Générer des embeddings vectoriels pour des données textuelles de manière groupée à l'aide d'une instruction LMD partitionnée

Ce document explique comment générer et remplir de manière groupée des embeddings vectoriels pour des données textuelles (STRING ou JSON) stockées dans Spanner à l'aide de SQL et des modèles d'embeddings textuels Gemini Enterprise Agent Platform.

Prérequis

Vous devez disposer d'une table dans votre base de données Spanner contenant des données textuelles (STRING ou JSON). Pour en savoir plus sur l'importation de données, consultez la présentation de l'importation et de l'exportation Spanner.

Exemple d'utilisation

Supposons que vous disposiez d'une table dans Spanner avec le schéma suivant. Cette table contient des millions d'enregistrements.

GoogleSQL 

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

PostgreSQL 

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

Votre objectif est de générer des embeddings vectoriels pour la colonne description de cette table afin de trouver des articles similaires à recommander aux clients pour améliorer leur expérience d'achat à l'aide de la recherche vectorielle.

Enregistrer un modèle d'embedding

GoogleSQL

Enregistrez un modèle d'embedding textuel avec le point de terminaison du modèle Agent Platform dans votre base de données Spanner :

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/$MODEL_NAME',
  default_batch_size = 5
)

Remplacez les éléments suivants :

  • MODEL_NAME : nom du modèle d'embedding textuel Agent Platform.
  • PROJECT : projet hébergeant le point de terminaison Agent Platform
  • LOCATION : emplacement du point de terminaison Agent Platform.

PostgreSQL

Dans le dialecte PostgreSQL, il n'est pas nécessaire d'enregistrer le modèle. Vous transmettez le nom du point de terminaison directement à l'appel de fonction spanner.ML_PREDICT_ROW.

Voici quelques bonnes pratiques :

  • Pour maintenir l'isolation des quotas, utilisez un point de terminaison dans un projet différent pour générer et renseigner les embeddings, plutôt que le point de terminaison de production. Réservez le point de terminaison de production pour diffuser le trafic de production.
  • Assurez-vous que le point de terminaison du modèle accepte la valeur de default_batch_size. Vous pouvez remplacer default_batch_size par l'indice de requête @{remote_udf_max_rows_per_rpc=NEW_NUMBER}. Pour en savoir plus sur la limite default_batch_size pour chaque région, consultez Obtenir des embeddings textuels pour un extrait de texte.
  • Définissez le point de terminaison avec une version de modèle spécifique (par exemple, @003) au lieu de @latest. En effet, les vecteurs d'embedding générés pour un même texte peuvent différer selon la version du modèle que vous utilisez. C'est pourquoi vous devez éviter d'utiliser différentes versions de modèle pour générer des embeddings dans le même ensemble de données. De plus, la mise à jour de la version du modèle dans l'instruction de définition du modèle ne met pas à jour les embeddings déjà générés avec ce modèle. Pour gérer la version du modèle pour les embeddings, vous pouvez créer une colonne supplémentaire dans la table qui stocke la version du modèle.
  • Les modèles d'embeddings textuels personnalisés ne sont pas compatibles avec les fonctions GoogleSQL ML.PREDICT et PostgreSQL spanner.ML_PREDICT_ROW.

Tester l'intégration de bout en bout du modèle d'embeddings

Vous pouvez exécuter une requête pour vérifier que le modèle d'embedding est correctement configuré et que les embeddings sont récupérés. Par exemple, exécutez la requête suivante :

GoogleSQL 

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

Remplacez les éléments suivants :

  • MODEL_NAME : nom du modèle d'embedding textuel Agent Platform.

PostgreSQL 

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

Remplacez les éléments suivants :

  • PROJECT : projet hébergeant le point de terminaison Agent Platform
  • LOCATION : emplacement du point de terminaison Agent Platform.
  • MODEL_NAME : nom du modèle d'embedding textuel Agent Platform.

Mettre à jour la table source pour inclure des colonnes supplémentaires afin de stocker les embeddings

Ensuite, mettez à jour le schéma de la table source pour ajouter une colonne d'embeddings. La spécification de la longueur du vecteur est facultative pour stocker les embeddings, recommandée pour les performances de recherche KNN et requise pour les index vectoriels. Omettez la longueur du vecteur si la colonne stocke des vecteurs de dimensions variables :

GoogleSQL 

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME ARRAY<FLOAT32>(vector_length=>VECTOR_LENGTH);

Remplacez les éléments suivants :

  • TABLE_NAME : nom de la table source.
  • EMBEDDING_COLUMN_NAME : nom de la colonne dans laquelle vous souhaitez ajouter les embeddings générés
  • VECTOR_LENGTH : dimension de sortie du modèle d'embedding, par exemple 768 ou 3072

PostgreSQL 

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME real[] VECTOR LENGTH VECTOR_LENGTH;

Remplacez les éléments suivants :

  • TABLE_NAME : nom de la table source.
  • EMBEDDING_COLUMN_NAME : nom de la colonne dans laquelle vous souhaitez ajouter les embeddings générés
  • VECTOR_LENGTH : dimension de sortie du modèle d'embedding, par exemple 768 ou 3072

Par exemple, en utilisant l'exemple de table products, exécutez la commande suivante :

GoogleSQL 

ALTER TABLE Products
ADD COLUMN desc_embed ARRAY<FLOAT32>(vector_length=>768);

PostgreSQL 

ALTER TABLE Products
ADD COLUMN desc_embed real[] VECTOR LENGTH 768;

Vous pouvez ajouter une autre colonne pour gérer la version du modèle d'embedding.

GoogleSQL 

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT64;

PostgreSQL 

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT8;

Augmenter le quota pour Agent Platform

Vous devrez peut-être augmenter le quota de l'API Agent Platform pour la région qui utilise le modèle d'embedding textuel. Pour demander une augmentation, consultez Augmentations de quota pour Agent Platform.

Remplir les embeddings

Enfin, exécutez l'instruction UPDATE suivante à l'aide du LMD partitionné pour générer des embeddings pour la colonne de données textuelles et les stocker dans votre base de données. Vous pouvez stocker la version du modèle avec les embeddings. Nous vous recommandons d'exécuter cette requête pendant une période de faible trafic dans votre base de données.

GoogleSQL 

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;

Remplacez les éléments suivants :

  • TABLE_NAME : nom de la table contenant les données textuelles
  • EMBEDDING_COLUMN_NAME : nom de la colonne dans laquelle vous souhaitez ajouter les embeddings générés
  • DATA_COLUMN_NAME : nom de la colonne contenant les données textuelles
  • MODEL_NAME : nom du modèle d'embedding Agent Platform.
  • MAX_ROWS : nombre maximal de lignes par RPC
  • EMBEDDING_VERSION_COLUMN : colonne qui gère la version du modèle d'embedding utilisé pour le backfill de vos embeddings
  • MODEL_VERSION : version du modèle d'embedding textuel.
  • FILTER_CONDITION : condition de filtre partitionnable que vous souhaitez appliquer

L'utilisation de SAFE.ML.PREDICT renvoie NULL pour les requêtes ayant échoué. Vous pouvez également utiliser SAFE.ML.PREDICT en combinaison avec un filtre WHERE embedding_column IS NULL pour réexécuter votre requête sans calculer les embeddings pour les champs déjà calculés.

