ייצוא הטמעות מ-Spanner ל-Vertex AI Vector Search

‫Vertex AI Vector Search מאפשר למשתמשים לחפש פריטים דומים מבחינה סמנטית באמצעות הטמעות וקטוריות. באמצעות תהליך העבודה Spanner To Vertex AI Vector Search, אפשר לשלב את מסד הנתונים של Spanner עם Vector Search כדי לבצע חיפוש דמיון וקטורי בנתוני Spanner.

בתרשים הבא מוצג תהליך העבודה של האפליקציה מקצה לקצה, שמתאר איך אפשר להפעיל את התכונה 'חיפוש וקטורי' ולהשתמש בה בנתוני Spanner:

תהליך העבודה של Spanner ל-Vector Search.

תהליך העבודה הכללי הוא כזה:

  1. יצירה ואחסון של הטמעות וקטוריות.

    אתם יכולים ליצור הטבעות וקטוריות של הנתונים, ואז לאחסן ולנהל אותן ב-Spanner יחד עם הנתונים התפעוליים. אתם יכולים ליצור הטבעות באמצעות פונקציית ML.PREDICT SQL של Spanner כדי לגשת למודל הטבעת הטקסט של Vertex AI או להשתמש במודלים אחרים של הטבעות שפריסתם ב-Vertex AI.

  2. סנכרון ההטמעות עם Vector Search

    משתמשים בתהליך העבודה Spanner To Vertex AI Vector Search, שנפרס באמצעות Workflows, כדי לייצא ולהעלות הטבעות לאינדקס של Vector Search. אפשר להשתמש ב-Cloud Scheduler כדי לתזמן את תהליך העבודה הזה באופן תקופתי, וכך לשמור על עדכניות האינדקס של חיפוש וקטורי עם השינויים האחרונים בהטמעות ב-Spanner.

  3. ביצוע חיפוש דמיון וקטורי באמצעות אינדקס Vector Search.

    שליחת שאילתה לאינדקס החיפוש הווקטורי כדי לחפש ולמצוא תוצאות של פריטים דומים מבחינה סמנטית. אפשר לשלוח שאילתות באמצעות נקודת קצה ציבורית או באמצעות קישור (peering) בין רשתות VPC שכנות.

תרחיש שימוש לדוגמה

תרחיש שימוש להמחשה בחיפוש וקטורי הוא קמעונאי אונליין שיש לו מלאי של מאות אלפי פריטים. בתרחיש הזה, אתם מפתחים בחנות קמעונאית אונליין, ואתם רוצים להשתמש בחיפוש דמיון וקטורי בקטלוג המוצרים שלכם ב-Spanner כדי לעזור ללקוחות למצוא מוצרים רלוונטיים על סמך שאילתות החיפוש שלהם.

כדי ליצור הטבעות וקטוריות לקטלוג המוצרים ולסנכרן את ההטבעות האלה עם Vector Search, פועלים לפי שלב 1 ושלב 2 שמוצגים בתהליך העבודה הכללי.

עכשיו דמיינו לקוח שמבצע חיפוש באפליקציה שלכם, למשל "מכנסי ספורט קצרים שמתייבשים מהר ואפשר ללבוש אותם במים". כשהאפליקציה מקבלת את השאילתה הזו, צריך ליצור הטמעה של הבקשה עבור בקשת החיפוש הזו באמצעות פונקציית ה-SQL של Spanner‏ ML.PREDICT. חשוב לוודא שאתם משתמשים באותו מודל הטמעה ששימש ליצירת ההטמעות של קטלוג המוצרים.

לאחר מכן, שולחים שאילתה לאינדקס של Vector Search כדי לקבל מזהי מוצרים שההטבעות התואמות שלהם דומות להטבעת הבקשה שנוצרה מבקשת החיפוש של הלקוח. יכול להיות שמדד החיפוש ימליץ על מזהי מוצרים של פריטים דומים מבחינה סמנטית, כמו מכנסיים קצרים לווייקבורד, בגדי גלישה ומכנסי שחייה.

אחרי שחיפוש וקטורי מחזיר את מזהי המוצרים הדומים האלה, אפשר לשלוח שאילתה ל-Spanner כדי לקבל את תיאורי המוצרים, את מספר הפריטים במלאי, את המחיר ומטא-נתונים רלוונטיים אחרים, ולהציג אותם ללקוח.

אפשר גם להשתמש ב-AI גנרטיבי כדי לעבד את התוצאות שמוחזרות מ-Spanner לפני שמציגים אותן ללקוח. לדוגמה, אפשר להשתמש במודלים גדולים של AI גנרטיבי מבית Google כדי ליצור סיכום תמציתי של המוצרים המומלצים. מידע נוסף זמין במדריך הזה בנושא שימוש ב-AI גנרטיבי כדי לקבל המלצות מותאמות אישית באפליקציית מסחר אלקטרוני.

המאמרים הבאים