הפעלת חיזויים

התוסף google_ml_integration ב-AlloyDB ל-PostgreSQL מאפשר להפעיל חיזויים אונליין ממודלים של למידת מכונה ישירות בשאילתות SQL. אפשר לקרוא לפונקציה ml_predict_row() בסכימה public למודלים כלליים שמתארחים ב-Gemini Enterprise Agent Platform בלי לרשום נקודת קצה, או לקרוא לפונקציה google_ml.predict_row() בסכימה google_ml למודלים שרשומים בניהול נקודות קצה של מודלים.

כדי להפעיל חיזויים, בוחרים באחת מהסכימות הבאות.

סכימה ציבורית סכימת google_ml

הערה: ב-AlloyDB אין חיוב על קריאות לפונקציות AI. עם זאת, כשאתם קוראים למודלים ולשירותים של Gemini Enterprise Agent Platform, של צד שלישי או באירוח עצמי (למשל, לחיפוש היברידי) ממסד הנתונים שלכם, ספק המודל או התשתית מחייב אתכם ישירות. למידע נוסף על העלויות של Gemini Enterprise Agent Platform, קראו את המאמר תמחור.

לפני שמתחילים

כדי לאפשר ל-AlloyDB להפעיל חיזויים:

• אתם יכולים להפעיל חיזויים באזורים שבהם ה-AI הגנרטיבי זמין ב-Agent Platform. רשימת האזורים מופיעה במאמר פריסות ונקודות קצה (endpoint).
• מתחברים למסד הנתונים באמצעות psql או AlloyDB Studio.
• מוודאים שהתוסף google_ml_integration מותקן.
• מוודאים שהדגל google_ml_integration.enable_model_support מוגדר לערך on.
• כדי להפעיל חיזויים ממסד נתונים של AlloyDB, צריך להגדיר את AlloyDB כך שיעבוד עם Agent Platform. מידע נוסף זמין במאמר שילוב מסד הנתונים עם Agent Platform.
• צריך להיות לכם מודל פעיל של Agent Platform עם נקודת קצה פעילה, שיש לכם הרשאת גישה אליה בניהול זהויות והרשאות גישה (IAM). ב-AlloyDB אין תמיכה בנקודות קצה פרטיות לקבלת חיזויים אונליין.

• כדי להפעיל חיזויים, צריך לתת למשתמשים במסד הנתונים הרשאות להריץ את פונקציית החיזוי:

  \c DB_NAME
  GRANT EXECUTE ON FUNCTION ml_predict_row TO USER_NAME;
  

  מחליפים את מה שכתוב בשדות הבאים:

  • ‫DB_NAME: שם מסד הנתונים שבו צריך להעניק את ההרשאות

  • ‫USER_NAME: שם המשתמש שצריך לתת לו את ההרשאות

הפעלת חיזויים אונליין

משתמשים בפונקציית ה-SQL‏ ml_predict_row() כדי להפעיל חיזויים אונליין על הנתונים.

הפורמט של הארגומנט הראשוני של הפונקציה תלוי בשאלה אם מודל ה-ML שבו רוצים להשתמש נמצא ב-Model Garden או שהוא נקודת קצה (endpoint) שפועלת בפרויקט ב- Google Cloud .

שימוש במודל ב-Model Garden

כדי להפעיל חיזוי אונליין באמצעות מודל למידת מכונה שפועל ב-Model Garden, משתמשים בתחביר הבא לפונקציית ה-SQL‏ ml_predict_row():

SELECT ml_predict_row('projects/PROJECT_ID/locations/REGION_ID/publishers/google/models/MODEL_ID', '{ CONTENTS }');

מחליפים את מה שכתוב בשדות הבאים:

• ‫PROJECT_ID: מזהה הפרויקט ב- Google Cloud

• ‫REGION_ID: המזהה של האזור או של מיקום נקודת הקצה שבהם נמצא המודל ב- Google Cloud . לדוגמה, global בשביל gemini-3.5-flash-lite, או אזור נתמך כמו us-central1

• ‫MODEL_ID: המזהה של מודל למידת המכונה שבו רוצים להשתמש, כולל הסיומת של ה-method (:generateContent או :streamGenerateContent) למודלים של Gemini. לדוגמה: gemini-3.5-flash-lite:generateContent או gemini-3.5-flash-lite:streamGenerateContent

• ‫CONTENTS: הקלט לקריאת החיזוי, בפורמט JSON – לדוגמה, "contents": [{"role": "user", "parts": [{"text": "..."}]}] למודלים של Gemini, או "instances": [...] למודלים אחרים של Agent Platform

אם מודל ה-ML מאוחסן באותו פרויקט ובאותו אזור כמו אשכול AlloyDB, אתם יכולים לקצר את הארגומנט הראשון של הפונקציה הזו:

SELECT ml_predict_row('publishers/google/models/MODEL_ID', '{ CONTENTS }');

למידע על הודעות התגובה של המודל ב-JSON, קראו את ההפניה למודל הבסיסי של AI גנרטיבי.

