Descripción general de Spanner AI

Spanner y sus capacidades de varios modelos se integran con Google Cloud's AI services y LangChain, un framework de código abierto, para ayudar a compilar aplicaciones de IA generativa. Puedes mejorar las aplicaciones con funciones como la búsqueda de similitud, la generación mejorada por recuperación (RAG) y los gráficos de conocimiento. Spanner compila esta funcionalidad sobre su base de escalabilidad, disponibilidad y coherencia.

Usa Spanner con la Búsqueda de vectores para implementar la búsqueda de similitud en datos de texto no estructurados. Spanner se integra con servicios como Gemini Enterprise Agent Platform para invocar la generación de embeddings de vectores a partir de datos de texto no estructurados. Estos embeddings son representaciones numéricas que reflejan el significado semántico del texto. Para encontrar elementos conceptualmente similares, usa funciones de distancia de vectores para encontrar vectores de embedding que sean más similares al embedding de la solicitud de búsqueda. Este proceso te permite compilar funciones como recomendaciones de productos o contenido.

Para comenzar, genera y propaga embeddings de vectores de Agent Platform de forma masiva para los datos de texto existentes. Para ello, puedes usar SQL y un modelo de embedding de Agent Platform, como el modelo text-embedding, descrito en la documentación de la API de embeddings de texto. Spanner admite el uso de vecinos más cercanos aproximados (ANN) y K-vecinos más cercanos (KNN) con embeddings de vectores de consulta. ANN usa un índice de vectores para una búsqueda rápida y escalable que muestra resultados aproximados. KNN realiza una búsqueda exhaustiva que muestra resultados más precisos, pero puede ser lenta para conjuntos de datos grandes. Puedes usar varias funciones de distancia de vectores para medir la similitud, incluidas las siguientes:

  • Distancia de coseno: Mide el coseno del ángulo entre dos vectores, lo que es útil para encontrar elementos con una orientación similar, independientemente de la magnitud.

  • Distancia euclidiana: Mide la distancia en línea recta entre dos vectores.

  • Producto punto: Calcula el producto de las magnitudes de los vectores y el coseno del ángulo entre ellos. Esta puede ser la opción más eficiente desde el punto de vista computacional para los vectores normalizados.

Para obtener más información, consulta los siguientes temas:

Genera predicciones de AA con SQL

Puedes usar consultas SQL en Spanner para invocar modelos de lenguaje grandes (LLM) que se implementan en Agent Platform. El acceso directo a los LLM te permite ejecutar predicciones para tareas como el análisis de sentimiento, la clasificación de texto y la traducción de datos almacenados en Spanner.

Con la función ML.PREDICT (GoogleSQL) o spanner.ML_PREDICT_ROW (PostgreSQL), puedes generar predicciones de aprendizaje automático (AA) sin tener que mover tus datos ni escribir código de la aplicación personalizado para interactuar con el LLM. Esto simplifica la arquitectura de tu aplicación y acerca las capacidades de AA a tus datos. Para obtener más información, consulta Genera predicciones de AA con SQL.

Usa el Protocolo de contexto del modelo (MCP) para conectarte a agentes de LLM

Puedes conectar tu instancia de Spanner a IDEs que admitan el Protocolo de contexto del modelo (MCP). El MCP es un protocolo abierto que puedes usar para conectar LLM a tus datos en Spanner. Después de la conexión, tus agentes de LLM pueden consultar tu instancia de Spanner e interactuar con ella. Para obtener más información, consulta Conecta tu IDE a Spanner.

Descubre estadísticas con los gráficos de Spanner

Para casos de uso de RAG más avanzados, Spanner Graph integra las capacidades de la base de datos de grafos con las fortalezas principales de Spanner. Spanner Graph te permite modelar, almacenar y consultar datos altamente conectados.

Integra Spanner Graph con LangChain para compilar aplicaciones de GraphRAG. Esta integración puede mejorar el RAG tradicional. GraphRAG te permite crear aplicaciones que capturen relaciones complejas entre entidades, como un gráfico de conocimiento. La integración usa consultas de grafos además de la Búsqueda de vectores para capturar relaciones complejas e implícitas en tus datos. El uso conjunto de consultas de grafos y la Búsqueda de vectores puede proporcionar respuestas más precisas y pertinentes de tu LLM que el uso de la Búsqueda de vectores por sí sola.

Para obtener más información, consulta Infraestructura de GraphRAG para IA generativa con Agent Platform y Spanner Graph.

Compila aplicaciones con tecnología de LLM a través de LangChain

Spanner proporciona varias clases para trabajar de forma programática con LangChain. LangChain es un framework de organización de LLM que proporciona la estructura, las herramientas y los componentes para optimizar los flujos de trabajo complejos de LLM. Usa LangChain para compilar aplicaciones de IA generativa y flujos de trabajo de RAG. Las clases de LangChain disponibles para Spanner incluyen las siguientes:

  • SpannerVectorStore: Almacena y busca embeddings de vectores para habilitar la búsqueda de similitud dentro de tu aplicación con la clase.

  • SpannerLoader: Carga datos de Spanner para usarlos en embeddings o para proporcionar un contexto específico a las cadenas de LLM con la clase.

  • SpannerChatMessageHistory: Habilita aplicaciones de IA conversacional almacenando el historial de conversaciones en una base de datos de Spanner.

Para obtener más información, consulta Compila aplicaciones con tecnología de LLM a través de LangChain y la biblioteca cliente de Spanner para LangChain.

Explora casos de uso

Usa las capacidades de IA de Spanner para compilar aplicaciones inteligentes para casos de uso como los siguientes:

  • Motores de recomendación de comercio electrónico: Genera embeddings de vectores para las descripciones de productos para potenciar un motor de recomendaciones. Este motor puede sugerir elementos similares a los clientes, lo que mejora su experiencia de compra y aumenta las ventas. Para obtener más información, consulta Usa la IA generativa para obtener recomendaciones personalizadas en una aplicación de comercio electrónico.

  • Administra el historial de mensajes de chat: Usa Spanner y LangChain para almacenar y recuperar el historial de conversaciones. Spanner almacena estos datos en una base de datos y proporciona la clase SpannerChatMessageHistory. Esta clase extiende una clase base de LangChain para guardar y recuperar mensajes de una base de datos. Para obtener más información, consulta Historial de mensajes de chat con Spanner.

  • Detección de fraude financiero: Usa Spanner Graph para analizar relaciones complejas entre usuarios, cuentas y transacciones para identificar patrones y anomalías sospechosos que son difíciles de detectar con las bases de datos relacionales tradicionales.

  • Vista integral del cliente: Con Spanner Graph, obtén una vista integral de los clientes haciendo un seguimiento de las relaciones, las preferencias y los historiales de compras. Esto proporciona recomendaciones personalizadas, campañas de marketing segmentadas y experiencias mejoradas de atención al cliente.

  • Redes sociales: Modela las actividades y las interacciones de los usuarios con Spanner Graph para proporcionar recomendaciones de amigos y descubrir contenido en las redes sociales.

¿Qué sigue?

Para obtener más información sobre la implementación de capacidades de IA en Spanner, consulta los siguientes temas: