Memigrasikan data dari database vektor ke AlloyDB

Anda dapat memigrasikan embedding vektor dan metadata dari database vektor pihak ketiga ke AlloyDB untuk PostgreSQL menggunakan integrasi VectorStore LangChain. Dalam tutorial ini, Anda akan mengekspor data vektor yang ada yang dihasilkan dengan LangChain dan memuatnya ke dalam tabel AlloyDBVectorStore. Jika Anda menyerap data ke salah satu database berikut tanpa menggunakan LangChain, ubah skrip migrasi yang disediakan agar sesuai dengan skema data Anda. Database vektor berikut didukung:

• Pinecone
• Weaviate
• Chroma
• Qdrant
• Milvus

Catatan: Tutorial ini menggunakan nilai default dari penyimpanan vektor LangChain yang didukung. Untuk memigrasikan database kustom, Anda mungkin perlu memperbarui kolom data yang ditentukan dalam dokumen ini.

Tutorial ini mengasumsikan bahwa Anda sudah memahami Google Cloud, AlloyDB, dan pemrograman Python asinkron.

Tujuan

Tutorial ini menunjukkan kepada Anda cara melakukan hal berikut:

• Mengekstrak data dari database vektor yang ada.
• Membuat koneksi ke AlloyDB.
• Melakukan inisialisasi tabel AlloyDB.
• Lakukan inisialisasi objek penyimpanan vektor.
• Jalankan skrip migrasi untuk menyisipkan data.

Biaya

Dalam dokumen ini, Anda akan menggunakan komponen Google Cloudyang dapat ditagih berikut:

• AlloyDB for PostgreSQL

You might be eligible for a free trial cluster. For more information, see AlloyDB free trial clusters overview.

Untuk membuat perkiraan biaya berdasarkan proyeksi penggunaan Anda, gunakan kalkulator harga.

Pengguna Google Cloud baru mungkin memenuhi syarat untuk mendapatkan uji coba gratis.

Setelah menyelesaikan tugas yang dijelaskan dalam dokumen ini, Anda dapat menghindari penagihan berkelanjutan dengan menghapus resource yang Anda buat. Untuk mengetahui informasi selengkapnya, baca bagian Pembersihan.

Sebelum memulai

Pastikan Anda memiliki salah satu penyimpanan vektor database pihak ketiga LangChain berikut:

• Pinecone
• Weaviate
• Chroma
• Qdrant
• Milvus

Mengaktifkan penagihan dan API yang diperlukan

1. Di konsol Google Cloud , pada halaman pemilih project, pilih atau buat projectGoogle Cloud .

   Catatan: Jika Anda tidak berencana untuk menyimpan resource yang Anda buat dalam tutorial ini, buat project baru alih-alih memilih project yang ada. Setelah menyelesaikan langkah ini, Anda dapat menghapus project itu, yang akan menghapus semua resource yang terkait dengannya.

   Buka pemilih project

2. Pastikan penagihan diaktifkan untuk project Google Cloud Anda.

3. Mengaktifkan Cloud API yang diperlukan untuk membuat dan terhubung ke AlloyDB untuk PostgreSQL.

   Mengaktifkan API

   1. Pada langkah Confirm project, klik Next untuk mengonfirmasi nama project yang akan Anda ubah.

   2. Pada langkah Enable APIs, klik Enable untuk mengaktifkan hal berikut:

      • AlloyDB API
      • Compute Engine API
      • Service Networking API

Peran yang diperlukan

Untuk mendapatkan izin yang Anda perlukan untuk menyelesaikan tugas dalam tutorial ini, miliki peran Identity and Access Management (IAM) berikut yang memungkinkan pembuatan tabel dan penyisipan data:

• Pemilik (roles/owner) atau Editor (roles/editor)

• Jika pengguna bukan pemilik atau editor, peran IAM dan hak istimewa PostgreSQL berikut diperlukan:

  • AlloyDB Client (roles/alloydb.client)
  • AlloyDB Admin (roles/alloydb.admin)
  • Compute Network User (roles/compute.networkUser)

Jika Anda ingin melakukan autentikasi ke database menggunakan autentikasi IAM, bukan menggunakan autentikasi bawaan dalam tutorial ini, gunakan notebook yang menunjukkan cara menggunakan AlloyDB untuk PostgreSQL guna menyimpan embedding vektor dengan class AlloyDBVectorStore.

