Genera predicciones de AA con SQL

En esta página, se muestra cómo generar predicciones de aprendizaje automático (AA) a partir de una base de datos de Spanner. Las predicciones basadas en AA funcionan con bases de datos con dialecto de GoogleSQL y con dialecto de PostgreSQL.

La integración de Vertex AI en Spanner te permite generar predicciones con tu código SQL llamando a la función ML.PREDICT para GoogleSQL o a la función spanner.ML_PREDICT_ROW para PostgreSQL. Para obtener más información sobre la integración de Vertex AI con Spanner, consulta la Descripción general de la integración de Vertex AI con Spanner.

Antes de comenzar

Antes de generar predicciones a partir de una instancia de Spanner, debes preparar tu base de datos y seleccionar un modelo.

Configura el acceso para la integración de Vertex AI de Spanner a los extremos de Agent Platform

Spanner crea el agente de servicio y otorga los permisos necesarios automáticamente cuando ejecuta la primera instrucción DDL de MODEL. Si tanto la base de datos de Spanner como el extremo de Agent Platform se encuentran en el mismo proyecto, no se requiere configuración adicional.

Si la cuenta del agente de servicio de Spanner no existe para tu proyecto de Spanner, créala ejecutando el siguiente comando:

gcloud beta services identity create --service=spanner.googleapis.com --project={PROJECT}`

Sigue los pasos que se describen en Otorga un rol único para otorgar el rol Spanner API Service Agent a la cuenta del agente de servicio de Spanner service-PROJECT_NUMBER@gcp-sa-spanner.iam.gserviceaccount.com en tu proyecto de Agent Platform.

Seleccionar un modelo

Cuando usas la función ML.PREDICT (para GoogleSQL) o spanner.ML_PREDICT_ROW (para PostgreSQL), debes especificar la ubicación del modelo de AA. El modelo que selecciones puede ser uno de los siguientes:

Para obtener más información sobre la integración de Vertex AI con Spanner, consulta ¿Cómo funciona la integración de Vertex AI con Spanner?.

Genere predicciones

Según el tipo de modelo que selecciones, los pasos para generar tus predicciones variarán.

Usa un modelo en Model Garden de Agent Platform

Para generar una predicción con un modelo de Model Garden de Agent Platform, selecciona un modelo de Model Garden.

GoogleSQL

Antes de usar un modelo con ML.PREDICT(), debes registrarlo con la instrucción CREATE MODEL.

CREATE MODEL 'MODEL_NAME'
INPUT (INPUT_COLUMN_NAME INPUT_COLUMN_TYPE)
OUTPUT (OUTPUT_COLUMN_NAME OUTPUT_COLUMN_TYPE)
REMOTE
OPTIONS (
  endpoint = '//aiplatform.googleapis.com/projects/PROJECT_ID/locations/LOCATION_ID/publishers/google/models/model_id'
);

Reemplaza lo siguiente:

  • MODEL_NAME: El nombre que deseas asignarle a tu modelo

  • INPUT_COLUMN_NAME: Es el nombre de la columna de entrada. Por ejemplo, si usas el modelo gemini-pro, el nombre de la columna de entrada es prompt.

  • INPUT_COLUMN_TYPE: Es el tipo de datos para INPUT_COLUMN_NAME.

  • OUTPUT_COLUMN_NAME: El nombre de la columna de salida. Por ejemplo, si usas el modelo gemini-pro, el nombre de la columna de resultado es content.

  • OUTPUT_COLUMN_TYPE: Es el tipo de datos para OUTPUT_COLUMN_NAME.

  • PROJECT_ID: Es el ID de tu proyecto de Google Cloud .

  • REGION_ID: Es el ID de la región Google Cloud en la que se encuentra el modelo, por ejemplo, us-central1.

  • MODEL_ID: Es el ID del modelo de AA que deseas usar, por ejemplo, gemini-pro.

    Para obtener más información sobre los modelos, consulta la referencia de la API de modelos para la IA generativa.

Usa la función de GoogleSQL ML.PREDICT con el modelo seleccionado en Model Garden para generar tu predicción.

SELECT * FROM ML.PREDICT(
  MODEL `MODEL_NAME`,
  `INPUT_RELATION`[, `PARAMETERS`])

Reemplaza lo siguiente:

  • MODEL_NAME: El nombre que deseas asignarle a tu modelo

    Para obtener más información sobre los modelos, consulta la referencia de la API de modelos para la IA generativa.

  • INPUT_RELATION: Puede ser TABLE table_name o una subconsulta que proporcione datos para ejecutar la predicción de AA.

  • PARAMETERS: Es un valor STRUCT que contiene parámetros compatibles con model_id.

También puedes usar SAFE.ML.PREDICT para devolver null en lugar de un error en tus predicciones. Esto resulta útil en los casos en que se ejecutan consultas grandes en las que se toleran algunas predicciones fallidas.

PostgreSQL

Usa la función ML_PREDICT_ROW de PostgreSQL con el modelo seleccionado en Model Garden para generar tu predicción.

SELECT spanner.ml_predict_row(
  'projects/PROJECT_ID/locations/REGION_ID/publishers/google/models/MODEL_ID'::text,
  '{
    "instances": [ INSTANCES ],
    "parameters": { PARAMETERS }
   }'::jsonb);

Reemplaza lo siguiente:

  • PROJECT_ID: Es el ID de tu proyecto de Google Cloud .

  • REGION_ID: Es el ID de la región Google Cloud en la que se encuentra el modelo, por ejemplo, us-central1.

  • MODEL_ID: Es el ID del modelo de AA que deseas usar, por ejemplo, gemini-pro.

    Para obtener más información sobre los modelos, consulta la referencia de la API de modelos para la IA generativa.

  • INSTANCES: las entradas de la llamada de predicción, en formato JSON

  • PARAMETERS: Parámetros opcionales para la llamada de predicción, en formato JSON

Esta consulta produce una respuesta JSON. Para obtener más información sobre los mensajes de respuesta JSON del modelo, consulta PredictResponse.

Usa un extremo del modelo de Agent Platform

Para usar un modelo entrenado o descargado con la integración de Vertex AI en Spanner, debes implementar el modelo en Agent Platform. Para obtener más información sobre cómo implementar un modelo en un extremo en Agent Platform, consulta Implementa un modelo en un extremo.

GoogleSQL

Usa la función ML.PREDICT de GoogleSQL con el modelo en un extremo de Agent Platform para generar tu predicción. Antes de usar un modelo con ML.PREDICT(), debes registrarlo con la sentencia CREATE MODEL. Cada modelo implementado tiene su propio esquema único. El siguiente es un ejemplo de esquema de la Descripción general de la clasificación y la regresión

CREATE MODEL MyClassificationModel
INPUT (
  length FLOAT64,
  material STRING(MAX),
  tag_array ARRAY<STRING(MAX)>
)
OUTPUT (
  scores ARRAY<FLOAT64>,
  classes ARRAY<STRING(MAX)>
)
REMOTE
OPTIONS (
  endpoint = '//aiplatform.googleapis.com/projects/PROJECT/locations/LOCATION/endpoints/ENDPOINT_ID'
)

Reemplaza lo siguiente:

  • PROJECT_ID: Es el ID de tu proyecto de Google Cloud .

  • LOCATION: Es el ID de la región Google Cloud en la que se encuentra el modelo, por ejemplo, us-central1.

  • ENDPOINT_ID: Es el ID del modelo de AA que deseas usar, por ejemplo, gemini-pro.

    Para obtener más información sobre los modelos, consulta la referencia de la API de modelos para la IA generativa.

Usa la función de GoogleSQL ML.PREDICT con el modelo seleccionado en Model Garden para generar tu predicción.

SELECT * FROM ML.PREDICT(
  `MODEL_ID`,
  `INPUT_RELATION`[, `PARAMETERS`])

Reemplaza lo siguiente:

  • MODEL_ID: Es el ID del modelo de AA que deseas usar.

  • INPUT_RELATION: Es la tabla o subconsulta en la que deseas ejecutar la predicción de AA.

  • PARAMETERS: Es un valor STRUCT que contiene parámetros compatibles con model_name.

Esta consulta produce una relación que contiene todas las columnas de salida del modelo y todas las columnas de la relación de entrada.

PostgreSQL

Usa la función ML.PREDICT de PostgreSQL con el modelo en un extremo de Agent Platform para generar tu predicción.

  SELECT spanner.ml_predict_row(
    'projects/PROJECT_ID/locations/REGION_ID/endpoints/ENDPOINT_ID'::text,
    '{
      "instances": [ INSTANCES ],
      "parameters": { PARAMETERS }
      }'::jsonb);
  ```

Replace the following:

  • PROJECT_ID: Es el ID del proyecto Google Cloud en el que se encuentra el modelo.

  • REGION_ID: Es el ID de la región Google Cloud en la que se encuentra el modelo, por ejemplo, us-central1.

  • ENDPOINT_ID: Es el ID del extremo del modelo.

  • INSTANCES: las entradas de la llamada de predicción, en formato JSON

  • PARAMETERS: parámetros opcionales para la llamada de predicción, en formato JSON

Esta consulta produce una respuesta JSON. Para obtener más información sobre los mensajes de respuesta JSON del modelo, consulta PredictResponse.

Ejemplos para usar funciones de AA y generar predicciones

En el siguiente ejemplo, se usa el modelo gemini-pro de Model Garden para generar texto basado en una instrucción breve que se proporciona como argumento. Este modelo está disponible como parte de Gemini en Spanner.

GoogleSQL

Registra el modelo gemini-pro

CREATE MODEL GeminiPro
INPUT (prompt STRING(MAX))
OUTPUT (content STRING(MAX))
REMOTE
OPTIONS (
  endpoint = '//aiplatform.googleapis.com/projects/PROJECT/locations/LOCATION/publishers/google/models/gemini-pro',
  default_batch_size = 1
);

Reemplaza lo siguiente:

  • PROJECT: Es el ID del proyecto.
  • LOCATION: La región en la que usas Agent Platform

Ejecuta el modelo

SELECT content
FROM ML.PREDICT(
  MODEL GeminiPro,
  (SELECT "Is 7 a prime number?" AS prompt),
  STRUCT(256 AS maxOutputTokens, 0.2 AS temperature, 40 as topK, 0.95 AS topP)
);

Resultado esperado

El resultado esperado es el siguiente:

+--------------------+
| content            |
+--------------------+
| "Yes"              |
+--------------------+

PostgreSQL

Ejecuta el modelo

select spanner.ml_predict_row(
  '{
    "endpoint": "projects/PROJECT_ID/locations/us-central1/publishers/google/models/gemini-pro",
    "default_batch_size": 1
   }'::jsonb,
  '{
    "instances":[{"prompt": "Is 7 a prime number?"}],
    "parameters":{"maxOutputTokens":256, "topK": 40, "topP":0.96, "temperature":0.2}
    }'
);

Resultado esperado

El resultado esperado es el siguiente:

+--------------------+
| content            |
+--------------------+
| "Yes"              |
+--------------------+