Gerar embeddings de vetor para dados textuais em massa usando DML particionada

Este documento explica como gerar e fazer backfill de embeddings vetoriais em massa para dados textuais (STRING ou JSON) armazenados no Spanner usando SQL e os modelos de embedding de texto do Gemini Enterprise Agent Platform.

Pré-requisitos

Você precisa ter uma tabela no banco de dados do Spanner que contenha dados textuais (STRING ou JSON). Para mais informações sobre como importar dados, consulte a visão geral da importação e exportação do Spanner.

Exemplo de caso de uso:

Suponha que você tenha uma tabela no Spanner com o seguinte esquema. Essa tabela contém milhões de registros.

CREATE TABLE Products (
  product_id INT64 NOT NULL,
  name STRING(MAX),
  description STRING(MAX)
) PRIMARY KEY(product_id);

CREATE TABLE Products (
  product_id INT8 NOT NULL,
  name TEXT,
  description TEXT,
  PRIMARY KEY(product_id)
);

Seu objetivo é gerar embeddings de vetor para a coluna description nesta tabela e encontrar itens semelhantes para recomendar aos clientes e melhorar a experiência de compra deles usando a pesquisa vetorial.

Registrar um modelo de embedding

CREATE MODEL MODEL_NAME
INPUT(
  content STRING(MAX)
)
OUTPUT(
  embeddings STRUCT<values ARRAY<FLOAT32>>
)
REMOTE OPTIONS(
    endpoint = '//aiplatform.googleapis.com/projects/PROJECT/locations/LOCATION/publishers/google/models/$MODEL_NAME',
  default_batch_size = 5
)

Para conferir as práticas recomendadas, considere o seguinte:

• Para manter o isolamento das cotas, use um endpoint em um projeto diferente para gerar e fazer o backfill das incorporações. Reserve o endpoint de produção para veicular o tráfego de produção.
• Verifique se o endpoint do modelo aceita o valor de default_batch_size. É possível substituir o default_batch_size com a dica de consulta @{remote_udf_max_rows_per_rpc=NEW_NUMBER}. Para informações sobre o limite de default_batch_size em cada região, consulte Usar embeddings de texto para um snippet de texto.
• Defina o endpoint com uma versão específica do modelo (por exemplo, @003) em vez de @latest. Isso acontece porque os vetores de embedding gerados para o mesmo trecho de texto podem variar dependendo da versão do modelo usada. Por isso, evite usar versões diferentes do modelo para gerar embeddings no mesmo conjunto de dados. Além disso, atualizar a versão do modelo na instrução de definição do modelo não atualiza os embeddings já gerados com esse modelo. Uma maneira de gerenciar a versão do modelo para embeddings é criar uma coluna adicional na tabela que armazena a versão do modelo.
• Modelos de embedding de texto ajustados personalizados não são compatíveis com as funções ML.PREDICT do GoogleSQL e spanner.ML_PREDICT_ROW do PostgreSQL.

Testar a integração de ponta a ponta do modelo de embeddings

Você pode executar uma consulta para testar se o modelo de embedding foi configurado corretamente e se os embeddings foram recuperados. Por exemplo, execute a seguinte consulta:

SELECT embeddings.values
FROM SAFE.ML.PREDICT(
  MODEL MODEL_NAME,
  (SELECT description AS content FROM products LIMIT 10)
);

SELECT spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/$MODEL_NAME',
    JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', description))))
FROM Products
LIMIT 10;

Atualize a tabela de origem para incluir colunas adicionais para armazenar os embeddings

Em seguida, atualize o esquema da tabela de origem para incluir uma coluna adicional do tipo de dados ARRAY<FLOAT32> para armazenar os embeddings gerados:

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME ARRAY<FLOAT32>;

ALTER TABLE TABLE_NAME
ADD COLUMN EMBEDDING_COLUMN_NAME real[];

Por exemplo, usando o exemplo da tabela products, execute:

ALTER TABLE Products
ADD COLUMN desc_embed ARRAY<FLOAT32>;

ALTER TABLE Products
ADD COLUMN desc_embed real[];

Você pode adicionar outra coluna para gerenciar a versão do modelo de incorporação.

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT64;

ALTER TABLE Products
ADD COLUMN desc_embed_model_version INT8;

Aumentar a cota do Agent Platform

Talvez seja necessário aumentar a cota da API Agent Platform para a região que usa o modelo de embedding de texto. Para solicitar um aumento, consulte Plataforma do agente Aumentos de cota.

Embeddings de preenchimento

Por fim, execute a seguinte instrução UPDATE usando DML particionada para gerar embeddings da coluna de dados textuais e armazenar os embeddings no banco de dados. É possível armazenar a versão do modelo com os embeddings. Recomendamos que você execute essa consulta durante um período de baixo tráfego no banco de dados.