Membuat cluster dan pengguna AlloyDB

1. Buat cluster dan instance AlloyDB.
   • Aktifkan IP Publik untuk menjalankan tutorial ini dari mana saja. Jika menggunakan IP Pribadi, Anda harus menjalankan tutorial ini dari dalam jaringan Virtual Private Cloud (VPC).
2. Buat atau pilih pengguna database AlloyDB.
   • Saat Anda membuat instance, pengguna postgres akan dibuat dengan sandi. Pengguna ini memiliki izin superuser.
   • Tutorial ini menggunakan autentikasi bawaan untuk mengurangi hambatan autentikasi. Autentikasi IAM dapat dilakukan menggunakan AlloyDBEngine.

Mengambil contoh kode

1. Salin contoh kode dari GitHub dengan meng-clone repositori:

   git clone https://github.com/googleapis/langchain-google-alloydb-pg-python.git

2. Buka direktori migrations:

   cd langchain-google-alloydb-pg-python/samples/migrations

Mengekstrak data dari database vektor yang ada

Catatan: Anda mungkin perlu mengubah contoh kode di bagian ini berdasarkan kasus penggunaan Anda.

1. Membuat klien.

   Pinecone

   from pinecone import Pinecone  # type: ignore
   
   pinecone_client = Pinecone(api_key=pinecone_api_key)
   pinecone_index = pinecone_client.Index(pinecone_index_name)

   Weaviate

   import weaviate
   
   # For a locally running weaviate instance, use `weaviate.connect_to_local()`
   weaviate_client = weaviate.connect_to_weaviate_cloud(
       cluster_url=weaviate_cluster_url,
       auth_credentials=weaviate.auth.AuthApiKey(weaviate_api_key),
   )

   Chroma

   from langchain_chroma import Chroma
   
   chromadb_client = Chroma(
       collection_name=chromadb_collection_name,
       embedding_function=embeddings_service,
       persist_directory=chromadb_path,
   )

   Qdrant

   from qdrant_client import QdrantClient
   
   qdrant_client = QdrantClient(path=qdrant_path)
   

   Milvus

   milvus_client = MilvusClient(uri=milvus_uri)

2. Mendapatkan semua data dari database.

   Pinecone

   Ambil ID vektor dari indeks Pinecone:

   results = pinecone_index.list_paginated(
       prefix="", namespace=pinecone_namespace, limit=pinecone_batch_size
   )
   ids = [v.id for v in results.vectors]
   if ids:  # Prevents yielding an empty list.
       yield ids
   
   # Check BOTH pagination and pagination.next
   while results.pagination is not None and results.pagination.get("next") is not None:
       pagination_token = results.pagination.get("next")
       results = pinecone_index.list_paginated(
           prefix="",
           pagination_token=pagination_token,
           namespace=pinecone_namespace,
           limit=pinecone_batch_size,
       )
   
       # Extract and yield the next batch of IDs
       ids = [v.id for v in results.vectors]
       if ids:  # Prevents yielding an empty list.
           yield ids

   Lalu, ambil data berdasarkan ID dari indeks Pinecone:

   import uuid
   
   # Iterate through the IDs and download their contents
   for ids_batch in id_iterator:
       all_data = pinecone_index.fetch(ids=ids_batch, namespace=pinecone_namespace)
       ids = []
       embeddings = []
       contents = []
       metadatas = []
   
