Membuat embedding

Pilih versi dokumentasi:

Ekstensi google_ml_integration menyertakan 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 Vertex AI 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 Omni 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 Vertex AI 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 barang dagangan dengan warna yang salah, Anda dapat menjalankan kueri SQL biasa di 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 kemiripan semantik dengan perintah teks tertentu, seperti It was the wrong color.

Untuk pembuatan embedding dasar, pilih salah satu skema berikut.

Sebelum memulai

Agar AlloyDB Omni dapat membuat embedding, lakukan hal berikut:

  • Jalankan dan hubungkan ke AlloyDB Omni sebagai pengguna postgres.

  • Pastikan ekstensi google_ml_integration telah diinstal. 

    CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;

    Jika Anda tidak memiliki izin yang diperlukan, hubungi administrator database untuk melakukan update. Atau, Anda dapat menunggu versi baru diluncurkan secara otomatis ke cluster Anda.

  • Pastikan flag google_ml_integration.enable_model_support ditetapkan ke on.
  • Sebelum dapat membuat embedding dari database AlloyDB Omni, Anda harus mengonfigurasi AlloyDB Omni agar dapat digunakan dengan Vertex AI.

  • Berikan izin kepada pengguna database untuk menjalankan fungsi embedding guna membuat embedding: 

    \c 'DB_NAME';
GRANT EXECUTE ON FUNCTION google_ml.embedding TO 'USER_NAME';

    Ganti kode berikut:

    • DB_NAME: nama database tempat izin harus diberikan
    • USER_NAME: nama pengguna yang akan diberikan 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 Omni dan endpoint Vertex AI berada dalam project yang berbeda, lakukan hal 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