UPDATE TABLE_NAME
SET
  TABLE_NAME.EMBEDDING_COLUMN_NAME = (
    SELECT embeddings.values
    FROM SAFE.ML.PREDICT(
      MODEL MODEL_NAME,
      (SELECT TABLE_NAME.DATA_COLUMN_NAME AS content)
    ) @{remote_udf_max_rows_per_rpc=MAX_ROWS}
  ),
  TABLE_NAME.EMBEDDING_VERSION_COLUMN = MODEL_VERSION
WHERE FILTER_CONDITION;

UPDATE TABLE_NAME
SET
  EMBEDDING_COLUMN_NAME = spanner.FLOAT32_ARRAY(spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/$MODEL_NAME',
    JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', DATA_COLUMN_NAME)))
  ) /*@ remote_udf_max_rows_per_rpc=MAX_ROWS */ ->'predictions'->0->'embeddings'->'values'),
  EMBEDDING_VERSION_COLUMN = MODEL_VERSION
WHERE FILTER_CONDITION;

Exemplo de consulta de backfill para a tabela products:

UPDATE products
SET
  products.desc_embed = (
    SELECT embeddings.values
    FROM SAFE.ML.PREDICT(
      MODEL embedding_model,
      (SELECT products.description AS content)
    ) @{remote_udf_max_rows_per_rpc=200}
  ),
  products.desc_embed_model_version = 3
WHERE products.desc_embed IS NULL;

UPDATE products
SET
  desc_embed = spanner.FLOAT32_ARRAY(spanner.ML_PREDICT_ROW(
    'projects/PROJECT/locations/LOCATION/publishers/google/models/$MODEL_NAME',
    JSONB_BUILD_OBJECT('instances', JSONB_BUILD_ARRAY(JSONB_BUILD_OBJECT('content', description)))
  ) /*@ remote_udf_max_rows_per_rpc=200 */ ->'predictions'->0->'embeddings'->'values'),
  desc_embed_model_version = 3
WHERE desc_embed IS NULL;

Para conferir as práticas recomendadas, considere o seguinte:

• O tempo limite padrão do gRPC para a API Spanner é de uma hora. Dependendo da quantidade de embeddings que você está fazendo backfill, talvez seja necessário aumentar esse tempo limite para garantir que a DML particionada UPDATE tenha tempo suficiente para ser concluída. Para mais informações, consulte Configurar tempos limite e novas tentativas personalizados.

Performance e outras considerações

Considere o seguinte para otimizar a performance ao fazer backfill de dados de incorporação.

Número de nós

A DML particionada executa a instrução DML especificada em diferentes partições em paralelo. Em instâncias com um grande número de nós, talvez você observe erros de cota durante a execução da DML particionada. Se as solicitações da API Agent Platform forem limitadas devido aos limites de cota da API Agent Platform, o Spanner vai tentar novamente essas falhas no modo de transação DML particionada no máximo 20 vezes. Se você observar uma alta taxa de erros de cota no Agent Platform, aumente a cota para o Agent Platform. Também é possível ajustar o paralelismo usando a dica no nível da instrução @{pdml_max_parallelism=DESIRED_NUMBER} ao usar o GoogleSQL. O exemplo a seguir define o paralelismo como "5":

@{pdml_max_parallelism=5} UPDATE products
SET products.desc_embed =(
  SELECT embeddings.values
  FROM SAFE.ML.PREDICT(MODEL embedding_model, (
        SELECT products.value AS CONTENT
        )
  )
      @{remote_udf_max_rows_per_rpc=200}
),
products.desc_embed_model_version = MODEL_VERSION
WHERE products.desc_embed IS NULL;

Tamanho do texto na coluna de dados

O modelo de embedding da Agent Platform tem limites no número máximo de tokens para cada entrada de texto. Cada versão do modelo tem um limite de tokens diferente. Cada solicitação da Agent Platform pode ter vários campos de texto de entrada, mas há um limite para o número máximo de tokens em uma única solicitação. Para bancos de dados do GoogleSQL, se você encontrar um erro INVALID_ARGUMENT com a mensagem "A solicitação é muito grande", tente reduzir o tamanho do lote para evitar o erro. Para isso, configure default_batch_size ou use a dica de consulta @{remote_udf_max_outstanding_rpcs} ao registrar o modelo.

Número de solicitações de API enviadas para a plataforma do agente

Use a dica de consulta @{remote_udf_max_outstanding_rpcs} para aumentar ou diminuir o número de solicitações enviadas à Agent Platform pelo Spanner. Esteja ciente de que aumentar esse limite pode aumentar o uso de CPU e o uso da memória da instância do Spanner. Para bancos de dados GoogleSQL, usar essa dica de consulta substitui o default_batch_size configurado para seu modelo.

Monitorar o progresso do preenchimento

É possível monitorar o número de solicitações, a latência e os bytes de rede enviados da Agent Platform para o Spanner usando o painel de insights do sistema.

A seguir

• Saiba como realizar uma pesquisa de vetor de similaridade encontrando os K vizinhos mais próximos.
• Saiba mais sobre machine learning e embeddings no nosso curso intensivo sobre embeddings.
• Saiba mais sobre os modelos de embedding de texto da Agent Platform.