       # Process each vector in the current batch
       for doc in all_data.vectors.values():
           # You might need to update this data translation logic according to one or more of your field names
           if pinecone_id_column_name in doc.metadata:
               # pinecone_id_column_name stores the unqiue identifier for the content
               ids.append(doc[pinecone_id_column_name])
           else:
               # Generate a uuid if pinecone_id_column_name is missing in source
               ids.append(str(uuid.uuid4()))
           # values is the vector embedding of the content
           embeddings.append(doc.values)
           # Check if pinecone_content_column_name exists in metadata before accessing
           if pinecone_content_column_name in doc.metadata:
               # pinecone_content_column_name stores the content which was encoded
               contents.append(str(doc.metadata[pinecone_content_column_name]))
               # Remove pinecone_content_column_name after processing
               del doc.metadata[pinecone_content_column_name]
           else:
               # Handle the missing pinecone_content_column_name field appropriately
               contents.append("")
           # metadata is the additional context
           metadatas.append(doc.metadata)
   
       # Yield the current batch of results
       yield ids, contents, embeddings, metadatas

   Weaviate

   # Iterate through the IDs and download their contents
   weaviate_collection = weaviate_client.collections.get(weaviate_collection_name)
   ids: list[str] = []
   content: list[Any] = []
   embeddings: list[list[float]] = []
   metadatas: list[Any] = []
   
   for item in weaviate_collection.iterator(include_vector=True):
       # You might need to update this data translation logic according to one or more of your field names
       # uuid is the unqiue identifier for the content
       ids.append(str(item.uuid))
       # weaviate_text_key is the content which was encoded
       content.append(item.properties[weaviate_text_key])
       # vector is the vector embedding of the content
       embeddings.append(item.vector["default"])  # type: ignore
       del item.properties[weaviate_text_key]  # type: ignore
       # properties is the additional context
       metadatas.append(item.properties)
   
       if len(ids) >= weaviate_batch_size:
           # Yield the current batch of results
           yield ids, content, embeddings, metadatas
           # Reset lists to start a new batch
           ids = []
           content = []
           embeddings = []
           metadatas = []

   Catatan: Perbarui WEAVIATE_COLLECTION_NAME dengan nama koleksi dan perbarui WEAVIATE_TEXT_KEY dengan nama kolom dalam skema Weaviate yang berisi konten teks. Jika Anda memiliki beberapa koleksi, jalankan migrasi untuk setiap koleksi.

   Chroma

   # Iterate through the IDs and download their contents
   offset = 0
   while True:
       # You might need to update this data translation logic according to one or more of your field names
       # documents is the content which was encoded
       # embeddings is the vector embedding of the content
       # metadatas is the additional context
       docs = chromadb_client.get(
           include=["metadatas", "documents", "embeddings"],
           limit=chromadb_batch_size,
           offset=offset,
       )
   
       if len(docs["documents"]) == 0:
           break
   
       # ids is the unqiue identifier for the content
       yield docs["ids"], docs["documents"], docs["embeddings"].tolist(), docs[
           "metadatas"
       ]
   
       offset += chromadb_batch_size
   

   Qdrant

   # Iterate through the IDs and download their contents
   offset = None
   while True:
       docs, offset = qdrant_client.scroll(
           collection_name=qdrant_collection_name,
           with_vectors=True,
           limit=qdrant_batch_size,
           offset=offset,
           with_payload=True,
       )
   
       ids: List[str] = []
       contents: List[Any] = []
       embeddings: List[List[float]] = []
       metadatas: List[Any] = []
   
       for doc in docs:
           if doc.payload and doc.vector:
               # You might need to update this data translation logic according to one or more of your field names
               # id is the unqiue identifier for the content
               ids.append(str(doc.id))
               # page_content is the content which was encoded
               contents.append(doc.payload["page_content"])
               # vector is the vector embedding of the content
               embeddings.append(doc.vector)  # type: ignore
               # metatdata is the additional context
               metadatas.append(doc.payload["metadata"])
   
       yield ids, contents, embeddings, metadatas
   
       if not offset:
           break
   

   Catatan: Perbarui QDRANT_COLLECTION_NAME dengan nama koleksi. Jika Anda memiliki beberapa koleksi, jalankan migrasi untuk setiap koleksi.

