Membuat embedding vektor dengan pengelolaan endpoint model

Halaman ini menjelaskan pratinjau yang memungkinkan Anda bereksperimen dengan mendaftarkan endpoint model AI dan memanggil prediksi dengan Pengelolaan endpoint model. Untuk menggunakan model AI di lingkungan produksi, lihat Membangun aplikasi AI generatif menggunakan AlloyDB AI dan Membuat embedding.

Setelah endpoint model ditambahkan dan didaftarkan di Pengelolaan endpoint model, Anda dapat mereferensikannya menggunakan ID model untuk membuat embedding.

Sebelum memulai

Pastikan Anda telah mendaftarkan endpoint model dengan Pengelolaan endpoint model. Untuk mengetahui informasi selengkapnya, lihat Mendaftarkan endpoint model dengan pengelolaan endpoint model

Membuat embedding

Gunakan fungsi SQL google_ml.embedding() untuk memanggil endpoint model terdaftar dengan jenis model embedding teks untuk membuat embedding.

Untuk memanggil model dan membuat embedding, gunakan kueri SQL berikut:

SELECT
  google_ml.embedding(
    model_id => 'MODEL_ID',
    content => 'CONTENT');

Ganti kode berikut:

• MODEL_ID: ID model yang Anda tentukan saat mendaftarkan endpoint model.
• CONTENT: teks yang akan diterjemahkan ke dalam penyematan vektor.

Contoh

Beberapa contoh untuk membuat embedding menggunakan endpoint model terdaftar tercantum di bagian ini.

Model embedding teks dengan dukungan bawaan

Untuk membuat embedding untuk endpoint model textembedding-gecko@002 yang terdaftar, jalankan pernyataan berikut:

    SELECT
      google_ml.embedding(
        model_id => 'textembedding-gecko@002',
        content => 'AlloyDB is a managed, cloud-hosted SQL database service');

Untuk membuat embedding untuk endpoint model text-embedding-ada-002 terdaftar oleh OpenAI, jalankan pernyataan berikut:

    SELECT
      google_ml.embedding(
        model_id => 'text-embedding-ada-002',
        content => 'e-mail spam');

Model embedding teks lainnya

Untuk membuat embedding untuk endpoint model text-embedding-3-small atau text-embedding-3-large terdaftar oleh OpenAI, jalankan pernyataan berikut:

  SELECT
    google_ml.embedding(
      model_id => 'text-embedding-3-small',
      content => 'Vector embeddings in AI');