ON TABLE
  USING hnsw ((CAST(EMBEDDING_COLUMN AS vector(DIMENSIONS))) DISTANCE_FUNCTION)
  WITH (m = M, ef_construction = EF_CONSTRUCTION);

Ganti DIMENSIONS dengan lebar dimensi kolom penyematan.

Bagian berikutnya menunjukkan contoh indeks semacam ini.

Membuat kueri tetangga terdekat dengan teks yang diberikan

Setelah Anda menyimpan dan mengindeks penyematan di database, berbagai fungsi kueri pgvector akan tersedia untuk Anda.

Untuk menemukan tetangga semantik terdekat dengan potongan teks, gunakan fungsi embedding() untuk menerjemahkan teks menjadi vektor. Dalam kueri yang sama, terapkan vektor ini ke operator tetangga terdekat pgvector, <->, untuk menemukan baris database dengan penyematan yang paling mirip secara semantik.

Karena embedding() menampilkan array real, Anda harus mentransmisikan panggilan embedding() ke vector untuk menggunakan nilai ini dengan operator pgvector.

  SELECT RESULT_COLUMNS FROM TABLE
    ORDER BY EMBEDDING_COLUMN
    <-> embedding('MODEL_IDVERSION_TAG', 'TEXT')::vector
    LIMIT ROW_COUNT

Lakukan penggantian berikut:

  • RESULT_COLUMNS: kolom yang akan ditampilkan dari baris yang secara semantik serupa.

  • TABLE: tabel yang berisi penyematan yang Anda bandingkan dengan teks.

  • EMBEDDING_COLUMN: kolom yang berisi penyematan yang disimpan.

  • MODEL_ID: ID model yang akan dikueri.

    Jika Anda menggunakan Vertex AI Model Garden, tentukan text-embedding-004 atau
    text-embedding-multilingual-002. Ini adalah model berbasis cloud yang dapat digunakan Cloud SQL untuk penyematan teks. Untuk informasi selengkapnya, lihat Embedding teks.

  • VERSION_TAG (Opsional): tag versi model yang akan dibuat kueri. Awali tag dengan @.

    Jika Anda menggunakan salah satu model textembedding-gecko dengan Vertex AI, tentukan salah satu tag versi yang tercantum di Versi model.

  • TEXT: teks yang Anda inginkan sehingga Anda dapat menemukan tetangga semantik terdekat yang tersimpan.

  • ROW_COUNT: jumlah baris yang akan ditampilkan. Jika Anda hanya menginginkan satu kecocokan terbaik, tentukan 1 sebagai nilai untuk parameter ini.

Untuk menjalankan kueri ini dengan kolom penyematan tersimpan yang menggunakan jenis data real[], bukan vector, transmisikan kolom ke jenis data vector:

  SELECT RESULT_COLUMNS FROM TABLE
    ORDER BY EMBEDDING_COLUMN::vector
    <-> embedding('MODEL_IDVERSION_TAG', 'TEXT')::vector
    LIMIT ROW_COUNT

Menggunakan tag versi model untuk menghindari error

Google sangat menyarankan agar Anda selalu menggunakan versi stabil dari model penyematan yang dipilih. Untuk sebagian besar model, ini berarti menetapkan tag versi secara eksplisit.

Memanggil fungsi embedding() tanpa menentukan tag versi model secara sintaksis valid, tetapi juga rentan terhadap error.

Jika Anda menghapus tag versi saat menggunakan model di Vertex AI Model Garden, Vertex AI akan menggunakan versi terbaru model. Versi ini mungkin bukan versi stabil terbaru. Untuk mengetahui informasi selengkapnya tentang versi model Vertex AI yang tersedia, lihat Versi model.

Versi model Vertex AI tertentu selalu menampilkan respons embedding() yang sama untuk input teks tertentu. Jika Anda tidak menentukan versi model dalam panggilan ke embedding(), versi model baru yang dipublikasikan dapat mengubah vektor yang ditampilkan untuk input tertentu secara tiba-tiba. Hal ini dapat menyebabkan error atau perilaku tidak terduga lainnya di aplikasi Anda.

Untuk menghindari masalah ini, selalu tentukan versi model.

Langkah selanjutnya