לדוגמאות, ראו דוגמאות להפעלות.

שימוש בנקודת קצה של מודל ב-Agent Platform

כדי להפעיל חיזוי אונליין באמצעות נקודת קצה של מודל ב-Agent Platform, משתמשים בתחביר הבא לפונקציית ה-SQL‏ ml_predict_row():

SELECT ml_predict_row('projects/PROJECT_ID/locations/REGION_ID/endpoints/ENDPOINT_ID', '{ CONTENTS }');

מחליפים את מה שכתוב בשדות הבאים:

• ‫PROJECT_ID: המזהה של הפרויקט Google Cloud שבו נמצא המודל

• ‫REGION_ID: מזהה האזור ב- Google Cloud שבו נמצא המודל. לדוגמה: us-central1

• ‫ENDPOINT_ID: המזהה של נקודת הקצה של המודל

• ‫CONTENTS: הקלט לקריאת החיזוי, בפורמט JSON

אם נקודת הקצה נמצאת באותו פרויקט ובאותו אזור כמו אשכול AlloyDB, אתם יכולים לקצר את הארגומנט הראשון של הפונקציה הזו:

SELECT ml_predict_row('endpoints/ENDPOINT_ID', '{ CONTENTS }');

למידע על הודעות התגובה של המודל בפורמט JSON, ראו PredictResponse.

דוגמאות להפעלות

בדוגמה הבאה משתמשים במודל gemini-3.5-flash-lite, שזמין ב-Model Garden, כדי ליצור טקסט דינמי מבוסס-AI על סמך פרומפט קצר שסופק כארגומנט מילולי ל-ml_predict_row():

SELECT
  json_array_elements(ml_predict_row('publishers/google/models/gemini-3.5-flash-lite:streamGenerateContent',
      '{ "contents": [ { "role": "user", "parts": [ { "text": "For TPCH database schema as mentioned here https://www.tpc.org/TPC_Documents_Current_Versions/pdf/TPC-H_v3.0.1.pdf , generate a SQL query to find all supplier names which are located in the India nation."
} ] } ] }'))-> 'candidates' -> 0 -> 'content' -> 'parts' -> 0 -> 'text';

התגובה היא אובייקט JSON. למידע נוסף על הפורמט של האובייקט, ראו גוף התגובה.

הדוגמה הבאה משנה את הדוגמה הקודמת בדרכים הבאות:

• בדוגמה הזו, הקלט הוא התוכן של העמודה messages.message במסד הנתונים הנוכחי.

• הדוגמה ממחישה את השימוש בפונקציות json_build_object() ו-json_build_array() ככלי עזר לעיצוב הפרמטרים של הפונקציה.

קודם כל, יוצרים טבלת messages לדוגמה, אם עדיין אין לכם טבלה כזו:

CREATE TABLE IF NOT EXISTS messages (message TEXT);
INSERT INTO messages (message) VALUES ('Why is the sky blue?');

לאחר מכן מפעילים את ml_predict_row() בטבלה messages:

SELECT
  ml_predict_row(
    'projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.5-flash-lite:generateContent',
    json_build_object(
      'contents',
      json_build_array(
        json_build_object(
          'role', 'user',
          'parts', json_build_array(
            json_build_object('text', message)
          )
        )
      )
    )
  )
FROM messages;

אובייקט ה-JSON שמוחזר מכיל מערך candidates לכל שורה בטבלה messages.

התגובה היא אובייקט JSON, אז אפשר לשלוף ממנה שדות ספציפיים באמצעות אופרטור החץ של PostgreSQL:

SELECT
  ml_predict_row(
    'projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.5-flash-lite:generateContent',
    json_build_object(
      'contents',
      json_build_array(
        json_build_object(
          'role', 'user',
          'parts', json_build_array(
            json_build_object('text', message)
          )
        )
      )
    )
  ) -> 'candidates' -> 0 -> 'content' -> 'parts' -> 0 -> 'text'
FROM messages;

לדוגמאות נוספות של ארגומנטים ל-ml_predict_row(), ראו התחלה מהירה באמצעות Agent Platform API.

המאמרים הבאים

• איך יוצרים עוזר חכם לשופינג באמצעות AlloyDB,‏ pgvector וניהול נקודות קצה של מודלים
• מידע נוסף על ניהול נקודות קצה של מודלים