Registra e chiama i modelli di IA remota utilizzando la gestione degli endpoint dei modelli

Questa pagina descrive come richiamare le previsioni o generare embedding utilizzando un modello e poi registrare l'endpoint del modello con la gestione degli endpoint del modello.

Per ulteriori informazioni sulla funzione google_ml.create_model(), consulta la documentazione di riferimento per la gestione degli endpoint del modello.

Prima di iniziare

  • In base al provider del modello, configura l'autenticazione.
  • Assicurati di utilizzare il nome utente predefinito postgres per accedere al database.

Abilitare l'estensione

  1. Imposta il flag di database google_ml_integration.enable_model_support su on per l'istanza. Per ulteriori informazioni sull'impostazione dei flag di database, consulta Configurare i flag di database.

  2. Connettiti all'istanza principale utilizzando un client psql o Cloud SQL Studio.

  3. Esegui il comando seguente per assicurarti che l'estensione google_ml_integration sia aggiornata alla versione 1.4.2:

        ALTER EXTENSION google_ml_integration UPDATE TO '1.4.2'

  4. Aggiungi l'estensione google_ml_integration versione 1.4.2 utilizzando psql:

      CREATE EXTENSION google_ml_integration VERSION '1.4.2';

  5. (Facoltativo) Concedi l'autorizzazione a un utente PostgreSQL non superutente per gestire i metadati del modello:

      GRANT SELECT, INSERT, UPDATE, DELETE ON ALL TABLES IN SCHEMA google_ml TO NON_SUPER_USER;

    Sostituisci NON_SUPER_USER con il nome utente PostgreSQL non superutente.

Configurare l'autenticazione

Le sezioni seguenti mostrano come configurare l'autenticazione prima di aggiungere un endpoint del modello Vertex AI o endpoint del modello ospitati all'interno Google Cloud.

Configurare l'autenticazione per Vertex AI

Per utilizzare gli endpoint del modello Google Vertex AI, devi aggiungere le autorizzazioni Vertex AI al account di servizio Cloud SQL basato su IAM che utilizzi per connetterti al database. Per ulteriori informazioni sull' integrazione con Vertex AI, consulta Integrare Cloud SQL con Vertex AI.

Configurare l'autenticazione per i modelli ospitati dal cliente

Questa sezione spiega come configurare l'autenticazione se utilizzi Secret Manager. Per tutti i modelli, ad eccezione degli endpoint del modello Vertex AI, puoi archiviare le tue chiavi API o i token di autenticazione in Secret Manager.

Se l'endpoint del modello non gestisce l'autenticazione tramite Secret Manager, questa sezione è facoltativa. Ad esempio, se l'endpoint del modello utilizza le intestazioni HTTP per trasmettere le informazioni di autenticazione o non utilizza affatto l'autenticazione, non completare i passaggi in questa sezione.

Per creare e utilizzare una chiave API o un token di autenticazione, completa i seguenti passaggi:

  1. Crea un secret in Secret Manager. Per ulteriori informazioni, consulta Creare un secret e accedere a una versione del secret.

    Il nome e il percorso del secret vengono utilizzati nella google_ml.create_sm_secret() funzione SQL.

  2. Concedi all'istanza Cloud SQL le autorizzazioni per accedere al secret.

      gcloud secrets add-iam-policy-binding SECRET_ID \
      --member="serviceAccount:SERVICE_ACCOUNT_EMAIL" \
      --role="roles/secretmanager.secretAccessor"

    Sostituisci quanto segue:

    • SECRET_ID: l'ID del secret in Secret Manager.
    • SERVICE_ACCOUNT_EMAIL: l'indirizzo email del account di servizio Cloud SQL basato su IAM. Per trovare questo indirizzo email, utilizza il gcloud sql instances describe INSTANCE_NAME comando e sostituisci INSTANCE_NAME con il nome dell'istanza. Il valore visualizzato accanto al parametro serviceAccountEmailAddress è l'indirizzo email.

Modelli di text embedding con supporto integrato

Questa sezione mostra come registrare gli endpoint del modello per la gestione degli endpoint del modello.

Modelli di embedding Vertex AI

La gestione degli endpoint del modello fornisce il supporto integrato per tutte le versioni dei text-embedding-gecko, text-embedding, e gemini-embedding modelli di Vertex AI. Utilizza il nome completo per impostare la versione del modello su textembedding-gecko@001 o textembedding-gecko@002.

Poiché gli ID degli endpoint del modello di embedding Vertex AI sono supportati per impostazione predefinita dalla gestione degli endpoint del modello, puoi utilizzarli direttamente come ID del modello. Per questi modelli, l'estensione configura automaticamente le funzioni di trasformazione predefinite.

Assicurati che sia l'istanza Cloud SQL sia il modello Vertex AI su cui stai eseguendo query si trovino nella stessa regione.

Per registrare l'endpoint del modello textembedding-gecko@002, chiama la funzione create_model:

  CALL
    google_ml.create_model(
      model_id => 'textembedding-gecko@002',
      model_provider => 'google',
      model_qualified_name => 'textembedding-gecko@002',
      model_type => 'text_embedding',
      model_auth_type => 'cloudsql_service_agent_iam');

Modelli di text embedding ospitati dal cliente

Questa sezione mostra come registrare gli endpoint del modello personalizzato ospitati in reti all'interno di Google Cloud.

L'aggiunta di endpoint del modello di text embedding ospitati dal cliente comporta la creazione di funzioni di trasformazione e, facoltativamente, di intestazioni HTTP personalizzate. D'altra parte, l'aggiunta di endpoint del modello generico ospitati dal cliente comporta, facoltativamente, la generazione di intestazioni HTTP personalizzate e l'impostazione dell'URL della richiesta del modello.

