Membuat embedding teks

Ekstensi google_ml_integration mencakup fungsi embedding dalam dua namespace yang berbeda; public dan google_ml. Halaman ini menjelaskan cara membuat embedding teks menggunakan fungsi dari namespace ini.

Fungsi embedding() dalam skema public dapat digunakan dengan model embedding Gemini Enterprise Agent Platform apa pun tanpa mendaftarkan endpoint. Jika Anda ingin meneruskan informasi kustom apa pun seperti jenis tugas, daftarkan endpoint, lalu gunakan fungsi google_ml.embedding() dalam skema google_ml. Untuk mengetahui informasi selengkapnya tentang cara mendaftarkan endpoint, lihat Mendaftarkan model.

Cara kerja embedding

Bayangkan database yang berjalan di AlloyDB dengan karakteristik berikut:

  • Database berisi tabel, items. Setiap baris dalam tabel ini menjelaskan item yang dijual bisnis Anda.

  • Tabel items berisi kolom, complaints. Kolom TEXT ini menyimpan keluhan pembeli yang dicatat tentang setiap item.

  • Database terintegrasi dengan Model Garden, sehingga memiliki akses ke model bahasa Inggris gemini-embedding-001.

Meskipun database ini menyimpan keluhan tentang item, keluhan ini disimpan sebagai teks biasa, sehingga sulit untuk dikueri. Misalnya, untuk melihat item mana yang paling banyak dikeluhkan pelanggan yang menerima warna merchandise yang salah, Anda dapat menjalankan kueri SQL biasa pada tabel, yang mencari berbagai kecocokan kata kunci. Namun, pendekatan ini hanya cocok dengan baris yang berisi kata kunci persis tersebut.

Misalnya, kueri SQL dasar seperti SELECT * FROM item WHERE complaints LIKE "%wrong color%" tidak menampilkan baris yang kolom complaints-nya hanya berisi The picture shows a blue one, but the one I received was red.

Kueri SQL yang menggunakan embedding yang didukung LLM dapat membantu menampilkan respons yang semantik serupa untuk kueri tersebut. Dengan menerapkan embedding, Anda dapat mengkueri tabel dalam contoh ini untuk item yang keluhannya memiliki kesamaan semantik dengan prompt teks tertentu, seperti It was the wrong color.

Untuk pembuatan embedding dasar, pilih salah satu skema berikut.

Sebelum memulai

Agar AlloyDB dapat membuat embedding, lakukan hal berikut:

  • Hubungkan ke database Anda menggunakan psql atau AlloyDB untuk PostgreSQL Studio sebagai pengguna postgres.

  • Pastikan ekstensi google_ml_integration telah diinstal.

    Untuk memeriksa versi ekstensi Anda dengan perintah berikut:

    SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';

    Jika Anda perlu mengupdate ekstensi, gunakan perintah ALTER EXTENSION google_ml_integration UPDATE;.

  • Sebelum dapat membuat embedding dari database AlloyDB, Anda harus mengonfigurasi AlloyDB agar dapat digunakan dengan Agent Platform. Untuk mengetahui informasi selengkapnya, lihat Mengintegrasikan database Anda dengan Agent Platform.

  • Berikan izin kepada pengguna database untuk membuat embedding.

    Jika Anda menggunakan psql, hubungkan ke database yang ingin Anda beri izin:

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

    Ganti kode berikut:

    • DB_NAME: nama database yang ingin Anda beri izin.
    • USER_NAME: nama pengguna yang ingin Anda beri izin.

    Jika Anda menggunakan AlloyDB untuk PostgreSQL Studio, pilih nama database yang ingin Anda beri izin dalam daftar Database. Berikan izin EXECUTE pada fungsi google_ml.embedding kepada pengguna:

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

    Ganti USER_NAME dengan nama pengguna yang ingin Anda beri izin.

Membuat embedding

Gunakan fungsi SQL google_ml.embedding() untuk memanggil model embedding teks.

Untuk memanggil model dan membuat embedding, jalankan kueri berikut:

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

Ganti kode berikut:

  • MODEL_ID: ID model yang memenuhi syarat—misalnya, gemini-embedding-001.
  • CONTENT: teks yang akan diterjemahkan ke dalam embedding vektor.

Contoh pembuatan embedding

Beberapa contoh pembuatan embedding menggunakan endpoint model terdaftar tercantum di bagian ini.

Model embedding Gemini

Untuk membuat embedding untuk endpoint model gemini-embedding-001 terdaftar, jalankan pernyataan berikut:

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

Jika cluster AlloyDB dan endpoint Gemini Enterprise Agent Platform berada dalam project yang berbeda, ikuti langkah-langkah berikut:

  1. Jalankan pernyataan CALL berikut.

       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. Untuk membuat embedding untuk endpoint model gemini-embedding-001 terdaftar, jalankan pernyataan berikut:

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

Model embedding OpenAI

Untuk membuat embedding untuk endpoint model terdaftar text-embedding-ada-002oleh OpenAI, jalankan pernyataan berikut:

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

Untuk membuat embedding untuk endpoint model text-embedding-3-small atau text-embedding-3-large terdaftar oleh OpenAI, jalankan pernyataan berikut:

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

Langkah berikutnya