Eseguire la ricerca semantica e la generazione aumentata dal recupero

In questo tutorial, utilizzerai un modello remoto con la funzione AI.GENERATE_EMBEDDING per generare text embedding in una tabella BigQuery. Poi creerai un indice vettoriale per indicizzare gli embedding e migliorare il rendimento della ricerca.

Utilizzerai la VECTOR_SEARCHfunzione con gli embedding per cercare testo simile. La ricerca vettoriale è una tecnica per confrontare oggetti simili utilizzando gli embedding, che sono vettori numerici ad alta dimensione che rappresentano una determinata entità, come un brano di testo.

Infine, eseguirai la Retrieval-Augmented Generation (RAG) generando testo con la funzione AI.GENERATE_TEXT. La RAG è un framework di AI che combina i punti di forza dei sistemi di recupero di informazioni (come i database e la ricerca) con le capacità dei modelli linguistici di grandi dimensioni (LLM) generativi. Grazie alla combinazione dei tuoi dati e delle tue conoscenze del mondo con le competenze linguistiche degli LLM, la generazione eseguita con grounding è più accurata, aggiornata e pertinente alle tue esigenze specifiche.

Questo tutorial utilizza i dati del set di dati pubblico Google Brevetti Research.

Obiettivi

  • Crea un modello remoto BigQuery ML su un modello di embedding di Gemini Enterprise Agent Platform.
  • Utilizza il modello remoto con la funzione AI.GENERATE_EMBEDDING per generare embedding dal testo in una tabella BigQuery.
  • Crea un indice vettoriale per indicizzare gli embedding e migliorare il rendimento della ricerca.
  • Utilizza la funzione VECTOR_SEARCH con gli embedding per cercare testo simile.
  • Esegui la RAG generando testo con la funzione AI.GENERATE_TEXT e utilizzando i risultati della ricerca vettoriale per aumentare l'input del prompt e migliorare i risultati.

Costi

In questo documento vengono utilizzati i seguenti componenti fatturabili di Google Cloud:

  • BigQuery ML: You incur costs for the data that you process in BigQuery.
  • Gemini Enterprise Agent Platform: You incur costs for calls to the Agent Platform service that's represented by the remote model.

Per generare una stima dei costi in base all'utilizzo previsto, utilizza il calcolatore prezzi.

I nuovi Google Cloud utenti potrebbero avere diritto a una prova senza costi.

Per saperne di più, consulta le seguenti pagine dei prezzi:

Prima di iniziare

  1. Nella Google Cloud console, nella pagina di selezione del progetto, seleziona o crea un Google Cloud progetto.

    Ruoli richiesti per selezionare o creare un progetto

    • Seleziona un progetto: la selezione di un progetto non richiede un ruolo IAM specifico. Puoi selezionare qualsiasi progetto su cui ti è stato concesso un ruolo.
    • Crea un progetto: per creare un progetto, devi disporre del ruolo Autore progetto (roles/resourcemanager.projectCreator), che contiene l' resourcemanager.projects.create autorizzazione. Scopri come concedere i ruoli.

    Vai al selettore di progetti

  2. Verifica che la fatturazione sia attivata per il tuo Google Cloud progetto.

  3. Abilita le API BigQuery, Cloud Storage e Gemini Enterprise Agent Platform.

    Ruoli richiesti per abilitare le API

    Per abilitare le API, devi disporre dell'autorizzazione serviceusage.services.enable. Se hai creato il progetto, probabilmente hai già questa autorizzazione tramite il ruolo Proprietario (roles/owner). In caso contrario, puoi ottenere questa autorizzazione tramite il ruolo Amministratore utilizzo servizi (roles/serviceusage.serviceUsageAdmin). Scopri come concedere i ruoli.

    Abilita le API

Ruoli obbligatori

Per ottenere le autorizzazioni necessarie per completare questo tutorial, chiedi all'amministratore di concederti i seguenti ruoli IAM:

Per saperne di più sulla concessione dei ruoli, consulta Gestisci l'accesso a progetti, cartelle e organizzazioni.

Potresti anche riuscire a ottenere le autorizzazioni richieste tramite i ruoli personalizzati o altri ruoli predefiniti.

Crea un set di dati

Per creare un set di dati BigQuery, seleziona una delle seguenti opzioni:

Console

  1. Nella Google Cloud console, vai alla pagina BigQuery.

    Vai a BigQuery

  2. Nel riquadro a sinistra, fai clic su Esplora:

    Pulsante evidenziato per il riquadro Spazio di esplorazione.

    Se non vedi il riquadro a sinistra, fai clic su Espandi riquadro a sinistra per aprirlo.

  3. In Explorer, espandi il progetto e fai clic su Set di dati.

  4. Nella pagina Set di dati, fai clic su Crea set di dati.

  5. Nel riquadro Crea set di dati, segui questi passaggi:

    • In ID set di dati, inserisci bqml_tutorial.

    • Per Località dei dati, seleziona US.

    Lascia invariate le impostazioni predefinite rimanenti.

  6. Fai clic su Crea set di dati.

bq

Per creare un nuovo set di dati, utilizza il bq mk --dataset comando.

  1. Crea un set di dati denominato bqml_tutorial con la località dei dati impostata su US:

    bq mk --dataset \
  --location=US \
  --description "BigQuery ML tutorial dataset." \
  bqml_tutorial

  2. Verifica che il set di dati sia stato creato:

    bq ls

API

Chiama il datasets.insert metodo con una risorsa del set di dati definita:

{
  "datasetReference": {
     "datasetId": "bqml_tutorial"
  }
}

Crea il modello remoto per la generazione di text embedding

In questa sezione creerai un modello remoto che rappresenta un modello di generazione di text embedding ospitato su Agent Platform. Quando crei il modello, utilizzi la connessione DEFAULT per chiamare l'API Text embeddings per ottenere text embedding utilizzando il modello text-embedding-005. Se non hai una connessione predefinita, l'istruzione CREATE MODEL ne crea una per te.

Per creare il modello di text embedding:

  1. Nella Google Cloud console, vai alla pagina BigQuery.

    Vai a BigQuery

  2. Per creare il modello, incolla questo comando nell'editor di query, quindi fai clic su Esegui:

    CREATE OR REPLACE MODEL `bqml_tutorial.embedding_model`
  REMOTE WITH CONNECTION DEFAULT
  OPTIONS (ENDPOINT = 'text-embedding-005');

    L'esecuzione della query richiede alcuni secondi, dopodiché è possibile accedere al modello embedding_model tramite il riquadro Explorer.

    Riceverai un messaggio di conferma simile al seguente: Successfully created model named embedding_model.

Genera text embedding

Genera text embedding dagli abstract dei brevetti utilizzando la AI.GENERATE_EMBEDDING funzione, quindi scrivili in una tabella BigQuery in modo che possano essere cercati.

La generazione di embedding utilizzando la funzione AI.GENERATE_EMBEDDINGpotrebbe non riuscire a causa delle quote degli LLM di Agent Platform o della mancata disponibilità del servizio. In caso di errore, i dettagli dell'errore vengono restituiti nella colonna status nei risultati della query.

Per metodi alternativi di generazione di text embedding in BigQuery, consulta il tutorial Incorpora testo con modelli TensorFlow preaddestrati.

Per generare text embedding, incolla questo comando nell'editor di query, quindi fai clic su Esegui:

  CREATE OR REPLACE TABLE bqml_tutorial.embeddings AS
  SELECT * FROM AI.GENERATE_EMBEDDING(
    MODEL bqml_tutorial.embedding_model,
    (
      SELECT *, abstract AS content
      FROM patents-public-data.google_patents_research.publications
      WHERE LENGTH(abstract) > 0 AND LENGTH(title) > 0 AND country = 'Singapore'
    )
  )
  WHERE LENGTH(status) = 0;

L'esecuzione di questa query richiede alcuni minuti. Riceverai un messaggio di conferma simile al seguente:This statement created a new table named embeddings.

Crea un indice vettoriale

Se crei un indice vettoriale su una colonna di embedding, una ricerca vettoriale che viene eseguita su quella colonna utilizza la tecnica di ricerca del vicino più prossimo approssimato. Questa tecnica migliora il rendimento della ricerca vettoriale e restituisce risultati più approssimativi, ma il richiamo viene ridotto.

Per creare un indice vettoriale, utilizza l' CREATE VECTOR INDEX istruzione DDL (Data Definition Language). Per verificare che l'indice sia disponibile, esegui una query sulla visualizzazione INFORMATION_SCHEMA.VECTOR_INDEXES per verificare che il valore della colonna coverage_percentage sia maggiore di 0, e che il valore della colonna last_refresh_time non sia NULL.

Per creare e verificare l'indice vettoriale:

  1. Per creare l'indice vettoriale, incolla questo comando nell'editor di query, quindi fai clic su Esegui:

    CREATE OR REPLACE VECTOR INDEX my_index
ON `bqml_tutorial.embeddings`(embedding)
OPTIONS(index_type = 'IVF',
  distance_type = 'COSINE',
  ivf_options = '{"num_lists":500}');

    Riceverai un messaggio di conferma simile al seguente: The vector index creation on table bqml_tutorial.embeddings was initiated. Please query bqml_tutorial.INFORMATION_SCHEMA.VECTOR_INDEXES to check the progress of the index.

    In genere, la creazione di un indice vettoriale richiede solo pochi secondi. Sono necessari altri due o tre minuti per popolare l'indice vettoriale in modo asincrono.

  2. Per verificare che l'indice sia pronto per l'uso, incolla questo comando nell' editor di query, quindi fai clic su Esegui:

    SELECT table_name, index_name, index_status,
coverage_percentage, last_refresh_time, disable_reason
FROM `PROJECT_ID.bqml_tutorial.INFORMATION_SCHEMA.VECTOR_INDEXES`;

    Sostituisci PROJECT_ID con l'ID progetto.

    Dopo aver eseguito la query, l'indice è disponibile se la colonna index_status nei risultati mostra che l'indice è ACTIVE e se il valore coverage_percentage è 100.

Esegui una ricerca di similarità del testo utilizzando l'indice vettoriale

Utilizza la VECTOR_SEARCH funzione per cercare brevetti pertinenti che corrispondano agli embedding generati da una query di testo.

L'argomento top_k determina il numero di corrispondenze da restituire, in questo caso cinque. L'opzione fraction_lists_to_search determina la percentuale di elenchi di indici vettoriali da cercare. L'indice vettoriale che hai creato ha 500 elenchi, quindi il valore fraction_lists_to_search di .01 indica che questa ricerca vettoriale esegue la scansione di cinque di questi elenchi. Un valore fraction_lists_to_search inferiore, come mostrato qui, offre un richiamo inferiore e un rendimento più rapido.

Per saperne di più sugli elenchi di indici vettoriali, consulta l'num_lists opzione dell'indice vettoriale.

Il modello che utilizzi per generare gli embedding in questa query deve essere lo stesso che utilizzi per generare gli embedding nella tabella con cui stai eseguendo il confronto, altrimenti i risultati della ricerca non saranno accurati.

Per eseguire una ricerca di similarità del testo, incolla questo comando nell'editor di query, quindi fai clic su Esegui:

  SELECT query.query, base.publication_number, base.title, base.abstract
  FROM VECTOR_SEARCH(
    TABLE bqml_tutorial.embeddings, 'embedding',
    (
    SELECT embedding, content AS query
    FROM AI.GENERATE_EMBEDDING(
    MODEL bqml_tutorial.embedding_model,
    (SELECT 'improving password security' AS content))
    ),
    top_k => 5, options => '{"fraction_lists_to_search": 0.01}');

L'output è simile al seguente:

+-----------------------------+--------------------+-------------------------------------------------+-------------------------------------------------+
|            query            | publication_number |                       title                     |                      abstract                   |
+-----------------------------+--------------------+-------------------------------------------------+-------------------------------------------------+
| improving password security | SG-120868-A1       | Data storage device security method and a...    | Methods for improving security in data stora... |
| improving password security | SG-10201610585W-A  | Passsword management system and process...      | PASSSWORD MANAGEMENT SYSTEM AND PROCESS ...     |
| improving password security | SG-148888-A1       | Improved system and method for...               | IMPROVED SYSTEM AND METHOD FOR RANDOM...        |
| improving password security | SG-194267-A1       | Method and system for protecting a password...  | A system for providing security for a...        |
| improving password security | SG-120868-A1       | Data storage device security...                 | Methods for improving security in data...       |
+-----------------------------+--------------------+-------------------------------------------------+-------------------------------------------------+

Crea il modello remoto per la generazione di testo

Per creare un modello remoto che rappresenta un modello di generazione di testo ospitato su Agent Platform, incolla questo comando nell'editor di query, quindi fai clic su Esegui:

  CREATE OR REPLACE MODEL bqml_tutorial.text_model
    REMOTE WITH CONNECTION DEFAULT
    OPTIONS (ENDPOINT = 'gemini-2.5-flash');

Riceverai un messaggio di conferma simile al seguente: Successfully created model named text_model.

Genera testo aumentato dai risultati della ricerca vettoriale

Inserisci i risultati della ricerca come prompt per generare testo con la AI.GENERATE_TEXT funzione.

Per aumentare i risultati della ricerca vettoriale, incolla questo comando nell'editor di query, quindi fai clic su Esegui:

  SELECT result AS generated, prompt
  FROM AI.GENERATE_TEXT(
    MODEL bqml_tutorial.text_model,
    (
      SELECT CONCAT(
        'Propose some project ideas to improve user password security using the context below: ',
        STRING_AGG(
          FORMAT("patent title: %s, patent abstract: %s", base.title, base.abstract),
          ',\n')
        ) AS prompt,
      FROM VECTOR_SEARCH(
        TABLE bqml_tutorial.embeddings, 'embedding',
        (
          SELECT embedding, content AS query
          FROM AI.GENERATE_EMBEDDING(
            MODEL bqml_tutorial.embedding_model,
            (SELECT 'improving password security' AS content)
          )
        ),
      top_k => 5, options => '{"fraction_lists_to_search": 0.01}')
    ),
    STRUCT(600 AS max_output_tokens));

L'output è simile al seguente:

+------------------------------------------------+------------------------------------------------------------+
|            generated                           | prompt                                                     |
+------------------------------------------------+------------------------------------------------------------+
| These patents suggest several project ideas to | Propose some project ideas to improve user password        |
| improve user password security.  Here are      | security using the context below: patent title: Active     |
| some, categorized by the patent they build     | new password entry dialog with compact visual indication   |
| upon:                                          | of adherence to password policy, patent abstract:          |
|                                                | An active new password entry dialog provides a compact     |
| **I. Projects based on "Active new password    | visual indication of adherence to password policies. A     |
| entry dialog with compact visual indication of | visual indication of progress towards meeting all          |
| adherence to password policy":**               | applicable password policies is included in the display    |
|                                                | and updated as new password characters are being...        |
+------------------------------------------------+------------------------------------------------------------+

Libera spazio

Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.

  1. Nella Google Cloud console, vai alla pagina Gestisci risorse.

    Vai a Gestisci risorse

  2. Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
  3. Nella finestra di dialogo, digita l'ID progetto, quindi fai clic su Chiudi per eliminare il progetto.

In alternativa, per mantenere il progetto ed eliminare le risorse utilizzate in questo tutorial:

  1. Vai alla pagina BigQuery.

    Vai a BigQuery

  2. Nel riquadro a sinistra, espandi il progetto e fai clic su Set di dati.

  3. Per il set di dati bqml_tutorial, fai clic su Apri azioni > Elimina.

  4. Nella finestra di dialogo Elimina set di dati, fai clic su Elimina per confermare.

  5. Nel riquadro a sinistra, fai clic su Connessioni.

  6. Per la connessione __default_cloudresource_connection__, fai clic su Apri azioni > Elimina.

  7. Nella finestra di dialogo Elimina connessione, inserisci delete, quindi fai clic su Elimina per confermare.

Passaggi successivi