L'esempio seguente aggiunge l'endpoint del modello di text embedding custom-embedding-model ospitato da Cymbal, che è ospitato all'interno di Google Cloud. Le funzioni di trasformazione cymbal_text_input_transform e cymbal_text_output_transform vengono utilizzate per trasformare il formato di input e output del modello nel formato di input e output della funzione di previsione.

Per registrare gli endpoint del modello di text embedding ospitati dal cliente, completa i seguenti passaggi:

  1. Chiama il secret archiviato in Secret Manager:

    CALL
  google_ml.create_sm_secret(
    secret_id => 'SECRET_ID',
    secret_path => 'projects/project-id/secrets/SECRET_MANAGER_SECRET_ID/versions/VERSION_NUMBER');

    Sostituisci quanto segue:

    • SECRET_ID: l'ID del secret che hai impostato e che viene utilizzato in seguito durante la registrazione di un endpoint del modello, ad esempio key1.
    • SECRET_MANAGER_SECRET_ID: l'ID del secret impostato in Secret Manager quando hai creato il secret.
    • PROJECT_ID: l'ID del tuo Google Cloud progetto.
    • VERSION_NUMBER: il numero di versione dell'ID del secret.

  2. Crea le funzioni di trasformazione di input e output in base alla seguente firma per la funzione di previsione per gli endpoint del modello di text embedding. Per ulteriori informazioni su come creare funzioni di trasformazione, consulta Esempio di funzioni di trasformazione.

    Di seguito sono riportate le funzioni di trasformazione di esempio specifiche per l'endpoint del modello di text embedding custom-embedding-model:

    -- Input Transform Function corresponding to the custom model endpoint
CREATE OR REPLACE FUNCTION cymbal_text_input_transform(model_id VARCHAR(100), input_text TEXT)
RETURNS JSON
LANGUAGE plpgsql
AS $$
DECLARE
  transformed_input JSON;
  model_qualified_name TEXT;
BEGIN
  SELECT json_build_object('prompt', json_build_array(input_text))::JSON INTO transformed_input;
  RETURN transformed_input;
END;
$$;
-- Output Transform Function corresponding to the custom model endpoint
CREATE OR REPLACE FUNCTION cymbal_text_output_transform(model_id VARCHAR(100), response_json JSON)
RETURNS REAL[]
LANGUAGE plpgsql
AS $$
DECLARE
  transformed_output REAL[];
BEGIN
  SELECT ARRAY(SELECT json_array_elements_text(response_json->0)) INTO transformed_output;
  RETURN transformed_output;
END;
$$;

  3. Chiama la funzione di creazione del modello per registrare l'endpoint del modello di embedding personalizzato:

  CALL
    google_ml.create_model(
      model_id => 'MODEL_ID',
      model_request_url => 'REQUEST_URL',
      model_provider => 'custom',
      model_type => 'text_embedding',
      model_auth_type => 'secret_manager',
      model_auth_id => 'SECRET_ID',
      model_qualified_name => 'MODEL_QUALIFIED_NAME',
      model_in_transform_fn => 'cymbal_text_input_transform',
      model_out_transform_fn => 'cymbal_text_output_transform');

Sostituisci quanto segue:

  • MODEL_ID: obbligatorio. Un ID univoco per l'endpoint del modello che definisci (ad esempio, custom-embedding-model). Questo ID del modello viene fatto riferimento per i metadati di cui l'endpoint del modello ha bisogno per generare embedding o richiamare le previsioni.
  • REQUEST_URL: obbligatorio. L'endpoint specifico del modello quando si aggiungono endpoint del modello generico e di text embedding personalizzato, ad esempio https://cymbal.com/models/text/embeddings/v1. Assicurati che l'endpoint del modello sia accessibile tramite un indirizzo IP interno. La gestione degli endpoint del modello non supporta gli indirizzi IP esterni.
  • MODEL_QUALIFIED_NAME: obbligatorio se l'endpoint del modello utilizza un nome completo. Il nome completo nel caso in cui l'endpoint del modello abbia più versioni.
  • SECRET_ID: l'ID del secret che hai utilizzato in precedenza nella procedura google_ml.create_sm_secret().

Modelli generici

Questa sezione mostra come registrare un endpoint del modello generico gemini-pro da Model Garden di Vertex AI, che non ha il supporto integrato. Puoi registrare qualsiasi endpoint del modello generico ospitato all'interno di Google Cloud.

Cloud SQL supporta solo gli endpoint del modello disponibili tramite Model Garden di Vertex AI e gli endpoint del modello ospitati in reti all'interno di Google Cloud.

Modello di Gemini

L'esempio seguente aggiunge l'endpoint del modello gemini-1.0-pro da Model Garden di Vertex AI.

Per registrare l'endpoint del modello gemini-1.0-pro, chiama la funzione create model:

    CALL
      google_ml.create_model(
        model_id => 'MODEL_ID',
        model_request_url => 'https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/publishers/google/models/gemini-1.0-pro:streamGenerateContent',
        model_provider => 'google',
        model_auth_type => 'cloudsql_service_agent_iam');

Sostituisci quanto segue:

  • MODEL_ID: un ID univoco per l'endpoint del modello che definisci (ad esempio,
    gemini-1). Questo ID del modello viene fatto riferimento per i metadati di cui l'endpoint del modello ha bisogno per generare embedding o richiamare le previsioni.
  • PROJECT_ID: l'ID del tuo Google Cloud progetto.

Per ulteriori informazioni, consulta la sezione su come richiamare le previsioni per gli endpoint del modello generico.

Passaggi successivi

  • Scopri di più sulla documentazione di riferimento per la gestione degli endpoint del modello.