   Milvus

   # Iterate through the IDs and download their contents
   iterator = milvus_client.query_iterator(
       collection_name=milvus_collection_name,
       filter='pk >= "0"',
       output_fields=["pk", "text", "vector", "idv"],
       batch_size=milvus_batch_size,
   )
   
   while True:
       ids = []
       content = []
       embeddings = []
       metadatas = []
       page = iterator.next()
       if len(page) == 0:
           iterator.close()
           break
       for i in range(len(page)):
           # You might need to update this data translation logic according to one or more of your field names
           doc = page[i]
           # pk is the unqiue identifier for the content
           ids.append(doc["pk"])
           # text is the content which was encoded
           content.append(doc["text"])
           # vector is the vector embedding of the content
           embeddings.append(doc["vector"])
           del doc["pk"]
           del doc["text"]
           del doc["vector"]
           # doc is the additional context
           metadatas.append(doc)
       yield ids, content, embeddings, metadatas

   Catatan: Perbarui MILVUS_COLLECTION_NAME dengan nama koleksi. Jika Anda memiliki beberapa koleksi, jalankan migrasi untuk setiap koleksi.

Melakukan inisialisasi tabel AlloyDB

Catatan: Anda mungkin perlu mengubah contoh kode di bagian ini berdasarkan kasus penggunaan Anda.

1. Tentukan layanan embedding.

   Antarmuka VectorStore memerlukan layanan embedding. Alur kerja ini tidak menghasilkan embedding baru, sehingga class FakeEmbeddings digunakan untuk menghindari biaya apa pun.

   Pinecone

   # The VectorStore interface requires an embedding service. This workflow does not
   # generate new embeddings, therefore FakeEmbeddings class is used to avoid any costs.
   from langchain_core.embeddings import FakeEmbeddings
   
   embeddings_service = FakeEmbeddings(size=vector_size)

   Weaviate

   # The VectorStore interface requires an embedding service. This workflow does not
   # generate new embeddings, therefore FakeEmbeddings class is used to avoid any costs.
   from langchain_core.embeddings import FakeEmbeddings
   
   embeddings_service = FakeEmbeddings(size=vector_size)

   Chroma

   # The VectorStore interface requires an embedding service. This workflow does not
   # generate new embeddings, therefore FakeEmbeddings class is used to avoid any costs.
   from langchain_core.embeddings import FakeEmbeddings
   
   embeddings_service = FakeEmbeddings(size=vector_size)

   Qdrant

   # The VectorStore interface requires an embedding service. This workflow does not
   # generate new embeddings, therefore FakeEmbeddings class is used to avoid any costs.
   from langchain_core.embeddings import FakeEmbeddings
   
   embeddings_service = FakeEmbeddings(size=vector_size)

   Milvus

   # The VectorStore interface requires an embedding service. This workflow does not
   # generate new embeddings, therefore FakeEmbeddings class is used to avoid any costs.
   from langchain_core.embeddings import FakeEmbeddings
   
   embeddings_service = FakeEmbeddings(size=vector_size)

2. Menyiapkan tabel AlloyDB.

   1. Menghubungkan ke AlloyDB menggunakan koneksi IP publik. Untuk mengetahui informasi selengkapnya, lihat Menentukan Jenis Alamat IP.

      Pinecone

      from langchain_google_alloydb_pg import AlloyDBEngine
      
      alloydb_engine = await AlloyDBEngine.afrom_instance(
          project_id=project_id,
          region=region,
          cluster=cluster,
          instance=instance,
          database=db_name,
          user=db_user,
          password=db_pwd,
          ip_type=IPTypes.PUBLIC,  # Optionally use IPTypes.PRIVATE
      )

      Weaviate

      from langchain_google_alloydb_pg import AlloyDBEngine
      
      alloydb_engine = await AlloyDBEngine.afrom_instance(
          project_id=project_id,
          region=region,
          cluster=cluster,
          instance=instance,
          database=db_name,
          user=db_user,
          password=db_pwd,
          ip_type=IPTypes.PUBLIC,
      )

