יצירת הטבעות טקסט

התוסף google_ml_integration ב-AlloyDB ל-PostgreSQL מאפשר ליצור הטמעות טקסט ישירות ב-SQL באמצעות פונקציות בסכימות public ו-google_ml. אפשר לקרוא לפונקציה embedding() בסכימה public עם כל מודל הטמעה של Gemini Enterprise Agent Platform בלי לרשום נקודת קצה (endpoint). כדי להעביר פרמטרים מותאמים אישית כמו סוגי משימות או להשתמש במודלים של צד שלישי, רושמים את נקודת הקצה של המודל ומפעילים את הפונקציה google_ml.embedding() בסכימה google_ml.

איך פועלות הטמעות

נניח שיש מסד נתונים שפועל ב-AlloyDB עם המאפיינים הבאים:

  • מסד הנתונים מכיל טבלה, items. כל שורה בטבלה הזו מתארת פריט שהעסק שלכם מוכר.

  • הטבלה items מכילה עמודה בשם complaints. בעמודה TEXT הזו נשמרות תלונות של קונים שנרשמו לגבי כל פריט.

  • מסד הנתונים משולב עם Model Garden, מה שנותן לו גישה למודלים של gemini-embedding-001 באנגלית.

למרות שבמסד הנתונים הזה מאוחסנות תלונות על פריטים, התלונות האלה מאוחסנות כטקסט פשוט, ולכן קשה לשלוח שאילתות לגביהן. לדוגמה, כדי לראות על אילו פריטים יש הכי הרבה תלונות מלקוחות שקיבלו את המוצר בצבע הלא נכון, אפשר להריץ שאילתות SQL רגילות בטבלה, שמחפשות התאמות שונות למילות מפתח. אבל בגישה הזו, רק שורות שמכילות את מילות המפתח המדויקות האלה יתאימו.

לדוגמה, שאילתת SQL בסיסית כמו SELECT * FROM item WHERE complaints LIKE "%wrong color%" לא מחזירה שורה שהשדה complaints שלה מכיל רק The picture shows a blue one, but the one I received was red.

שאילתות SQL שמשתמשות בהטמעות מבוססות-LLM יכולות לעזור להחזיר תשובות דומות מבחינה סמנטית לשאילתות כאלה. באמצעות הטמעות, אתם יכולים לשלוח שאילתה לטבלה בדוגמה הזו כדי למצוא פריטים שהתלונות שלהם דומות מבחינה סמנטית לפרומפט טקסטואלי נתון, כמו It was the wrong color.

כדי ליצור הטמעה בסיסית, בוחרים אחת מהסכימות הבאות.

לפני שמתחילים

כדי לאפשר ל-AlloyDB ליצור הטמעות:

  • מתחברים למסד הנתונים באמצעות psql או AlloyDB Studio בתור המשתמש postgres.

  • מוודאים שהתוסף google_ml_integration מותקן.

    כדי לבדוק את גרסת התוסף, מריצים את הפקודה הבאה:

    SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';
    

    אם צריך לעדכן את התוסף, משתמשים בפקודה ALTER EXTENSION google_ml_integration UPDATE;.

  • כדי ליצור הטמעות ממסד נתונים של AlloyDB, צריך להגדיר את AlloyDB כך שיעבוד עם Agent Platform. מידע נוסף זמין במאמר שילוב מסד הנתונים עם Agent Platform.

  • נותנים למשתמשים במסד הנתונים הרשאות ליצור הטמעות.

    אם אתם משתמשים ב-psql, התחברו למסד הנתונים שאתם רוצים לתת לו הרשאות:

    \c DB_NAME
    GRANT EXECUTE ON FUNCTION embedding TO "USER_NAME";
    

    מחליפים את מה שכתוב בשדות הבאים:

    • ‫DB_NAME: שם מסד הנתונים שרוצים לתת לו הרשאות.

    • ‫USER_NAME: שם המשתמש שרוצים לתת לו הרשאות.

    אם אתם משתמשים ב-AlloyDB Studio, בחרו את שם מסד הנתונים שאתם רוצים לתת לו הרשאות ברשימה Database. נותנים למשתמש את ההרשאה EXECUTE בפונקציה google_ml.embedding:

    GRANT EXECUTE ON FUNCTION google_ml.embedding TO "USER_NAME";
    

    מחליפים את USER_NAME בשם המשתמש שרוצים לתת לו הרשאות.

יצירת הטמעות

משתמשים בפונקציית ה-SQL‏ google_ml.embedding() כדי לקרוא למודלים של הטמעת טקסט.

כדי להפעיל את המודל וליצור הטמעות, מריצים את השאילתה הבאה:

SELECT
 google_ml.embedding(
   model_id => 'MODEL_ID',
   content => 'CONTENT');

מחליפים את מה שכתוב בשדות הבאים:

  • ‫MODEL_ID: מזהה המודל המלא, לדוגמה gemini-embedding-001.

  • ‫CONTENT: הטקסט שרוצים לתרגם להטמעת וקטורים.

דוגמאות ליצירת הטמעות

בקטע הזה מפורטות כמה דוגמאות ליצירת הטמעות באמצעות נקודת קצה של מודל רשום.

מודלים של הטמעות ב-Gemini

כדי ליצור הטמעות לנקודת קצה רשומה של מודל gemini-embedding-001, מריצים את ההצהרה הבאה:

   SELECT
     google_ml.embedding(
       model_id => 'gemini-embedding-001',
       content => 'AlloyDB is a managed, cloud-hosted SQL database service');

אם אשכול AlloyDB ונקודת הקצה של Gemini Enterprise Agent Platform נמצאים בפרויקטים שונים, פועלים לפי השלבים הבאים:

  1. מריצים את הצהרת ה-CALL הבאה.

       CALL
         google_ml.create_model(
           model_id => 'gemini-embedding-001',
           model_request_url => 'https://REGION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/REGION_ID/publishers/google/models/gemini-embedding-001:predict',
           model_provider => 'google',
           model_type => 'text_embedding',
           model_auth_type => 'alloydb_service_agent_iam',
           model_in_transform_fn => 'google_ml.vertexai_text_embedding_input_transform',
           model_out_transform_fn => 'google_ml.vertexai_text_embedding_output_transform'
         );
    
  2. כדי ליצור הטמעות לנקודת קצה רשומה של מודל gemini-embedding-001, מריצים את ההצהרה הבאה:

      SELECT
        google_ml.embedding(
          model_id => 'gemini-embedding-001',
          content => 'AlloyDB is a managed, cloud-hosted SQL database service');
    

מודל הטמעה של OpenAI

כדי ליצור הטמעות לנקודת קצה של מודל text-embedding-ada-002 רשום של OpenAI, מריצים את ההצהרה הבאה:

   SELECT
     google_ml.embedding(
       model_id => 'text-embedding-ada-002',
       content => 'e-mail spam');

כדי ליצור הטמעות לנקודות קצה רשומות של מודל text-embedding-3-small או text-embedding-3-large של OpenAI, מריצים את ההצהרה הבאה:

 SELECT
   google_ml.embedding(
     model_id => 'text-embedding-3-small',
     content => 'Vector embeddings in AI');

המאמרים הבאים