Erste Schritte mit Spanner für generative KI-Anwendungen

In dieser Anleitung wird gezeigt, wie Sie mit Spanner und der Gemini Enterprise Agent Platformeine generative KI-Anwendung erstellen.

Mit dieser Anwendung können Sie eine semantische Ähnlichkeitssuche durchführen und so Produkte finden, die einer Abfrage in natürlicher Sprache entsprechen. Dazu werden Einbettungen verwendet. Das sind numerische Darstellungen von Text, die die Bedeutung und den Kontext von Wörtern erfassen. Sie verwenden ein Agent Platform-Modell, um diese Einbettungen zu generieren, und speichern und suchen sie dann in Spanner. Dieser Ansatz ist besonders nützlich für Anwendungsfälle wie die Produktsuche, bei denen Nutzer möglicherweise in natürlicher Sprache beschreiben, was sie suchen, anstatt bestimmte Keywords zu verwenden.

In den folgenden Themen erfahren Sie, wie Sie Folgendes tun:

  1. Projekt erstellen Google Cloud
  2. Spanner-Instanz erstellen
  3. Datenbank erstellen
  4. Einbettungsmodell erstellen
  5. Daten in Spanner laden
  6. Einbettungen für Daten generieren
  7. KNN-Vektorähnlichkeitssuche durchführen
  8. Vektorsuche mit einem Vektorindex skalieren
  9. Ressourcen bereinigen

Informationen zu den Spanner-Preisen finden Sie unter Spanner-Preise.

Ein Codelab finden Sie unter Erste Schritte mit der Spanner-Vektorsuche.

Hinweis

Sie müssen ein Google Cloud Projekt erstellen, das mit einem Rechnungskonto verknüpft ist.

  1. Melden Sie sich in Ihrem Google Cloud Konto an. Wenn Sie noch nicht mit Google Cloudvertraut sind, erstellen Sie ein Konto, um die Leistung unserer Produkte in der Praxis sehen und bewerten zu können. Neukunden erhalten außerdem ein Guthaben von 300 $, um Arbeitslasten auszuführen, zu testen und bereitzustellen.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  3. Verify that billing is enabled for your Google Cloud project.

  4. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  5. Verify that billing is enabled for your Google Cloud project.

  6. Die Spanner API sollte automatisch aktiviert sein. Wenn nicht, aktivieren Sie sie manuell:

    Spanner API aktivieren
  7. Die Agent Platform API sollte automatisch aktiviert sein. Wenn nicht, aktivieren Sie sie manuell:

    Agent Platform API aktivieren

  1. Bitten Sie Ihren Administrator, Ihnen die IAM-Rolle „Cloud Spanner-Administrator “ (roles/spanner.admin) für Ihr Projekt zuzuweisen, um die Berechtigungen zu erhalten, die Sie zum Erstellen von Instanzen und Datenbanken benötigen.

  1. Wenn Sie nicht die Rolle „Cloud Spanner-Administrator“ haben, bitten Sie Ihren Administrator, Ihnen die IAM-Rolle Cloud Spanner-Datenbankleser (roles/spanner.databaseReader) für Ihr Projekt zuzuweisen, um die Berechtigungen zu erhalten, die Sie zum Abfragen von Spanner-Diagrammen benötigen.

Instanz erstellen

Wenn Sie Spanner zum ersten Mal verwenden, müssen Sie eine Instanz erstellen. Dabei handelt es sich um eine Zuordnung von Ressourcen, die von Spanner -Datenbanken verwendet werden. In diesem Abschnitt wird beschrieben, wie Sie mit der Google Cloud Console eine Instanz erstellen.

  1. Rufen Sie in der Google Cloud Console die Spanner Seite auf.

    Spanner aufrufen

  2. Wählen Sie ein Google Cloud Projekt aus oder erstellen Sie eines, falls Sie dies noch nicht getan haben.

  3. Führen Sie einen der folgenden Schritte aus:

    1. Wenn Sie noch keine Spanner-Instanz erstellt haben, klicken Sie auf der Seite Willkommen bei Spanner auf Bereitgestellte Instanz erstellen.
    2. Wenn Sie eine Spanner-Instanz erstellt haben, klicken Sie auf der Seite Instanzen auf Instanz erstellen.

  4. Wählen Sie auf der Seite Version auswählen die Option Enterprise Plus oder Enterprise aus.

    Die Spanner-Vektorsuche ist nur in der Enterprise- oder Enterprise Plus-Version verfügbar. Wenn Sie die verschiedenen Versionen vergleichen möchten, klicken Sie auf Versionen vergleichen. Weitere Informationen finden Sie in der Übersicht über Spanner-Versionen.

  5. Klicken Sie auf Weiter.

  6. Geben Sie unter Instanzname einen Instanznamen ein, z. B. test-instance.

  7. Behalten Sie die Instanz-ID unter Instanz-ID bei oder ändern Sie sie. Die Instanz-ID ist standardmäßig der Instanzname, Sie können sie aber ändern. Instanzname und Instanz-ID können gleich oder unterschiedlich sein.

  8. Klicken Sie auf Weiter.

  9. Führen Sie unter Konfiguration auswählen folgende Schritte aus:

    1. Lassen Sie Regional ausgewählt.
    2. Wählen Sie unter Konfiguration auswählen eine Region aus. In der ausgewählten Region werden Ihre Instanzen gespeichert und repliziert.
    3. Klicken Sie auf Weiter.

  10. Führen Sie unter Rechenkapazität konfigurieren folgende Schritte aus:

    1. Wählen Sie unter Einheit auswählen die Option Verarbeitungseinheiten aus.
    2. Lassen Sie unter Skalierungsmodus auswählen die Option Manuelle Zuordnung ausgewählt und behalten Sie unter Menge 1.000 Verarbeitungseinheiten bei.

  11. Klicken Sie auf Erstellen. In der Google Cloud Console wird die Seite Übersicht für die erstellte Instanz angezeigt.

Datenbank erstellen

Nachdem die Instanz ausgeführt wird, können Sie die Datenbank erstellen. Sie definieren das Schema in der Datenbank .

  1. Rufen Sie in der Google Cloud Console die Seite **Spanner-Instanzen** auf.

    Spanner-Instanzen aufrufen

  2. Klicken Sie auf die erstellte Instanz, z. B. test-instance.

  3. Klicken Sie unter Übersicht unter dem Namen der Instanz auf Datenbank erstellen.

  4. Geben Sie unter Datenbankname einen Datenbanknamen ein. Beispiel: example-db.

  5. Wählen Sie unter Datenbankdialekt auswählen die Option „Google Standard-SQL“ aus.

    Die Spanner-Vektorsuche ist im PostgreSQL-Dialekt nicht verfügbar.

  6. Kopieren Sie das folgende Schema und fügen Sie es auf dem Tab DDL-Vorlagen des Editors ein. Das Schema definiert eine Tabelle Products.

      CREATE TABLE products (
    categoryId INT64 NOT NULL,
    productId INT64 NOT NULL,
    productName STRING(MAX) NOT NULL,
    productDescription STRING(MAX) NOT NULL,
    productDescriptionEmbedding ARRAY<FLOAT32>,
    createTime TIMESTAMP NOT NULL OPTIONS (
    allow_commit_timestamp = true
    ), inventoryCount INT64 NOT NULL,
    priceInCents INT64,
  ) PRIMARY KEY(categoryId, productId);

  7. Nehmen Sie unter Verschlüsselungsoptionen anzeigen keine Änderungen vor.

  8. Klicken Sie auf Erstellen. Google Cloud In der Console wird die Seite Übersicht für die erstellte Datenbank angezeigt.

Einbettungsmodell erstellen

Wenn Sie die CREATE MODEL DDL-Anweisung in Spanner verwenden, registrieren Sie einen Verweis auf den Endpunkt des Agent Platform-Modells aus Ihrer Datenbank. Nachdem Sie das Modell registriert haben, können Sie mit der ML.PREDICT Funktion in Ihren Abfragen darauf zugreifen.

Im folgenden Beispiel wird gezeigt, wie Sie ein Agent Platform Modell zur Texteinbettung, das dann für die Ähnlichkeitssuche verwendet wird, um ähnliche Produkte in einer Datenbank zu finden, registrieren.

  1. Klicken Sie auf der Seite Übersicht der Datenbank auf Spanner Studio.
  2. Klicken Sie auf der Seite Spanner Studio auf Neuer Tab oder verwenden Sie den leeren Editor-Tab.

  3. Geben Sie Folgendes ein:

    CREATE MODEL EmbeddingsModel INPUT(
content STRING(MAX),
) OUTPUT(
embeddings STRUCT<values ARRAY<FLOAT32>>,
) REMOTE OPTIONS (
endpoint = '//aiplatform.googleapis.com/projects/PROJECT_ID/locations/us-central1/publishers/google/models/TEXT_EMBEDDING_MODEL'
);

    Ersetzen Sie Folgendes:

    • PROJECT_ID: Eine permanente Kennung, die für Ihr Google Cloud Projekt eindeutig ist.
    • TEXT_EMBEDDING_MODEL: Der Name des Modells zur Texteinbettung. Eine Liste der Agent Platform-Modelle zur Texteinbettung finden Sie unter Unterstützte Modelle.

  4. Klicken Sie auf Ausführen , um das Modell zu erstellen.

    Nachdem das Modell erfolgreich hinzugefügt wurde, wird es im Bereich Explorer angezeigt.

Daten laden

So laden Sie die Cymbal-Beispieldaten in die Tabelle products:

  1. Kopieren Sie in einem neuen Tab in Spanner Studio die folgende Einfüge anweisung und fügen Sie sie ein:

    INSERT INTO products (categoryId, productId, productName, productDescription, createTime, inventoryCount, priceInCents)
VALUES (1, 1, "Cymbal Helios Helmet", "Safety meets style with the Cymbal children's bike helmet. Its lightweight design, superior ventilation, and adjustable fit ensure comfort and protection on every ride. Stay bright and keep your child safe under the sun with Cymbal Helios!", PENDING_COMMIT_TIMESTAMP(), 100, 10999),
      (1, 2, "Cymbal Sprout", "Let their cycling journey begin with the Cymbal Sprout, the ideal balance bike for beginning riders ages 2-4 years. Its lightweight frame, low seat height, and puncture-proof tires promote stability and confidence as little ones learn to balance and steer. Watch them sprout into cycling enthusiasts with Cymbal Sprout!", PENDING_COMMIT_TIMESTAMP(), 10, 13999),
      (1, 3, "Cymbal Spark Jr.", "Light, vibrant, and ready for adventure, the Spark Jr. is the perfect first bike for young riders (ages 5-8). Its sturdy frame, easy-to-use brakes, and puncture-resistant tires inspire confidence and endless playtime. Let the spark of cycling ignite with Cymbal!", PENDING_COMMIT_TIMESTAMP(), 34, 13900),
      (1, 4, "Cymbal Summit", "Conquering trails is a breeze with the Summit mountain bike. Its lightweight aluminum frame, responsive suspension, and powerful disc brakes provide exceptional control and comfort for experienced bikers navigating rocky climbs or shredding downhill. Reach new heights with Cymbal Summit!", PENDING_COMMIT_TIMESTAMP(), 0, 79999),
      (1, 5, "Cymbal Breeze", "Cruise in style and embrace effortless pedaling with the Breeze electric bike. Its whisper-quiet motor and long-lasting battery let you conquer hills and distances with ease. Enjoy scenic rides, commutes, or errands with a boost of confidence from Cymbal Breeze!", PENDING_COMMIT_TIMESTAMP(), 72, 129999),
      (1, 6, "Cymbal Trailblazer Backpack", "Carry all your essentials in style with the Trailblazer backpack. Its water-resistant material, multiple compartments, and comfortable straps keep your gear organized and accessible, allowing you to focus on the adventure. Blaze new trails with Cymbal Trailblazer!", PENDING_COMMIT_TIMESTAMP(), 24, 7999),
      (1, 7, "Cymbal Phoenix Lights", "See and be seen with the Phoenix bike lights. Powerful LEDs and multiple light modes ensure superior visibility, enhancing your safety and enjoyment during day or night rides. Light up your journey with Cymbal Phoenix!", PENDING_COMMIT_TIMESTAMP(), 87, 3999),
      (1, 8, "Cymbal Windstar Pump", "Flat tires are no match for the Windstar pump. Its compact design, lightweight construction, and high-pressure capacity make inflating tires quick and effortless. Get back on the road in no time with Cymbal Windstar!", PENDING_COMMIT_TIMESTAMP(), 36, 24999),
      (1, 9,"Cymbal Odyssey Multi-Tool","Be prepared for anything with the Odyssey multi-tool. This handy gadget features essential tools like screwdrivers, hex wrenches, and tire levers, keeping you ready for minor repairs and adjustments on the go. Conquer your journey with Cymbal Odyssey!", PENDING_COMMIT_TIMESTAMP(), 52, 999),
      (1, 10,"Cymbal Nomad Water Bottle","Stay hydrated on every ride with the Nomad water bottle. Its sleek design, BPA-free construction, and secure lock lid make it the perfect companion for staying refreshed and motivated throughout your adventures. Hydrate and explore with Cymbal Nomad!", PENDING_COMMIT_TIMESTAMP(), 42, 1299);

  2. Klicken Sie auf Ausführen , um die Daten einzufügen.

Vektoreinbettungen generieren

Nachdem Sie ein Modell registriert und Daten in Spanner geladen haben, können Sie Vektoreinbettungen mit den Produktbeschreibungen aus Ihren Daten generieren. Vektoreinbettungen wandeln Textdaten in einen numerischen Wert um, der die Bedeutung und den Kontext von Wörtern erfasst. Diese Transformation ist entscheidend für die Durchführung einer semantischen Suche.

In diesem Schritt füllen Sie die productDescriptionEmbedding Spalte indem Sie mit ML.PREDICT Einbettungen aus der productDescription Spalte generieren. So können Sie im nächsten Schritt eine Vektorähnlichkeitssuche durchführen.

  1. Kopieren Sie in einem neuen Tab in Spanner Studio die folgende Aktualisierungsanweisung und fügen Sie sie ein:

    UPDATE products p1
SET productDescriptionEmbedding =
  (SELECT embeddings.values
    FROM ML.PREDICT(MODEL EmbeddingsModel,
      (SELECT p1.productDescription as content)
    )
  )
WHERE categoryId=1;

  2. Klicken Sie auf Ausführen , um die Einbettungen zu generieren.

Im folgenden Beispiel geben Sie eine Suchanfrage in natürlicher Sprache mit einer SQL-Abfrage an. Die SQL-Abfrage führt eine Vektorähnlichkeitssuche mit den zuvor generierten Vektoreinbettungen durch. Die Abfrage führt die Suche so aus:

  • Mit ML.PREDICT wird eine Einbettung für die angegebene Suchanfrage generiert („Ich möchte ein Anfängerfahrrad für mein dreijähriges Kind kaufen“).
  • Berechnet den COSINE_DISTANCE zwischen dieser Abfrageeinbettung und der productDescriptionEmbedding jedes Produkts in der Tabelle „products“, um ähnliche Ergebnisse in Ihrem Cymbal-Shop zu finden.
  • Filtert die Ergebnisse, um nur Produkte mit einem inventoryCount größer als 0 einzubeziehen.
  • Sortiert die Ergebnisse nach der berechneten Entfernung und gibt die fünf besten Übereinstimmungen zusammen mit productName, productDescription und inventoryCount zurück.

  1. Kopieren Sie in einem neuen Tab in Spanner Studio die folgende Abfrage und fügen Sie sie ein:

    SELECT productName, productDescription, inventoryCount,
  COSINE_DISTANCE(
    productDescriptionEmbedding,
    (
      SELECT embeddings.values
      FROM
        ML.PREDICT(
          MODEL EmbeddingsModel,
          (SELECT "I'd like to buy a starter bike for my 3 year old child" AS content))
    )) AS distance
FROM products
WHERE inventoryCount > 0
ORDER BY distance
LIMIT 5;

  2. Klicken Sie auf Ausführen , um die Produkte zurückzugeben, die am besten zu Ihrem Suchtext passen.

    Beispielausgabe:

    /*-----------------+--------------------+----------------+--------------------*
| productName      | productDescription | inventoryCount | distance           |
+------------------+--------------------+----------------+--------------------+
| Cymbal Sprout    | Let their cycling  | 10             | 0.3094387191860244 |
|                  | journey begin with |                |                    |
|                  | the Cymbal Sprout, |                |                    |
|                  | the ideal balance  |                |                    |
|                  | bike for beginning |                |                    |
|                  | riders ages 2-4    |                |                    |
|                  | years...           |                |                    |
| Cymbal Spark Jr  | Light, vibrant,    | 34             | 0.3412342902117166 |
|                  | and ready for      |                |                    |
|                  | adventure, the     |                |                    |
|                  | Spark Jr. is the   |                |                    |
|                  | perfect first bike |                |                    |
|                  | for young riders   |                |                    |
|                  | (ages 5-8)...      |                |                    |
| Cymbal Helios    | Safety meets style | 100            | 0.4197863319656684 |
| Helmet           | with the Cymbal    |                |                    |
|                  | children's bike    |                |                    |
|                  | helmet...          |                |                    |
| Cymbal Breeze    | Cruise in style and| 72             | 0.485231776523978  |
|                  | embrace effortless |                |                    |
|                  | pedaling with the  |                |                    |
|                  | Breeze electric    |                |                    |
|                  | bike...            |                |                    |
| Cymbal Phoenix   | See and be seen    | 87             | 0.525101413779242  |
| Lights           | with the Phoenix   |                |                    |
|                  | bike lights...     |                |                    |
*------------------+--------------------+----------------+--------------------*/

Im vorherigen Beispiel für die Vektorsuche wird die exakte, KNN-Vektorsuche (K-Nearest Neighbors) verwendet. Die KNN-Vektorentfernungsfunktionen (Kosinusentfernung, euklidische Entfernung und Skalarprodukt) sind hilfreich, wenn Sie eine bestimmte Teilmenge Ihrer Spanner-Daten abfragen können. Da bei der KNN-Suche die genaue Entfernung zwischen einem Abfragevektor und allen Vektoren in der Datenbank berechnet wird, ist sie effizient, wenn Sie die Daten partitionieren können. Wenn Ihre Abfrage den Abfragevektor ohne bestimmte Filter mit allen Vektoren in Ihrer Datenbank vergleichen muss und Sie die Abfrage nicht in unabhängige Unterabfragen aufteilen können, kann es bei der Verwendung von KNN zu Leistungsproblemen kommen. In diesen Situationen ist die ANN-Vektorsuche (Approximate Nearest Neighbors) nützlich. Weitere Informationen finden Sie unter Ungefähre nächste Nachbarn finden.

Wenn Ihre Arbeitslasten nicht partitionierbar sind und Sie eine große Datenmenge haben, können Sie die ANN-Vektorsuche verwenden, um die Abfrageleistung für größere Datensätze zu verbessern.

So skalieren Sie die ANN-Vektorsuche in Spanner und verwenden sie:

Vektorindex erstellen

Spanner beschleunigt ANN-Vektorsuchen mit einem speziellen Vektorindex, der Scalable Nearest Neighbor (ScaNN) von Google Research's nutzt.

Wenn Sie einen Vektorindex in Ihrem Dataset erstellen möchten, müssen Sie die Spalte productDescriptionEmbeddings ändern, um eine vector_length-Annotation zu definieren. Die Annotation vector_length gibt die Dimension jedes Vektors an. Mit den folgenden DDL-Anweisungen wird die Spalte productDescriptionEmbedding gelöscht und mit der vector_length neu erstellt. Die maximale Länge (Dimension) des Vektors variiert je nach dem Einbettungsmodell , das Sie ausgewählt haben.

  1. Kopieren Sie in einem neuen Tab in Spanner Studio die folgende DDL -Anweisung und fügen Sie sie ein, um die productDescriptionEmbedding Spalte neu zu erstellen:

    ALTER TABLE products DROP COLUMN productDescriptionEmbedding;
ALTER TABLE products
  ADD COLUMN productDescriptionEmbedding ARRAY<FLOAT32>(vector_length=>VECTOR_LENGTH_VALUE);

    Ersetzen Sie VECTOR_LENGTH_VALUE durch die maximale Ausgabedimension des ausgewählten Einbettungsmodells.

  2. Klicken Sie auf Ausführen.

  3. Kopieren Sie die folgende Einfügeanweisung und fügen Sie sie ein, um die Vektoreinbettungen neu zu generieren:

    UPDATE products p1
SET productDescriptionEmbedding =
(SELECT embeddings.values from ML.PREDICT(MODEL EmbeddingsModel,
(SELECT p1.productDescription as content)))
WHERE categoryId=1;

  4. Klicken Sie auf Ausführen.

  5. Kopieren Sie die folgende DDL-Anweisung und fügen Sie sie ein, um den Vektorindex zu erstellen:

    CREATE VECTOR INDEX ProductDescriptionEmbeddingIndex
    ON products(productDescriptionEmbedding)
    WHERE productDescriptionEmbedding IS NOT NULL
OPTIONS (
distance_type = 'COSINE'
);

  6. Klicken Sie auf Ausführen.

ANN-Vektorentfernungsfunktion verwenden

Wenn Sie die ANN-Vektorsuche in Spanner verwenden möchten, ändern Sie in Ihrer SQL-Abfrage Folgendes:

  • Generieren Sie die Prompt-Einbettung separat und nicht in der SQL-Abfrage.
  • Kopieren Sie die Ergebnisse der Einbettungen in die Abfrage.
  • Verwenden Sie den Hinweis FORCE_INDEX, um auf den neuen Vektorindex zu verweisen: @{force_index=ProductDescriptionEmbeddingIndex}
  • Verwenden Sie die APPROX_COSINE_DISTANCE Vektorentfernungsfunktion anstelle von COSINE_DISTANCE. Die Option JSON '{"num_leaves_to_search": num_leaves}' ist erforderlich.

  1. Kopieren Sie in einem neuen Tab in Spanner Studio die folgende Abfrage und fügen Sie sie ein, um die Prompt-Einbettung zu generieren und die Vektorsuche durchzuführen:

    -- Generate the prompt embedding
WITH embedding AS (
  SELECT embeddings.values
  FROM ML.PREDICT(
    MODEL EmbeddingsModel,
      (SELECT "I'd like to buy a starter bike for my 3 year old child" as content)
  )
)
-- Use embedding to find the most similar entries in the database
SELECT productName, productDescription, inventoryCount,
  (APPROX_COSINE_DISTANCE(productDescriptionEmbedding,
   embedding.values,
  options => JSON '{"num_leaves_to_search": 10}')) as distance
FROM products @{force_index=ProductDescriptionEmbeddingIndex}, embedding
WHERE productDescriptionEmbedding IS NOT NULL AND inventoryCount > 0
ORDER BY distance
LIMIT 5;