      Chroma

      from langchain_google_alloydb_pg import AlloyDBEngine
      
      alloydb_engine = await AlloyDBEngine.afrom_instance(
          project_id=project_id,
          region=region,
          cluster=cluster,
          instance=instance,
          database=db_name,
          user=db_user,
          password=db_pwd,
          ip_type=IPTypes.PUBLIC,
      )

      Qdrant

      from langchain_google_alloydb_pg import AlloyDBEngine
      
      alloydb_engine = await AlloyDBEngine.afrom_instance(
          project_id=project_id,
          region=region,
          cluster=cluster,
          instance=instance,
          database=db_name,
          user=db_user,
          password=db_pwd,
          ip_type=IPTypes.PUBLIC,
      )

      Milvus

      from langchain_google_alloydb_pg import AlloyDBEngine
      
      alloydb_engine = await AlloyDBEngine.afrom_instance(
          project_id=project_id,
          region=region,
          cluster=cluster,
          instance=instance,
          database=db_name,
          user=db_user,
          password=db_pwd,
          ip_type=IPTypes.PUBLIC,
      )

   2. Buat tabel untuk menyalin data, jika belum ada.

      Pinecone

      from langchain_google_alloydb_pg import Column
      
      await alloydb_engine.ainit_vectorstore_table(
          table_name=alloydb_table,
          vector_size=vector_size,
          # Customize the ID column types if not using the UUID data type
          # id_column=Column("langchain_id", "TEXT"),  # Default is Column("langchain_id", "UUID")
          # overwrite_existing=True,  # Drop the old table and Create a new vector store table
      )

      Weaviate

      await alloydb_engine.ainit_vectorstore_table(
          table_name=alloydb_table,
          vector_size=vector_size,
          # Customize the ID column types with `id_column` if not using the UUID data type
      )
      

      Chroma

      await alloydb_engine.ainit_vectorstore_table(
          table_name=alloydb_table,
          vector_size=vector_size,
          # Customize the ID column types with `id_column` if not using the UUID data type
      )

      Qdrant

      await alloydb_engine.ainit_vectorstore_table(
          table_name=alloydb_table,
          vector_size=vector_size,
          # Customize the ID column types with `id_column` if not using the UUID data type
      )

      Milvus

      await alloydb_engine.ainit_vectorstore_table(
          table_name=alloydb_table,
          vector_size=vector_size,
          # Customize the ID column types with `id_column` if not using the UUID data type
      )

Melakukan inisialisasi objek penyimpanan vektor

Kode ini menambahkan metadata embedding vektor tambahan ke kolom langchain_metadata dalam format JSON. Agar pemfilteran lebih efisien, atur metadata ini ke dalam kolom terpisah. Untuk mengetahui informasi selengkapnya, lihat Membuat Vector Store kustom.

1. Untuk melakukan inisialisasi objek penyimpanan vektor, jalankan perintah berikut:

   Pinecone

   from langchain_google_alloydb_pg import AlloyDBVectorStore
   
   vs = await AlloyDBVectorStore.create(
       engine=alloydb_engine,
       embedding_service=embeddings_service,
       table_name=alloydb_table,
   )

   Weaviate

   from langchain_google_alloydb_pg import AlloyDBVectorStore
   
   vs = await AlloyDBVectorStore.create(
       engine=alloydb_engine,
       embedding_service=embeddings_service,
       table_name=alloydb_table,
   )

   Chroma

   from langchain_google_alloydb_pg import AlloyDBVectorStore
   
   vs = await AlloyDBVectorStore.create(
       engine=alloydb_engine,
       embedding_service=embeddings_service,
       table_name=alloydb_table,
   )

   Qdrant

   from langchain_google_alloydb_pg import AlloyDBVectorStore
   
   vs = await AlloyDBVectorStore.create(
       engine=alloydb_engine,
       embedding_service=embeddings_service,
       table_name=alloydb_table,
   )

   Milvus

   from langchain_google_alloydb_pg import AlloyDBVectorStore
   
   vs = await AlloyDBVectorStore.create(
       engine=alloydb_engine,
       embedding_service=embeddings_service,
       table_name=alloydb_table,
   )

2. Masukkan data ke dalam tabel AlloyDB:

   Pinecone

   pending: set[Any] = set()
   for ids, contents, embeddings, metadatas in data_iterator:
       pending.add(
           asyncio.ensure_future(
               vs.aadd_embeddings(
                   texts=contents,
                   embeddings=embeddings,
                   metadatas=metadatas,
                   ids=ids,
               )
           )
       )
       if len(pending) >= max_concurrency:
           _, pending = await asyncio.wait(
               pending, return_when=asyncio.FIRST_COMPLETED
           )
   if pending:
       await asyncio.wait(pending)

   Weaviate

   pending: set[Any] = set()
   for ids, contents, embeddings, metadatas in data_iterator:
       pending.add(
           asyncio.ensure_future(
               vs.aadd_embeddings(
                   texts=contents,
                   embeddings=embeddings,
                   metadatas=metadatas,
                   ids=ids,
               )
           )
       )
       if len(pending) >= max_concurrency:
           _, pending = await asyncio.wait(
               pending, return_when=asyncio.FIRST_COMPLETED
           )
   if pending:
       await asyncio.wait(pending)

   Chroma

   pending: set[Any] = set()
   for ids, contents, embeddings, metadatas in data_iterator:
       pending.add(
           asyncio.ensure_future(
               vs.aadd_embeddings(
                   texts=contents,
                   embeddings=embeddings,
                   metadatas=metadatas,
                   ids=ids,
               )
           )
       )
       if len(pending) >= max_concurrency:
           _, pending = await asyncio.wait(
               pending, return_when=asyncio.FIRST_COMPLETED
           )
   if pending:
       await asyncio.wait(pending)

   Qdrant

   pending: set[Any] = set()
   for ids, contents, embeddings, metadatas in data_iterator:
       pending.add(
           asyncio.ensure_future(
               vs.aadd_embeddings(
                   texts=contents,
                   embeddings=embeddings,
                   metadatas=metadatas,
                   ids=ids,
               )
           )
       )
       if len(pending) >= max_concurrency:
           _, pending = await asyncio.wait(
               pending, return_when=asyncio.FIRST_COMPLETED
           )
   if pending:
       await asyncio.wait(pending)

   Milvus

   pending: set[Any] = set()
   for ids, contents, embeddings, metadatas in data_iterator:
       pending.add(
           asyncio.ensure_future(
               vs.aadd_embeddings(
                   texts=contents,
                   embeddings=embeddings,
                   metadatas=metadatas,
                   ids=ids,
               )
           )
       )
       if len(pending) >= max_concurrency:
           _, pending = await asyncio.wait(
               pending, return_when=asyncio.FIRST_COMPLETED
           )
   if pending:
       await asyncio.wait(pending)

Menjalankan skrip migrasi

1. Siapkan lingkungan Python.

2. Instal dependensi contoh:

   pip install -r requirements.txt

3. Jalankan contoh migrasi.

   Pinecone

   python migrate_pinecone_vectorstore_to_alloydb.py

   Lakukan penggantian berikut sebelum Anda menjalankan contoh:

   • PINECONE_API_KEY: kunci Pinecone API.
   • PINECONE_NAMESPACE: namespace Pinecone.
   • PINECONE_INDEX_NAME: nama indeks Pinecone.
   • PROJECT_ID: project ID.
   • REGION: region tempat cluster AlloyDB di-deploy.
   • CLUSTER: nama cluster.
   • INSTANCE: nama instance.
   • DB_NAME: nama database.
   • DB_USER: nama pengguna database.
   • DB_PWD: sandi rahasia database.

