Generare incorporamenti di testo

L'estensione google_ml_integration include funzioni di incorporamento in due spazi dei nomi diversi: public e google_ml. Questa pagina descrive come generare incorporamenti di testo utilizzando le funzioni di questi spazi dei nomi.

La funzione embedding() nello schema public può essere utilizzata con qualsiasi modello di embedding Vertex AI senza registrare l'endpoint. Se vuoi trasmettere informazioni personalizzate come il tipo di attività, registra l'endpoint e poi utilizza la funzione google_ml.embedding() nello schema google_ml. Per saperne di più sulla registrazione di un endpoint, consulta Registrare un modello.

Nota:per utilizzare le funzionalità e i modelli più recenti, inclusi i modelli di incorporamento Gemini, devi prima installare la funzionalità di anteprima eseguendo la procedura upgrade_to_preview_version:

CALL google_ml.upgrade_to_preview_version();

Come funzionano gli incorporamenti

Immagina un database in esecuzione su AlloyDB con le seguenti caratteristiche:

• Il database contiene una tabella, items. Ogni riga di questa tabella descrive un articolo venduto dalla tua attività.

• La tabella items contiene una colonna, complaints. Questa colonna TEXT memorizza i reclami degli acquirenti registrati per ogni articolo.

• Il database si integra con Model Garden di Vertex AI, consentendogli di accedere ai modelli in inglese gemini-embedding-001.

Anche se questo database memorizza i reclami relativi agli articoli, questi vengono memorizzati come testo normale, il che rende difficile eseguire query. Ad esempio, per vedere quali articoli hanno ricevuto il maggior numero di reclami da clienti che hanno ricevuto un colore errato della merce, puoi eseguire query SQL ordinarie sulla tabella, che cercano varie corrispondenze di parole chiave. Tuttavia, questo approccio corrisponde solo alle righe che contengono queste parole chiave esatte.

Ad esempio, una query SQL di base come SELECT * FROM item WHERE complaints LIKE "%wrong color%" non restituisce una riga il cui campo complaints contiene solo The picture shows a blue one, but the one I received was red.

Le query SQL che utilizzano incorporamenti basati su LLM possono contribuire a restituire risposte semanticamente simili per queste query. Applicando gli incorporamenti, puoi eseguire query sulla tabella in questo esempio per gli elementi i cui reclami hanno una somiglianza semantica con un prompt di testo specifico, ad esempio It was the wrong color.

Nota:quando monitori l'utilizzo e le quote nella console Google Cloud , ricorda che i nomi dei modelli potrebbero essere diversi da quelli utilizzati nella documentazione.

• Per il modello text-embedding-005, la dimensione base_model nella console Google Cloud è textembedding-gecko.

  La quota pertinente è Regional online prediction requests per base model per minute per region per base_model.

• Per il modello gemini-embedding-001, la dimensione base_model è gemini-embedding.

  Le quote pertinenti sono Embed content input tokens per minute per region per base_model e Regional online prediction requests per base model per minute per region per base_model.

Per la generazione di incorporamenti di base, seleziona uno dei seguenti schemi.

Schema google_ml Schema pubblico

Passaggi successivi

• Esegui ricerche di similarità vettoriale.
• Scopri come creare un assistente per lo shopping intelligente con AlloyDB, pgvector e la gestione degli endpoint del modello.
• Crea indici e query di vettori.
• Scopri un esempio di workflow di incorporamento.