  2. Klicken Sie auf Ausführen.

    Beispielausgabe:

    /*-----------------+--------------------+----------------+--------------------*
| productName      | productDescription | inventoryCount | distance           |
+------------------+--------------------+----------------+--------------------+
| Cymbal Sprout    | Let their cycling  | 10             | 0.30935457151661594|
|                  | journey begin with |                |                    |
|                  | the Cymbal Sprout, |                |                    |
|                  | the ideal balance  |                |                    |
|                  | bike for beginning |                |                    |
|                  | riders ages 2-4    |                |                    |
|                  | years...           |                |                    |
| Cymbal Spark Jr  | Light, vibrant,    | 34             | 0.34116496551593656|
|                  | and ready for      |                |                    |
|                  | adventure, the     |                |                    |
|                  | Spark Jr. is the   |                |                    |
|                  | perfect first bike |                |                    |
|                  | for young riders   |                |                    |
|                  | (ages 5-8)...      |                |                    |
| Cymbal Helios    | Safety meets style | 100            | 0.4198014303921187 |
| Helmet           | with the Cymbal    |                |                    |
|                  | children's bike    |                |                    |
|                  | helmet...          |                |                    |
| Cymbal Breeze    | Cruise in style and| 72             | 0.4850674854267337 |
|                  | embrace effortless |                |                    |
|                  | pedaling with the  |                |                    |
|                  | Breeze electric    |                |                    |
|                  | bike...            |                |                    |
| Cymbal Phoenix   | See and be seen    | 87             | 0.525101413779242  |
| Lights           | with the Phoenix   |                |                    |
|                  | bike lights...     |                |                    |
*------------------+--------------------+----------------+--------------------*/

    Der Cymbal Sprout hat mit einem APPROX_COSINE_DISTANCE von 0,30935457151661594 die höchste Ähnlichkeit mit der ursprünglichen Abfrage.

    Weitere Informationen zum Interpretieren der Beziehung zwischen Vektor funktionen und Ähnlichkeit finden Sie unter Vektorentfernungsfunktionen auswählen, um die Ähnlichkeit von Vektoreinbettungen zu messen.

Bereinigen

In diesem Abschnitt wird beschrieben, wie Sie mit der Google Cloud Console Ressourcen bereinigen. Löschen Sie die Datenbank und die Instanz, die Sie bei der Einrichtung erstellt haben, um zusätzliche Kosten für Ihr Cloud-Rechnungskonto zu vermeiden. Beim Löschen einer Instanz werden alle in dieser Instanz erstellten Datenbanken gelöscht.

Datenbank löschen

  1. Rufen Sie in der Google Cloud Console die Seite Spanner-Instanzen auf.

    Spanner-Instanzen aufrufen

  2. Klicken Sie auf den Namen der Instanz, die die zu löschende Datenbank enthält, z. B. test-instance.

  3. Klicken Sie auf den Namen der Datenbank, die Sie löschen möchten, z. B. example-db.

  4. Klicken Sie auf der Seite Datenbankübersicht auf „Löschen“ delete Datenbank löschen.

  5. Bestätigen Sie, dass Sie die Datenbank löschen möchten, indem Sie den Datenbanknamen eingeben und auf Löschen klicken.

Instanz löschen

  1. Rufen Sie in der Google Cloud Console die Seite Spanner-Instanzen auf.

    Spanner-Instanzen aufrufen

  2. Klicken Sie auf den Namen der Instanz, die Sie löschen möchten, z. B. test-instance.

  3. Klicken Sie auf Instanz löschen.

  4. Bestätigen Sie, dass Sie die Instanz löschen möchten, indem Sie den Instanznamen eingeben und auf Löschen klicken.

Nächste Schritte