Genera incorporaciones vectoriales de datos textuales de forma masiva mediante DML particionado

En este documento, se explica cómo generar y reabastecer de forma masiva incorporaciones de vectores para datos textuales (STRING o JSON) que se almacenan en Spanner mediante SQL y el modelo textembedding-gecko de Vertex AI.

Requisitos previos

Debes tener una tabla en tu base de datos de Spanner que contenga datos de texto (STRING o JSON). Para obtener más información sobre la importación de datos, consulta la descripción general de importación y exportación de Spanner.

Ejemplo de caso de uso

Supongamos que tienes una tabla en Spanner con el siguiente esquema. Esta tabla contiene millones de registros.

CREATE TABLE Products (
  product_id INT64 NOT NULL,
  name STRING(MAX),
  description STRING(MAX)
) PRIMARY KEY(product_id);

CREATE TABLE Products (
  product_id INT8 NOT NULL,
  name TEXT,
  description TEXT,
  PRIMARY KEY(product_id)
);

Tu objetivo es generar incorporaciones vectoriales para la columna description de esta tabla a fin de encontrar artículos similares y recomendarles a los clientes que mejoren su experiencia de compra con la búsqueda de vectores.

Registra un modelo de incorporación

CREATE MODEL MODEL_NAME
INPUT(
  content STRING(MAX)
)
OUTPUT(
  embeddings STRUCT<values ARRAY<FLOAT32>>
)
REMOTE OPTIONS(
    endpoint = '//aiplatform.googleapis.com/projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION',
  default_batch_size = 5
)

Para prácticas recomendadas, considera lo siguiente:

• Para mantener el aislamiento de las cuotas, usa un extremo en un proyecto diferente a fin de generar y reabastecer incorporaciones que el extremo de producción. Reservar el extremo de producción para entregar el tráfico de producción
• Asegúrate de que el extremo del modelo admita el valor de default_batch_size. Puedes anular el default_batch_size con la sugerencia de consulta @{remote_udf_max_rows_per_rpc=NEW_NUMBER}. Si deseas obtener más información sobre el límite de default_batch_size para cada región, consulta Obtén incorporaciones de texto de un fragmento de texto.
• Define el extremo con una versión de modelo específica (p.ej., @003) en lugar de @latest. Esto se debe a que los vectores de incorporación generados para el mismo fragmento de texto pueden diferir según la versión del modelo que uses; es por eso que debes evitar usar versiones diferentes del modelo para generar incorporaciones en el mismo conjunto de datos. Además, actualizar la versión del modelo en la declaración de definición del modelo no actualiza las incorporaciones que ya se generaron con este modelo. Una forma de administrar la versión del modelo para las incorporaciones es crear una columna adicional en la tabla que almacene la versión del modelo.
• Los modelos textembedding-gecko ajustados personalizados no son compatibles con la función ML.PREDICT de GoogleSQL y spanner.ML_PREDICT_ROW de PostgreSQL.

Prueba la integración de extremo a extremo del modelo de incorporaciones

Puedes ejecutar una consulta para probar que el modelo de incorporación se configure correctamente y que se recuperen las incorporaciones. Por ejemplo, ejecuta la siguiente consulta:

SELECT embeddings.values
FROM SAFE.ML.PREDICT(
  MODEL MODEL_NAME,
  (SELECT description AS content FROM products LIMIT 10)
);

SELECT spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION',
    JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', description))))
FROM Products
LIMIT 10;

Actualiza la tabla de origen para incluir columnas adicionales para almacenar las incorporaciones

A continuación, actualiza el esquema de la tabla de origen para incluir una columna adicional del tipo de datos ARRAY<FLOAT32> para almacenar las incorporaciones generadas:

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME ARRAY<FLOAT32>;

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME real[];

Por ejemplo, con el ejemplo de la tabla products, ejecuta lo siguiente:

ALTER TABLE Products
ADD COLUMN desc_embed ARRAY<FLOAT32>;

ALTER TABLE Products
ADD COLUMN desc_embed real[];

Puedes agregar otra columna para administrar la versión del modelo de incorporación.

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT64;

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT8;

Aumenta la cuota de Vertex AI

Es posible que debas aumentar la cuota de la API de Vertex AI para textembedding-gecko en la región que usa el modelo. Para solicitar un aumento, consulta Aumentos de cuota de Vertex AI.

Para obtener más información, consulta Cuotas y límites de Vertex AI.

Incorporaciones de reabastecimiento

Por último, ejecuta la siguiente declaración UPDATE con DML particionado para generar incorporaciones para la columna de datos textuales y almacenarlas en tu base de datos. Puedes almacenar la versión del modelo junto con las incorporaciones. Te recomendamos que ejecutes esta consulta durante una ventana con poco tráfico en tu base de datos.

UPDATE TABLE_NAME
SET 
  TABLE_NAME.EMBEDDING_COLUMN_NAME = (
    SELECT embeddings.values
    FROM SAFE.ML.PREDICT(
      MODEL MODEL_NAME,
      (SELECT TABLE_NAME.DATA_COLUMN_NAME AS content)
    ) @{remote_udf_max_rows_per_rpc=MAX_ROWS}
  ),
  TABLE_NAME.EMBEDDING_VERSION_COLUMN = MODEL_VERSION
WHERE FILTER_CONDITION;

UPDATE TABLE_NAME
SET 
  EMBEDDING_COLUMN_NAME = spanner.FLOAT32_ARRAY(spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko$MODEL_VERSION', 
    JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', DATA_COLUMN_NAME)))
  ) /*@ remote_udf_max_rows_per_rpc=MAX_ROWS */ ->'predictions'->0->'embeddings'->'values'),
  EMBEDDING_VERSION_COLUMN = MODEL_VERSION
WHERE FILTER_CONDITION;

Este es un ejemplo de una consulta de reabastecimiento para la tabla products:

UPDATE products
SET
  products.desc_embed = (
    SELECT embeddings.values
    FROM SAFE.ML.PREDICT(
      MODEL gecko_model,
      (SELECT products.description AS content)
    ) @{remote_udf_max_rows_per_rpc=200}
  ),
  products.desc_embed_model_version = 3
WHERE products.desc_embed IS NULL;

UPDATE products
SET
  desc_embed = spanner.FLOAT32_ARRAY(spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/textembedding-gecko@003', 
    JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', description)))
  ) /*@ remote_udf_max_rows_per_rpc=200 */ ->'predictions'->0->'embeddings'->'values'),
  desc_embed_model_version = 3
WHERE desc_embed IS NULL;

Para prácticas recomendadas, considera lo siguiente:

• El tiempo de espera predeterminado de gRPC para la API de Spanner es de una hora. Según la cantidad de incorporaciones que reabastezcas, es posible que debas aumentar este tiempo de espera para asegurarte de que el DML particionado UPDATE tenga tiempo suficiente para completarse. Para obtener más información, consulta Configura tiempos de espera y reintentos personalizados.

Rendimiento y otras consideraciones

Ten en cuenta lo siguiente para optimizar el rendimiento cuando reabastezcas los datos de incorporación.

Cantidad de nodos

El DML particionado ejecuta la declaración DML determinada en diferentes particiones en paralelo. En las instancias con una gran cantidad de nodos, es posible que observes errores de cuota durante la ejecución del DML particionado. Si las solicitudes a la API de Vertex AI se regulan debido a los límites de cuota de la API de Vertex AI, Spanner vuelve a intentar estas fallas en el modo de transacción DML particionado por un máximo de 20 veces. Si observas una tasa alta de errores de cuota en Vertex AI, aumenta la cuota para Vertex AI.

Tamaño del texto en la columna de datos

El modelo de incorporación de Vertex AI tiene límites en la cantidad máxima de tokens para cada entrada de texto. Las diferentes versiones del modelo tienen distintos límites de tokens. Cada solicitud de Vertex AI puede tener varios campos de texto de entrada, pero existe un límite para la cantidad máxima de tokens presentes en una sola solicitud. En el caso de las bases de datos SQL de Google, si encuentras un error INVALID_ARGUMENT con el mensaje “La solicitud es demasiado grande”, intenta reducir el tamaño del lote para evitar el error. Para hacerlo, puedes configurar default_batch_size o usar la sugerencia de consulta @{remote_udf_max_outstanding_rpcs} cuando registres el modelo.

Cantidad de solicitudes a la API enviadas a Vertex AI

Puedes usar la sugerencia de consulta @{remote_udf_max_outstanding_rpcs} para aumentar o disminuir la cantidad de solicitudes que se envían a Vertex AI desde Spanner. Ten en cuenta que aumentar este límite puede aumentar el uso de CPU y memoria de la instancia de Spanner. En el caso de las bases de datos de GoogleSQL, el uso de esta sugerencia de consulta anula el default_batch_size configurado para tu modelo.

Supervisa el progreso del reabastecimiento

Puedes supervisar la cantidad de solicitudes, latencia y bytes de red que se envían a Vertex AI desde Spanner mediante el panel de estadísticas del sistema.

¿Qué sigue?

• Obtén información sobre cómo realizar una búsqueda de vectores de similitud mediante la búsqueda de los vecinos K más cercanos.
• Obtén más información sobre el aprendizaje automático y las incorporaciones en nuestro curso intensivo sobre incorporaciones.