Descripción general de Spanner AI

Spanner y sus capacidades de múltiples modelos se integran con los servicios de IA deGoogle Cloudy 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 aumentada por recuperación (RAG) y los gráficos de conocimiento. Spanner basa esta funcionalidad en 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 Vertex AI 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 los vectores de incorporación que son más similares a la incorporación de la solicitud de búsqueda. Este proceso te permite crear funciones como recomendaciones de productos o contenido.

Para comenzar, genera y completa de forma masiva los embeddings de vectores de Vertex AI para los datos de texto existentes. Para ello, puedes usar SQL y un modelo de embedding de Vertex AI, como el modelo text-embedding, que se describe 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 incorporaciones de vectores de consulta. La ANN usa un índice de vectores para realizar una búsqueda rápida y escalable que devuelve resultados aproximados. KNN realiza una búsqueda exhaustiva que devuelve 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 coseno: Mide el coseno del ángulo entre dos vectores, lo que resulta útil para encontrar elementos con una orientación similar, independientemente de la magnitud.

  • Distancia euclidiana: Mide la distancia lineal entre dos vectores.

  • Producto escalar: Calcula el producto de las magnitudes del vector y el coseno del ángulo entre ellos. Esta puede ser la opción más eficiente en términos de procesamiento para los vectores normalizados.

Para obtener más información, consulta los siguientes temas:

Genera predicciones de AA con SQL

Puedes usar consultas en SQL en Spanner para invocar modelos de lenguaje grandes (LLM) implementados en Vertex AI. El acceso directo a los LLM te permite ejecutar predicciones para tareas como el análisis de opiniones, la clasificación de texto y la traducción en los 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 Cómo generar predicciones de AA con SQL.

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

Puedes conectar tu instancia de Spanner a IDEs que admitan el Protocolo de contexto del modelo (MCP). MCP es un protocolo abierto que puedes usar para conectar LLMs a tus datos en Spanner. Después de la conexión, tus agentes de LLM pueden consultar e interactuar con tu instancia de Spanner. 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 gráficos con los puntos fuertes 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 la RAG tradicional. GraphRAG te permite crear aplicaciones que capturan relaciones complejas entre entidades, como un gráfico de conocimiento. La integración usa consultas de grafos además de la Búsqueda vectorial para capturar relaciones complejas e implícitas en tus datos. Usar las consultas de gráficos y la Búsqueda vectorial en conjunto puede proporcionar respuestas más precisas y pertinentes de tu LLM que usar solo la Búsqueda vectorial.

Para obtener más información, consulta Infraestructura de GraphRAG para la IA generativa con Vertex AI 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 basadas en 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 en tu aplicación con la clase.

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

  • SpannerChatMessageHistory: Almacena el historial de conversaciones en una base de datos de Spanner para habilitar las aplicaciones de IA conversacional.

Para obtener más información, consulta Compila aplicaciones con tecnología de LLM a través de LangChain y 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 recomendaciones de comercio electrónico: Genera incorporaciones vectoriales para las descripciones de productos y, así, potenciar un motor de recomendaciones. Este motor puede sugerir artículos 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 fraudes financieros: Usa Spanner Graph para analizar las relaciones complejas entre usuarios, cuentas y transacciones, y así identificar patrones y anomalías sospechosos que son difíciles de detectar con las bases de datos relacionales tradicionales.

  • Visión integral del cliente: Con Spanner Graph, obtén una visión 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 de servicio al cliente mejoradas.

  • Redes sociales: Modelan 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: