Vertex AI Vektorsuche können Nutzer mithilfe von Vektoreinbettungen nach semantisch ähnlichen Elementen suchen. Spanner für die Vertex AI-Vektorsuche verwenden Workflow können Sie Ihre Spanner-Datenbank Vektorsuche nach einer Vektorähnlichkeit in Ihrem Spanner-Daten.
Das folgende Diagramm zeigt den End-to-End-Anwendungsworkflow, können Sie die Vektorsuche in Ihrem Spanner Daten:
Dies ist der allgemeine Workflow:
Vektoreinbettungen generieren und speichern.
Sie können Vektoreinbettungen Ihrer Daten generieren, mit Ihren Betriebsdaten in Spanner verwalten. Sie können Einbettungen mit
ML.PREDICT
-SQL von Spanner generieren Funktion für den Zugriff auf das Modelltextembedding-gecko
von Vertex AI oder andere in Vertex AI bereitgestellte Einbettungsmodelle verwenden.Einbettungen mit der Vektorsuche synchronisieren
Verwenden Sie den Workflow für Spanner zur Vertex AI-Vektorsuche. der mithilfe von Workflows bereitgestellt wird, Einbettungen exportieren und in einen Vektorsuchindex hochladen Sie können Cloud Scheduler, um diesen Workflow regelmäßig zu planen, Der Index für die Vektorsuche ist auf dem neuesten Stand mit den neuesten Änderungen an Ihrem Einbettungen in Spanner.
Suchen Sie mit dem Vektorsuchindex nach einer Vektorähnlichkeit.
Sie können den Index der Vektorsuche abfragen, um Ergebnisse zu finden für semantisch ähnliche Elemente. Sie können Abfragen über einen öffentlichen Endpunkt ausführen. oder über VPC-Peering.
Anwendungsbeispiel
Ein illustrativer Anwendungsfall für die Vektorsuche ist ein Einzelhändler mit einem Inventar von Hunderttausenden Artikeln. In dieser Entwickler für einen Online-Einzelhändler in Ihrem Produktkatalog eine Suche nach Vektorähnlichkeit um Ihren Kunden dabei zu helfen, relevante Produkte zu finden, ihre Suchanfragen anpassen.
Befolgen Sie Schritt 1 und Schritt 2 des allgemeinen Workflows, um einen Vektor zu generieren für Ihren Produktkatalog erstellen und diese Einbettungen mit den Vektorsuche.
Stellen Sie sich nun vor, dass ein Kunde beim Durchsuchen Ihrer Anwendung eine Suche durchführt wie
„beste, schnell trocknende Sportshorts, die ich im Wasser tragen kann“. Wenn Ihre
Anwendung diese Abfrage empfängt, müssen Sie eine Einbettung einer Anfrage für
diese Suchanfrage mit Spanner ML.PREDICT
SQL-Funktion. Stellen Sie sicher, dass Sie dasselbe Einbettungsmodell verwenden, das für die Generierung der
für Ihren Produktkatalog.
Fragen Sie als Nächstes den Index der Vektorsuche nach Produkt-IDs ab, deren entsprechende Einbettungen ähneln der Einbettung der Anfrage, die aus der Suchanfrage Ihres Kunden. Der Suchindex empfiehlt möglicherweise Produkt-IDs für Wakeboarding-Shorts, Surfbekleidung und -kleidung, Badehose.
Nachdem die Vektorsuche diese ähnlichen Produkt-IDs zurückgegeben hat, können Sie Spanner für die Produkte Beschreibungen, Inventaranzahl, Preis, und andere relevante Metadaten enthalten und sie für den Kunden anzeigen.
Sie können auch generative KI verwenden. um die zurückgegebenen Ergebnisse von Spanner zu verarbeiten, bevor sie angezeigt werden. an Ihren Kunden senden. Sie können beispielsweise die große generative KI von Google nutzen, um eine prägnante Zusammenfassung der empfohlenen Produkte zu erstellen. Weitere Informationen erhalten Sie in diesem Tutorial mithilfe von generativer KI personalisierte Empfehlungen in einer E-Commerce-Anwendung erhalten.
Nächste Schritte
- Informationen zum Generieren von Einbettungen mithilfe von Spanner.
- Weitere Informationen zum Multitool der KI: Vektoreinbettungen
- Weitere Informationen zu maschinellem Lernen und Einbettungen finden Sie in unserem Crash-Kurs zu Einbettungen.
- Weitere Informationen zu Spanner zu Vertex AI Workflow für die Vektorsuche finden Sie im GitHub-Repository.
- Weitere Informationen zum Open-Source-Paket „spanner-analytics“ die gängige datenanalytische Operationen in Python ermöglicht und Jupyter-Notebooks einbinden.