Esegui la ricerca vettoriale di somiglianze in Bigtable trovando i K-Nearest Neighbors

La ricerca vettoriale di somiglianze può aiutarti a identificare concetti simili e significati contestuali nei dati Bigtable, il che significa che può fornire risultati più pertinenti quando filtri i dati archiviati in un intervallo di chiavi specificato. Di seguito sono riportati alcuni esempi di casi d'uso:

  • Corrispondenza semantica dei messaggi per un determinato utente nella ricerca nella Posta in arrivo.
  • Rilevamento di anomalie in un intervallo di sensori.
  • Recupero dei documenti più pertinenti all'interno di un insieme di chiavi note per la generazione aumentata dal recupero (RAG).
  • Personalizzazione dei risultati di ricerca per migliorare l'esperienza di ricerca di un utente recuperando e classificando i risultati in base alle richieste e alle preferenze storiche archiviate da Bigtable.
  • Recupero di thread di conversazione simili per trovare e visualizzare le conversazioni passate che sono contestualmente simili alla chat attuale di un utente per un'esperienza più personalizzata.
  • Deduplicazione dei prompt per identificare i prompt identici o semanticamente simili inviati dallo stesso utente ed evitare di elaborare con l'AI in modo ridondante.

Prima di leggere questa pagina, è importante comprendere i seguenti concetti:

Bigtable supporta le funzioni COSINE_DISTANCE() e EUCLIDEAN_DISTANCE(), che operano sugli embedding vettoriali, consentendoti di trovare i K-Nearest Neighbors dell'embedding di input.

Puoi utilizzare le API di text embedding di Gemini Enterprise Agent Platform per generare e archiviare i dati Bigtable come vector embedding. Puoi quindi fornire questi embedding vettoriali come parametro di input nella query per trovare i vettori più vicini nello spazio N-dimensionale per cercare elementi semanticamente simili o correlati.

Entrambe le funzioni di distanza accettano gli argomenti vector1 e vector2, che sono di tipo array<> e devono essere costituiti dalle stesse dimensioni e avere la stessa lunghezza. Per ulteriori dettagli su queste funzioni, consulta quanto segue:

Il codice in questa pagina mostra come creare gli embedding, archiviarli in Bigtable ed eseguire una ricerca KNN.

L'esempio in questa pagina utilizza EUCLIDEAN_DISTANCE() e la libreria client Bigtable per Python. Tuttavia, puoi anche utilizzare COSINE_DISTANCE() e qualsiasi libreria client che supporti GoogleSQL per Bigtable, ad esempio la libreria client Bigtable per Java.

Prima di iniziare

Completa i seguenti passaggi prima di provare gli esempi di codice.

Ruoli obbligatori

Per ottenere le autorizzazioni necessarie per leggere e scrivere in Bigtable, chiedi all'amministratore di concederti il seguente ruolo IAM:

Configura l'ambiente

  1. Scarica e installa la libreria client Bigtable per Python. Per utilizzare le funzioni GoogleSQL per Bigtable, devi utilizzare python-bigtable versione 2.26.0 o successive. Le istruzioni, inclusa la configurazione dell'autenticazione, sono disponibili all'indirizzo Python hello world.

  2. Se non hai un'istanza Bigtable, segui i passaggi descritti in Creare un'istanza.

  3. Identifica gli ID risorsa. Quando esegui il codice, sostituisci i seguenti segnaposto con gli ID del Google Cloud progetto, dell'istanza Bigtable e della tabella:

    • PROJECT_ID
    • INSTANCE_ID
    • TABLE_ID

Crea una tabella per archiviare il testo, gli embedding e la frase di ricerca

Crea una tabella con due famiglie di colonne.

Python 

from google.cloud import bigtable
from google.cloud.bigtable import column_family

client = bigtable.Client(project=PROJECT_ID, admin=True)
instance = client.instance(INSTANCE_ID)
table = instance.table(TABLE_ID)
column_families = {"docs":column_family.MaxVersionsGCRule(2), "search_phrase":column_family.MaxVersionsGCRule(2)}

if not table.exists():
  table.create(column_families=column_families)
else:
  print("Table already exists")

Incorpora il testo con un modello di base preaddestrato di Agent Platform

Genera il testo e gli embedding da archiviare in Bigtable insieme alle chiavi associate. Per saperne di più, consulta Ottenere embedding di testo o Ottenere embedding multimodali.

