Membuat embedding teks

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

Fungsi embedding() dalam skema public dapat digunakan dengan model embedding Vertex AI apa pun tanpa mendaftarkan endpoint. Jika Anda ingin meneruskan informasi kustom 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 penyematan

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 ini terintegrasi dengan Vertex AI Model Garden, sehingga memberikan akses ke model gemini-embedding-001Inggris.

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 oleh pelanggan yang menerima warna barang yang salah, Anda dapat menjalankan kueri SQL biasa pada tabel, yang mencari berbagai kecocokan kata kunci. Namun, pendekatan ini hanya mencocokkan 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 mirip secara semantik untuk kueri tersebut. Dengan menerapkan embedding, Anda dapat membuat kueri tabel dalam contoh ini untuk item yang keluhannya memiliki kemiripan semantik dengan perintah teks tertentu, seperti It was the wrong color.

Untuk pembuatan sematan dasar, pilih salah satu skema berikut.

Sebelum memulai

Untuk mengizinkan AlloyDB membuat embedding, lakukan hal berikut:

Hubungkan ke database Anda menggunakan psql atau AlloyDB for 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 memperbarui ekstensi, gunakan perintah ALTER EXTENSION google_ml_integration UPDATE;.

Catatan: Jika Anda tidak memiliki izin yang diperlukan, hubungi administrator database Anda untuk melakukan update. Atau, Anda dapat menunggu hingga versi baru di-roll out secara otomatis ke cluster Anda.
Sebelum dapat membuat embedding dari database AlloyDB, Anda harus mengonfigurasi AlloyDB agar dapat berfungsi dengan Vertex AI. Untuk mengetahui informasi selengkapnya, lihat Mengintegrasikan database Anda dengan Vertex AI.
Memberikan izin kepada pengguna database untuk membuat sematan.

Untuk membuat embedding, berikan izin EXECUTE pada fungsi google_ml.embedding kepada pengguna:
```
\c 'DB_NAME';
GRANT EXECUTE ON FUNCTION google_ml.embedding TO 'USER_NAME';
```
Ganti kode berikut:
- DB_NAME: nama database tempat izin diberikan.
- USER_NAME: nama pengguna yang diberi 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 penyematan vektor.

Contoh untuk membuat embedding

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

Model embedding Gemini

Untuk membuat embedding untuk endpoint model gemini-embedding-001 yang 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 Vertex AI berada dalam project yang berbeda, lakukan hal berikut:

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'
     );

Untuk membuat embedding untuk endpoint model gemini-embedding-001 yang 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 text-embedding-ada-002 terdaftar oleh 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');