   Weaviate

   python migrate_weaviate_vectorstore_to_alloydb.py

   Lakukan penggantian berikut sebelum Anda menjalankan contoh:

   • WEAVIATE_API_KEY: kunci API Weaviate.
   • WEAVIATE_CLUSTER_URL: URL cluster Weaviate.
   • WEAVIATE_COLLECTION_NAME: nama koleksi Weaviate.
   • PROJECT_ID: project ID.
   • REGION: region tempat cluster AlloyDB di-deploy.
   • CLUSTER: nama cluster.
   • INSTANCE: nama instance.
   • DB_NAME: nama database.
   • DB_USER: nama pengguna database.
   • DB_PWD: sandi rahasia database.

   Chroma

   python migrate_chromadb_vectorstore_to_alloydb.py

   Lakukan penggantian berikut sebelum Anda menjalankan contoh:

   • CHROMADB_PATH: jalur database Chroma.
   • CHROMADB_COLLECTION_NAME: nama koleksi database Chroma.
   • PROJECT_ID: project ID.
   • REGION: region tempat cluster AlloyDB di-deploy.
   • CLUSTER: nama cluster.
   • INSTANCE: nama instance.
   • DB_NAME: nama database.
   • DB_USER: nama pengguna database.
   • DB_PWD: sandi rahasia database.

   Qdrant

   python migrate_qdrant_vectorstore_to_alloydb.py

   Lakukan penggantian berikut sebelum Anda menjalankan contoh:

   • QDRANT_PATH: jalur database Qdrant.
   • QDRANT_COLLECTION_NAME: nama koleksi Qdrant.
   • PROJECT_ID: project ID.
   • REGION: region tempat cluster AlloyDB di-deploy.
   • CLUSTER: nama cluster.
   • INSTANCE: nama instance.
   • DB_NAME: nama database.
   • DB_USER: nama pengguna database.
   • DB_PWD: sandi rahasia database.

   Milvus

   python migrate_milvus_vectorstore_to_alloydb.py

   Lakukan penggantian berikut sebelum Anda menjalankan contoh:

   • MILVUS_URI: URI Milvus.
   • MILVUS_COLLECTION_NAME: nama koleksi Milvus.
   • PROJECT_ID: project ID.
   • REGION: region tempat cluster AlloyDB di-deploy.
   • CLUSTER: nama cluster.
   • INSTANCE: nama instance.
   • DB_NAME: nama database.
   • DB_USER: nama pengguna database.
   • DB_PWD: sandi rahasia database.

   Migrasi yang berhasil akan mencetak log yang mirip dengan berikut ini tanpa error:
   Migration completed, inserted all the batches of data to AlloyDB

4. Buka AlloyDB Studio untuk melihat data yang dimigrasikan. Untuk mengetahui informasi selengkapnya, lihat Mengelola data Anda menggunakan AlloyDB Studio.

Pembersihan

Agar tidak perlu membayar biaya pada akun Google Cloud Anda untuk resource yang digunakan dalam tutorial ini, hapus project yang berisi resource tersebut, atau simpan project dan hapus setiap resource.

1. Di konsol Google Cloud , buka halaman Clusters.

   Buka Cluster

2. Di kolom Resource name, klik nama cluster yang Anda buat.

3. Klik Delete cluster.

4. Di Delete cluster, masukkan nama cluster untuk mengonfirmasi bahwa Anda ingin menghapus cluster.

5. Klik Hapus.

   Jika Anda membuat koneksi pribadi saat membuat cluster, hapus koneksi pribadi:

6. Buka halaman Networking di konsol Google Cloud , lalu klik Delete VPC network.

Langkah berikutnya

• Mulai menggunakan embedding vektor dengan AlloyDB AI.
• Pelajari cara membangun aplikasi AI generatif menggunakan AlloyDB AI.
• Membuat indeks ScaNN.
• Menyesuaikan indeks ScaNN Anda.
• Pelajari cara membuat asisten belanja cerdas dengan AlloyDB, pgvector, dan pengelolaan endpoint model.