Nesta página, descrevemos como gerar previsões de ML usando o emulador do Spanner.
A integração da Vertex AI com o Spanner pode ser usada com o emulador do Spanner para gerar previsões usando as funções de previsão de ML do GoogleSQL ou do PostgreSQL. O emulador é um binário que imita um servidor do Spanner e também pode ser usado em testes de unidade e integração. É possível usar o emulador como um projeto de código aberto ou localmente usando a Google Cloud CLI. Para saber mais sobre as funções de previsão de ML, consulte Como funciona a integração da Vertex AI com o Spanner?.
Você pode usar qualquer modelo com o emulador para gerar previsões. Também é possível usar um modelo do Grupo de modelos da Vertex AI ou implantado no seu endpoint da Vertex AI. Como o emulador não se conecta à Vertex AI, ele não pode verificar o modelo ou o esquema dele para nenhum modelo usado no Model Garden da Vertex AI ou implantado nos endpoints da Vertex AI.
Por padrão, quando você usa uma função de previsão com o emulador, a função gera um valor aleatório com base nas entradas do modelo e no esquema de saída do modelo fornecidos. É possível usar uma função de callback para modificar a entrada e a saída do modelo e gerar resultados de previsão com base em comportamentos específicos.
Antes de começar
Instalar o emulador do Spanner
Você pode instalar o emulador localmente ou configurá-lo usando o repositório do GitHub.
Selecione um modelo
Ao usar a função ML.PREDICT
(para GoogleSQL) ou
ML_PREDICT_ROW
(para PostgreSQL), é necessário especificar o local
do modelo de ML. Qualquer modelo treinado pode ser usado. Se você selecionar um modelo que está
em execução no Grupo de modelos da Vertex AI ou um modelo
implantado no endpoint da Vertex AI,
forneça os valores input
e output
para esses modelos.
Para saber mais sobre a integração da Vertex AI com o Spanner, consulte Como funciona a integração da Vertex AI com o Spanner?.
gere previsões
Use o emulador para gerar previsões usando as funções de previsão de ML do Spanner.
Comportamento padrão
Use qualquer modelo implantado em um endpoint com o emulador do Spanner para gerar previsões. O exemplo a seguir usa um modelo chamado FraudDetection
para gerar um resultado.
GoogleSQL
Para saber mais sobre como usar a função ML.PREDICT
para gerar
previsões, consulte Gerar previsões de ML usando SQL.
Registrar o modelo
Antes de usar um modelo com a função ML.PREDICT, é preciso registrá-lo usando a instrução CREATE MODEL e fornecer os valores input
e output
:
CREATE MODEL FraudDetection
INPUT (Amount INT64, Name STRING(MAX))
OUTPUT (Outcome BOOL)
REMOTE OPTIONS (
endpoint = '//aiplatform.googleapis.com/projects/PROJECT_ID/locations/REGION_ID/endpoints/ENDPOINT_ID'
);
Substitua:
PROJECT_ID
: o ID do projeto do Google Cloud em que o modelo está localizado.REGION_ID
: o ID da região do Google Cloud em que o modelo está localizado. Por exemplo,us-central1
ENDPOINT_ID
: o ID do endpoint do modelo.
Executar a previsão
Use a função GoogleSQL
ML.PREDICT
para gerar sua previsão.
SELECT Outcome
FROM ML.PREDICT(
MODEL FraudDetection,
(SELECT 1000 AS Amount, "John Smith" AS Name))
A saída esperada dessa consulta é TRUE
.
PostgreSQL
Para saber mais sobre como usar a função spanner.ML_PREDICT_ROW
para gerar
previsões, consulte Gerar previsões de ML usando SQL.
Executar a previsão
Use a função spanner.ML_PREDICT_ROW
do PostgreSQL para gerar sua previsão.
SELECT (spanner.ml_predict_row(
'projects/`MODEL_ID`/locations/`REGION_ID`/endpoints/`ENDPOINT_ID`',
'{"instances": [{"Amount": "1000", "Name": "John Smith"}]}'
)->'predictions'->0->'Outcome')::boolean
Substitua:
PROJECT_ID
: o ID do projeto do Google Cloud em que o modelo está localizado.REGION_ID
: o ID da região do Google Cloud em que o modelo está localizado. Por exemplo,us-central1
ENDPOINT_ID
: o ID do endpoint do modelo.
A saída esperada dessa consulta é TRUE
.
Callback personalizado
É possível usar uma função de callback personalizada para implementar os comportamentos de modelo selecionados e transformar entradas de modelo específicas em saídas. O exemplo a seguir usa o modelo gemini-pro
do Grupo de modelos da Vertex AI e o emulador do Spanner para gerar previsões usando um callback personalizado.
Ao usar um callback personalizado para um modelo, bifurque o repositório do emulador do Spanner, depois o crie e implante. Para mais informações sobre como criar e implantar o emulador do Spanner, consulte o Guia de início rápido do emulador do Spanner.
GoogleSQL
Registrar o modelo
Antes de usar um modelo com a função ML.PREDICT, é preciso registrá-lo usando a instrução CREATE MODEL:
CREATE MODEL GeminiPro
INPUT (prompt STRING(MAX))
OUTPUT (content STRING(MAX))
REMOTE OPTIONS (
endpoint = '//aiplatform.googleapis.com/projects/PROJECT_ID/locations/REGION_ID/publishers/google/models/gemini-pro',
default_batch_size = 1
);
Como o emulador não se conecta à Vertex AI,
é necessário fornecer os valores input
e output
.
Substitua:
PROJECT_ID
: o ID do projeto do Google Cloud em que o modelo está localizado.REGION_ID
: o ID da região do Google Cloud em que o modelo está localizado. Por exemplo,us-central1
Callback
Use um callback para adicionar lógica personalizada ao modelo GeminiPro
.
absl::Status ModelEvaluator::Predict(
const googlesql::Model* model,
const CaseInsensitiveStringMap<const ModelColumn>& model_inputs,
CaseInsensitiveStringMap<ModelColumn>& model_outputs) {
// Custom logic for GeminiPro.
if (model->Name() == "GeminiPro") {
RET_CHECK(model_inputs.contains("prompt"));
RET_CHECK(model_inputs.find("prompt")->second.value->type()->IsString());
RET_CHECK(model_outputs.contains("content"));
std::string content;
// Process prompts used in tests.
int64_t number;
static LazyRE2 is_prime_prompt = {R"(Is (\d+) a prime number\?)"};
if (RE2::FullMatch(
model_inputs.find("prompt")->second.value->string_value(),
*is_prime_prompt, &number)) {
content = IsPrime(number) ? "Yes" : "No";
} else {
// Default response.
content = "Sorry, I don't understand";
}
*model_outputs["content"].value = googlesql::values::String(content);
return absl::OkStatus();
}
// Custom model prediction logic can be added here.
return DefaultPredict(model, model_inputs, model_outputs);
}
Executar a previsão
Use a função GoogleSQL
ML.PREDICT
para gerar sua previsão.
SELECT content
FROM ML.PREDICT(MODEL GeminiPro, (SELECT "Is 7 a prime number?" AS prompt))
A saída esperada dessa consulta é "YES"
.
PostgreSQL
Use a função spanner.ML_PREDICT_ROW
do PostgreSQL para gerar sua previsão.
Callback
Use um callback para adicionar lógica personalizada ao modelo GeminiPro
.
absl::Status ModelEvaluator::PgPredict(
absl::string_view endpoint, const googlesql::JSONValueConstRef& instance,
const googlesql::JSONValueConstRef& parameters,
lesql::JSONValueRef prediction) {
if (endpoint.ends_with("publishers/google/models/gemini-pro")) {
RET_CHECK(instance.IsObject());
RET_CHECK(instance.HasMember("prompt"));
std::string content;
// Process prompts used in tests.
int64_t number;
static LazyRE2 is_prime_prompt = {R"(Is (\d+) a prime number\?)"};
if (RE2::FullMatch(instance.GetMember("prompt").GetString(),
*is_prime_prompt, &number)) {
content = IsPrime(number) ? "Yes" : "No";
} else {
// Default response.
content = "Sorry, I don't understand";
}
prediction.SetToEmptyObject();
prediction.GetMember("content").SetString(content);
return absl::OkStatus();
}
// Custom model prediction logic can be added here.
return DefaultPgPredict(endpoint, instance, parameters, prediction);
}
Executar a previsão
SELECT (spanner.ml_predict_row(
'projects/`PROJECT_ID`/locations/`REGION_ID`/publishers/google/models/gemini-pro',
'{"instances": [{"prompt": "Is 7 a prime number?"}]}'
)->'predictions'->0->'content')::text
Substitua:
PROJECT_ID
: o ID do projeto do Google Cloud em que o modelo está localizado.REGION_ID
: o ID da região do Google Cloud em que o modelo está localizado. Por exemplo,us-central1
A saída esperada dessa consulta é "YES"
.