Python 

from typing import List, Optional
from vertexai.language_models import TextEmbeddingInput, TextEmbeddingModel
from vertexai.generative_models import GenerativeModel

#defines which LLM that we should use to generate the text
model = GenerativeModel("gemini-1.5-pro-001")

#First, use generative AI to create a list of 10 chunks for phrases
#This can be replaced with a static list of text items or your own data

chunks = []
for i in range(10):
  response = model.generate_content(
      "Generate a paragraph between 10 and 20 words that is about about either
      Bigtable or Generative AI"
)
chunks.append(response.text)
print(response.text)
#create embeddings for the chunks of text
def embed_text(
  texts: List[str] = chunks,
  task: str = "RETRIEVAL_DOCUMENT",
  model_name: str = "text-embedding-004",
  dimensionality: Optional[int] = 128,
) -> List[List[float]]:
  """Embeds texts with a pre-trained, foundational model."""
  model = TextEmbeddingModel.from_pretrained(model_name)
  inputs = [TextEmbeddingInput(text, task) for text in texts]
  kwargs = dict(output_dimensionality=dimensionality) if dimensionality else {}
  embeddings = model.get_embeddings(inputs, **kwargs)
  return [embedding.values for embedding in embeddings]

embeddings = embed_text()
print("embeddings created for text phrases")

Definisci le funzioni che ti consentono di convertire in oggetti byte

Bigtable è ottimizzato per le coppie chiave-valore e in genere archivia i dati come oggetti byte. Per saperne di più sulla progettazione del modello dei dati per Bigtable, consulta Best practice di progettazione dello schema.

Devi convertire gli embedding restituiti da Agent Platform, che vengono archiviati come elenco di numeri in virgola mobile in Python. Converti ogni elemento in rappresentazione in virgola mobile IEEE 754 big-endian e poi concatenali. La seguente funzione esegue questa operazione.

Python 

import struct
def floats_to_bytes(float_list):
  """
  Convert a list of floats to a bytes object, where each float is represented
  by 4 big-endian bytes.

  Parameters:
  float_list (list of float): The list of floats to be converted.

  Returns:
  bytes: The resulting bytes object with concatenated 4-byte big-endian
  representations of the floats.
  """
  byte_array = bytearray()

  for value in float_list:
      packed_value = struct.pack('>f', value)
      byte_array.extend(packed_value)

  # Convert bytearray to bytes
  return bytes(byte_array)

Scrivi gli embedding in Bigtable

Converti gli embedding in oggetti byte, crea una mutazione e poi scrivi i dati in Bigtable.

Python 

from google.cloud.bigtable.data  import RowMutationEntry
from google.cloud.bigtable.data  import SetCell

mutations = []
embeddings = embed_text()
for i, embedding in enumerate(embeddings):
  print(embedding)

  #convert each embedding into a byte object
  vector = floats_to_bytes(embedding)

  #set the row key which will be used to pull the range of documents (ex. doc type or user id)
  row_key = f"doc_{i}"

  row = table.direct_row(row_key)

  #set the column for the embedding based on the byte object format of the embedding
  row.set_cell("docs","embedding",vector)
  #store the text associated with vector in the same key
  row.set_cell("docs","text",chunks[i])
  mutations.append(row)

#write the rows to Bigtable
table.mutate_rows(mutations)

I vettori vengono archiviati come dati codificati in formato binario che possono essere letti da Bigtable utilizzando una funzione di conversione dal tipo BYTES a ARRAY<FLOAT32>.

Ecco la query SQL:

SELECT _key, TO_VECTOR32(data['embedding']) AS embedding
FROM table WHERE _key LIKE 'store123%';

Puoi utilizzare la funzione GoogleSQL COSINE_DISTANCE per trovare la somiglianza tra gli embedding di testo e le frasi di ricerca che fornisci. Poiché l'elaborazione di questo calcolo può richiedere tempo, utilizza il client dati asincrono della libreria client Python per eseguire la query SQL.

Python 

from google.cloud.bigtable.data import BigtableDataClientAsync

#first embed the search phrase
search_embedding = embed_text(texts=["Apache HBase"])

query = """
      select _key, docs['text'] as description
      FROM knn_intro
      ORDER BY COSINE_DISTANCE(TO_VECTOR32(docs['embedding']), {search_embedding})
      LIMIT 1;
      """

async def execute_query():
  async with BigtableDataClientAsync(project=PROJECT_ID) as client:
    local_query = query
    async for row in await client.execute_query(query.format(search_embedding=search_embedding[0]), INSTANCE_ID):
      return(row["_key"],row["description"])

await execute_query()

La risposta restituita è una descrizione di testo generata che descrive Bigtable.

Passaggi successivi