PostgreSQL 

UPDATE TABLE_NAME
SET
  EMBEDDING_COLUMN_NAME = spanner.FLOAT32_ARRAY(spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/$MODEL_NAME',
    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;

Remplacez les éléments suivants :

  • TABLE_NAME : nom de la table contenant les données textuelles
  • EMBEDDING_COLUMN_NAME : nom de la colonne dans laquelle vous souhaitez ajouter les embeddings générés
  • DATA_COLUMN_NAME : nom de la colonne contenant les données textuelles
  • PROJECT : projet hébergeant le point de terminaison Agent Platform
  • LOCATION : emplacement du point de terminaison Agent Platform.
  • MODEL_NAME : nom du modèle d'embedding Agent Platform.
  • MODEL_VERSION : version du modèle d'embedding Agent Platform
  • MAX_ROWS : nombre maximal de lignes par RPC
  • EMBEDDING_VERSION_COLUMN : colonne qui gère la version du modèle d'embedding textuel utilisé pour le backfill de vos embeddings
  • FILTER_CONDITION : condition de filtre partitionnable que vous souhaitez appliquer

Exemple de requête de backfill pour la table products :

GoogleSQL 

UPDATE products
SET
  products.desc_embed = (
    SELECT embeddings.values
    FROM SAFE.ML.PREDICT(
      MODEL embedding_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;

PostgreSQL 

UPDATE products
SET
  desc_embed = spanner.FLOAT32_ARRAY(spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/$MODEL_NAME',
    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;

Voici quelques bonnes pratiques :

Performances et autres considérations

Tenez compte des points suivants pour optimiser les performances lors du remplissage des données d'embedding.

Nombre de nœuds

Le LMD partitionné exécute l'instruction LMD donnée sur différentes partitions en parallèle. Pour les instances comportant un grand nombre de nœuds, vous pouvez observer des erreurs de quota lors de l'exécution d'un LMD partitionné. Si les requêtes API de l'Agent Platform sont limitées en raison des limites de quota de l'Agent Platform, Spanner réessaie ces échecs en mode de transaction LMD partitionné jusqu'à 20 fois. Si vous observez un taux élevé d'erreurs de quota dans Agent Platform, augmentez le quota pour Agent Platform. Vous pouvez également régler le parallélisme à l'aide de l'indice au niveau de l'instruction @{pdml_max_parallelism=DESIRED_NUMBER} lorsque vous utilisez GoogleSQL. L'exemple suivant définit le parallélisme sur "5" :

GoogleSQL 

@{pdml_max_parallelism=5} UPDATE products
SET products.desc_embed =(
  SELECT embeddings.values
  FROM SAFE.ML.PREDICT(MODEL embedding_model, (
        SELECT products.value AS CONTENT
        )
  )
      @{remote_udf_max_rows_per_rpc=200}
),
products.desc_embed_model_version = MODEL_VERSION
WHERE products.desc_embed IS NULL;

Taille du texte dans la colonne de données

Le modèle d'embedding Agent Platform limite le nombre maximal de jetons pour chaque entrée de texte. Les limites de jetons varient selon les versions du modèle. Chaque requête Agent Platform peut comporter plusieurs champs de texte d'entrée, mais le nombre maximal de jetons présents dans une même requête est limité. Pour les bases de données GoogleSQL, si vous rencontrez une erreur INVALID_ARGUMENT avec le message "La requête est trop volumineuse", essayez de réduire la taille du lot pour éviter l'erreur. Pour ce faire, vous pouvez configurer default_batch_size ou utiliser l'indice de requête @{remote_udf_max_outstanding_rpcs} lors de l'enregistrement du modèle.

Nombre de requêtes API envoyées à Agent Platform

Vous pouvez utiliser l'indice de requête @{remote_udf_max_outstanding_rpcs} pour augmenter ou diminuer le nombre de requêtes envoyées à Agent Platform depuis Spanner. Sachez que l'augmentation de cette limite peut accroître l'utilisation du processeur et de la mémoire de l'instance Spanner. Pour les bases de données GoogleSQL, l'utilisation de cette indication de requête remplace le default_batch_size configuré pour votre modèle.

Surveiller la progression du remplissage

Vous pouvez surveiller le nombre de requêtes, la latence et les octets réseau envoyés à Agent Platform depuis Spanner à l'aide du tableau de bord des insights système.

Étapes suivantes