ML-Vorhersagen mit SQL generieren

Auf dieser Seite wird beschrieben, wie Sie ML-Vorhersagen (Machine Learning) aus einer Spanner-Datenbank generieren. ML-Vorhersagen funktionieren sowohl mit Datenbanken im GoogleSQL-Dialekt als auch mit Datenbanken im PostgreSQL-Dialekt.

Mit der Spanner Vertex AI-Einbindung können Sie Vorhersagen mit Ihrem SQL-Code generieren, indem Sie die ML.PREDICT Funktion für GoogleSQL oder die spanner.ML_PREDICT_ROW Funktion für PostgreSQL aufrufen. Weitere Informationen zur Spanner Vertex AI-Einbindung finden Sie unter Übersicht über die Spanner Vertex AI-Einbindung.

Hinweis

Bevor Sie Vorhersagen aus einer Spanner-Instanz generieren können, müssen Sie Ihre Datenbank vorbereiten und ein Modell auswählen.

Zugriff für die Spanner Vertex AI-Einbindung auf Vertex AI-Endpunkte konfigurieren

Spanner erstellt den Dienst-Agent und gewährt die erforderlichen Berechtigungen automatisch, wenn Spanner die erste MODEL DDL-Anweisung ausführt. Wenn sich sowohl die Spanner-Datenbank als auch der Vertex AI-Endpunkt im selben Projekt befinden, ist keine zusätzliche Einrichtung erforderlich.

Wenn das Spanner-Dienst-Agent-Konto für Ihr Spanner-Projekt nicht vorhanden ist, erstellen Sie es mit dem folgenden Befehl:

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

Folgen Sie der Anleitung unter Einzelne Rolle gewähren, um dem Spanner-Dienst-Agent-Konto [e-mail] in Ihrem Vertex AI-Projekt die Rolle Spanner API Service Agent zuzuweisen.

Modell auswählen

Wenn Sie die Funktion ML.PREDICT (für GoogleSQL) oder spanner.ML_PREDICT_ROW (für PostgreSQL) verwenden, müssen Sie den Speicherort des ML-Modells angeben. Das ausgewählte Modell kann eines der folgenden sein:

• Ein Modell, das in dem Vertex AI Model Garden ausgeführt wird.

• Ein Vertex AI-Modell mit einem aktiven Endpunkt, auf den Ihr Spanner-Dienst-Agent die IAM-Berechtigung hat.

Weitere Informationen zur Spanner Vertex AI-Einbindung finden Sie unter Wie funktioniert die Spanner Vertex AI-Einbindung?.

Vorhersagen generieren

Je nach Typ des ausgewählten Modells unterscheiden sich die Schritte zum Generieren von Vorhersagen.

Modell in Vertex AI Model Garden verwenden

Wenn Sie eine Vorhersage mit einem Modell aus dem Vertex AI Model Garden generieren möchten, wählen Sie ein Modell aus Model Garden aus.

GoogleSQL

Bevor Sie ein Modell mit ML.PREDICT() verwenden können, müssen Sie es mit der Anweisung CREATE MODEL registrieren.

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'
);

Ersetzen Sie Folgendes:

• MODEL_NAME: der Name, den Sie Ihrem Modell geben möchten

• INPUT_COLUMN_NAME: der Name Ihrer Eingabespalte. Wenn Sie beispielsweise das Modell gemini-pro verwenden, lautet der Name der Eingabespalte prompt.

• INPUT_COLUMN_TYPE: der Datentyp für INPUT_COLUMN_NAME

• OUTPUT_COLUMN_NAME: der Name Ihrer Ausgabespalte. Wenn Sie beispielsweise das Modell gemini-pro verwenden, lautet der Name der Ausgabespalte content.

• OUTPUT_COLUMN_TYPE: der Datentyp für OUTPUT_COLUMN_NAME

• PROJECT_ID: die ID Ihres Google Cloud Projekts

• REGION_ID: die ID der Google Cloud Region, in der sich das Modell befindet, z. B. us-central1

• MODEL_ID: die ID des ML-Modells, das Sie verwenden möchten, z. B. gemini-pro

  Weitere Informationen zu Modellen finden Sie in der Modell API-Referenz für generative KI.

Verwenden Sie die ML.PREDICT GoogleSQL-Funktion mit dem in Model Garden ausgewählten Modell, um Ihre Vorhersage zu generieren.

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

Ersetzen Sie Folgendes:

• MODEL_NAME: der Name, den Sie Ihrem Modell geben möchten

  Weitere Informationen zu Modellen finden Sie in der Modell API-Referenz für generative KI.

• INPUT_RELATION: entweder TABLE table_name oder eine Unterabfrage, die die Tabelle oder Unterabfrage liefert, die Daten für die ML-Vorhersage bereitstellt.

• PARAMETERS: ein STRUCT-Wert, der von model_id unterstützte Parameter enthält.

Sie können auch SAFE.ML.PREDICT verwenden, um in Ihren Vorhersagen null anstelle eines Fehlers zurückzugeben. Das ist hilfreich, wenn Sie große Abfragen ausführen, bei denen einige fehlgeschlagene Vorhersagen tolerierbar sind.

PostgreSQL

Verwenden Sie die PostgreSQL-Funktion ML_PREDICT_ROW mit dem in Model Garden ausgewählten Modell, um Ihre Vorhersage zu generieren.

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

Ersetzen Sie Folgendes:

• PROJECT_ID: die ID Ihres Google Cloud Projekts

• REGION_ID: die ID der Google Cloud Region, in der sich das Modell befindet, z. B. us-central1

• MODEL_ID: die ID des ML-Modells, das Sie verwenden möchten, z. B. gemini-pro

  Weitere Informationen zu Modellen finden Sie in der Modell API-Referenz für generative KI.

• INSTANCES: die Eingaben für den Vorhersageaufruf im JSON-Format

• PARAMETERS: optionale Parameter für den Vorhersageaufruf im JSON-Format

Diese Abfrage erzeugt eine JSON-Antwort. Informationen zu den JSON-Antwortnachrichten des Modells finden Sie unter PredictResponse.

Vertex AI-Modellendpunkt verwenden

Wenn Sie ein trainiertes oder heruntergeladenes Modell mit der Spanner Vertex AI-Einbindung verwenden möchten, müssen Sie das Modell in Vertex AI bereitstellen. Weitere Informationen zum Bereitstellen eines Modells auf einem Endpunkt in Vertex AI finden Sie unter Modell auf einem Endpunkt bereitstellen.

GoogleSQL

Verwenden Sie die GoogleSQL-Funktion ML.PREDICT mit dem Modell in einem Vertex AI-Endpunkt, um Ihre Vorhersage zu generieren. Bevor Sie ein Modell mit ML.PREDICT() verwenden können, müssen Sie es mit der CREATE MODEL Anweisung registrieren. Jedes bereitgestellte Modell hat ein eigenes eindeutiges Schema. Das folgende Beispielschema stammt aus der Übersicht zu Klassifizierung und Regression.

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'
)

Ersetzen Sie Folgendes:

• PROJECT_ID: die ID Ihres Google Cloud Projekts

• LOCATION: die ID der Google Cloud Region, in der sich das Modell befindet, z. B. us-central1

• ENDPOINT_ID: die ID des ML-Modells, das Sie verwenden möchten, z. B. gemini-pro

  Weitere Informationen zu Modellen finden Sie in der Modell API-Referenz für generative KI.

Verwenden Sie die ML.PREDICT GoogleSQL-Funktion mit dem in Model Garden ausgewählten Modell, um Ihre Vorhersage zu generieren.

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

Ersetzen Sie Folgendes:

• MODEL_ID: die ID des ML-Modells, das Sie verwenden möchten.

• INPUT_RELATION: die Tabelle oder Unterabfrage, für die Sie die ML-Vorhersage ausführen möchten.

• PARAMETERS: ein STRUCT-Wert, der von model_name unterstützte Parameter enthält.

Diese Abfrage erzeugt eine Beziehung, die alle Ausgabespalten des Modells und alle Spalten der Eingabebeziehung enthält.

PostgreSQL

Verwenden Sie die PostgreSQL-Funktion ML.PREDICT mit dem Modell in einem Vertex AI-Endpunkt, um Ihre Vorhersage zu generieren.

  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: die ID des Google Cloud Projekts, in dem sich das Modell befindet

• REGION_ID: die ID der Region, in der sich das Modell befindet, z. B. us-central1 Google Cloud

• ENDPOINT_ID: die ID des Modellendpunkts

• INSTANCES: die Eingaben für den Vorhersageaufruf im JSON-Format

• PARAMETERS: optionale Parameter für den Vorhersageaufruf im JSON-Format

Diese Abfrage erzeugt eine JSON-Antwort. Informationen zu den JSON-Antwortnachrichten des Modells finden Sie unter PredictResponse.

Beispiele für die Verwendung von ML-Funktionen zum Generieren von Vorhersagen

Vorschau — Gemini in Spanner

Diese Funktion unterliegt den „Bedingungen für Pre-GA-Angebote“ im Abschnitt „Allgemeine Dienstbedingungen“ der dienstspezifischen Nutzungsbedingungen. Pre-GA‑Funktionen stehen in der vorliegenden Form zur Verfügung und bieten möglicherweise nur eingeschränkten Support. Weitere Informationen finden Sie unter den Beschreibungen der Startphase.

Im folgenden Beispiel wird das gemini-pro Modell aus Model Garden verwendet, um Text basierend auf einem kurzen Prompt zu generieren, der als Argument bereitgestellt wird. Dieses Modell ist als Teil von Gemini in Spanner verfügbar.

GoogleSQL

Modell gemini-pro registrieren

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
);

Ersetzen Sie Folgendes:

• PROJECT: die Projekt-ID
• LOCATION: die Region, in der Sie Vertex AI verwenden

Modell ausführen

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)
);

Erwartete Ausgabe

Die erwartete Ausgabe sieht so aus:

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

PostgreSQL

Modell ausführen

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}
    }'
);

Erwartete Ausgabe

Die erwartete Ausgabe sieht so aus:

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