Exporta incorporaciones de Spanner a Vertex AI Vector Search

Vertex AI Vector Search permite a los usuarios buscar elementos con similitudes semánticas a través de incorporaciones vectoriales. Con el flujo de trabajo de Spanner a la Búsqueda de vectores de Vertex AI, puedes integrar tu base de datos de Spanner con la Búsqueda de vectores para realizar una búsqueda de similitud vectorial en tus datos de Spanner.

En el siguiente diagrama, se muestra el flujo de trabajo de la aplicación de extremo a extremo puedes habilitar y usar la búsqueda de vectores en tu datos:

Flujo de trabajo de Spanner a la búsqueda de vectores.

El flujo de trabajo general es el siguiente:

  1. Genera y almacena embeddings de vectores.

    Puedes generar incorporaciones vectoriales de tus datos y, luego, almacenar y administrarlos en Spanner con tus datos operativos. Puedes generar incorporaciones con la función SQL ML.PREDICT de Spanner para acceder al modelo textembedding-gecko de Vertex AI o usar otros modelos de incorporación implementados en Vertex AI.

  2. Sincroniza las incorporaciones con la Búsqueda de vectores.

    Usar el flujo de trabajo de Spanner a Vertex AI Vector Search, que se implementa con Workflows para exportar y subir incorporaciones a un índice de búsqueda de vectores Puedes usar Cloud Scheduler para programar periódicamente este flujo de trabajo para mantener tus El índice de búsqueda de vectores actualizado con los últimos cambios realizados en tu en Spanner.

  3. Realiza búsquedas de similitud de vectores con tu índice de Vector Search.

    Consulta el índice de la búsqueda de vectores para buscar y encontrar resultados de elementos semánticos similares. Puedes realizar consultas con un extremo público o a través del intercambio de tráfico entre VPC.

Ejemplo de caso de uso

Un caso de uso ilustrativo de la Búsqueda de Vectores es un minorista en línea que tiene un inventario de cientos de miles de artículos. En este si eres un desarrollador de una tienda en línea y te gusta usar la búsqueda de similitud de vectores en tu catálogo de productos en Spanner para ayudar a los clientes a encontrar productos relevantes según sus consultas de búsqueda.

Sigue los pasos 1 y 2 que se presentan en el flujo de trabajo general para generar incorporaciones de vectores para tu catálogo de productos y sincronizarlas con la Búsqueda de vectores.

Ahora imagina que un cliente que navega por tu aplicación realiza una búsqueda como “mejores pantalones cortos deportivos de secado rápido que puedo usar en el agua”. Cuando el aplicación recibe esta consulta, necesitas generar una solicitud de incorporación para esta solicitud de búsqueda con Spanner ML.PREDICT función de SQL. Asegúrate de usar el mismo modelo de incorporación que se usó para generar las incorporaciones de tu catálogo de productos.

A continuación, consulta el índice de Búsqueda de vectores para obtener los IDs de productos cuyas incorporaciones correspondientes sean similares a la incorporación de la solicitud generada a partir de la solicitud de búsqueda de tu cliente. El índice de búsqueda podría recomendar IDs de productos para artículos semánticamente similares, como pantalones cortos para wakeboard, ropa de surf y bañadores.

Después de que Vector Search devuelve estos IDs de productos similares, puedes consultar a Spanner para obtener las descripciones, el recuento de inventario, el precio y otros metadatos relevantes de los productos, y mostrárselos a tu cliente.

También puedes usar IA generativa para procesar los resultados devueltos de Spanner antes de mostrarlos a tu cliente. Por ejemplo, puedes usar la IA generativa de gran tamaño para generar un resumen conciso de los productos recomendados. Para obtener más información, consulta este instructivo sobre cómo usar la IA generativa para obtener recomendaciones personalizadas en una aplicación de comercio electrónico.

¿Qué sigue?