Generare previsioni ML utilizzando SQL

Questa pagina mostra come generare previsioni di machine learning (ML) da un database Spanner. Le previsioni ML funzionano sia con i database con dialetto GoogleSQL sia con quelli con dialetto PostgreSQL.

L'integrazione di Spanner Vertex AI ti consente di generare previsioni utilizzando il codice SQL chiamando la funzione ML.PREDICT per GoogleSQL o la funzione spanner.ML_PREDICT_ROW per PostgreSQL. Per ulteriori informazioni sull'integrazione di Spanner Vertex AI, consulta la panoramica dell'integrazione di Spanner Vertex AI.

Prima di iniziare

Prima di poter generare previsioni da un'istanza Spanner, devi preparare il database e selezionare un modello.

Configura l'accesso per l'integrazione di Spanner Vertex AI agli endpoint Vertex AI

Spanner crea l'agente di servizio e concede le autorizzazioni necessarie automaticamente quando esegue la prima istruzione DDL MODEL. Se sia il database Spanner sia l'endpoint Vertex AI si trovano nello stesso progetto, non è necessaria alcuna configurazione aggiuntiva.

Se l'account agente di servizio Spanner non esiste per il tuo progetto Spanner, crealo eseguendo il seguente comando:

gcloud beta services identity create --service=spanner.googleapis.com --project={PROJECT}`

Segui i passaggi descritti in Concedere un singolo ruolo per concedere il ruolo Spanner API Service Agent all'account service agent di Spanner service-PROJECT_NUMBER@gcp-sa-spanner.iam.gserviceaccount.com nel tuo progetto Vertex AI.

Seleziona un modello

Quando utilizzi la funzione ML.PREDICT (per GoogleSQL) o spanner.ML_PREDICT_ROW (per PostgreSQL), devi specificare la posizione del modello di ML. Il modello selezionato può essere uno dei seguenti:

Per scoprire di più sull'integrazione di Spanner Vertex AI, consulta la sezione Come funziona l'integrazione di Spanner Vertex AI?.

elabora le previsioni

A seconda del tipo di modello selezionato, i passaggi per generare le previsioni variano.

Utilizzare un modello in Vertex AI Model Garden

Per generare una previsione utilizzando un modello di Vertex AI Model Garden, seleziona un modello da Model Garden.

GoogleSQL

Prima di utilizzare un modello con ML.PREDICT(), devi registrarlo utilizzando l'istruzione CREATE MODEL.

CREATE MODEL 'MODEL_NAME'
INPUT (INPUT_COLUMN_NAME INPUT_COLUMN_TYPE)
OUTPUT (OUTPUT_COLUMN_NAME OUTPUT_COLUMN_TYPE)
REMOTE
OPTIONS (
  endpoint = '//aiplatform.googleapis.com/projects/PROJECT_ID/locations/LOCATION_ID/publishers/google/models/model_id'
);

Sostituisci quanto segue:

  • MODEL_NAME: il nome che vuoi dare al modello

  • INPUT_COLUMN_NAME: il nome della colonna di input. Ad esempio, se utilizzi il modello gemini-pro, il nome della colonna di input è prompt.

  • INPUT_COLUMN_TYPE: il tipo di dati per INPUT_COLUMN_NAME

  • OUTPUT_COLUMN_NAME: il nome della colonna di output. Ad esempio, se utilizzi il modello gemini-pro, il nome della colonna di output è content.

  • OUTPUT_COLUMN_TYPE: il tipo di dati per OUTPUT_COLUMN_NAME

  • PROJECT_ID: l'ID del tuo Google Cloud progetto

  • REGION_ID: l'ID della regione Google Cloud in cui si trova il modello, ad esempio us-central1

  • MODEL_ID: l'ID del modello ML che vuoi utilizzare, ad esempio gemini-pro

    Per ulteriori informazioni sui modelli, consulta Riferimento API Model per l'AI generativa.

Utilizza la funzione GoogleSQL ML.PREDICT con il modello selezionato da Model Garden per generare la previsione.

SELECT * FROM ML.PREDICT(
  MODEL `MODEL_NAME`,
  `INPUT_RELATION`[, `PARAMETERS`])

Sostituisci quanto segue:

  • MODEL_NAME: il nome che vuoi dare al modello

    Per ulteriori informazioni sui modelli, consulta Riferimento API Model per l'AI generativa.

  • INPUT_RELATION: TABLE table_name o una sottoquery della tabella o della sottoquery che fornisce i dati su cui eseguire la previsione ML.

  • PARAMETERS: un valore STRUCT che contiene parametri supportati da model_id.

Puoi anche utilizzare SAFE.ML.PREDICT per restituire null anziché un errore nelle previsioni. Ciò è utile nei casi in cui l'esecuzione di query di grandi dimensioni in cui alcune previsioni non riuscite sono tollerabili.

PostgreSQL

Utilizza la funzione PostgreSQL ML_PREDICT_ROW con il modello selezionato da Model Garden per generare la previsione.

SELECT spanner.ml_predict_row(
  'projects/PROJECT_ID/locations/REGION_ID/publishers/google/models/MODEL_ID'::text,
  '{
    "instances": [ INSTANCES ],
    "parameters": { PARAMETERS }
   }'::jsonb);

Sostituisci quanto segue:

  • PROJECT_ID: l'ID del tuo Google Cloud progetto

  • REGION_ID: l'ID della regione Google Cloud in cui si trova il modello, ad esempio us-central1

  • MODEL_ID: l'ID del modello ML che vuoi utilizzare, ad esempio gemini-pro

    Per ulteriori informazioni sui modelli, consulta Riferimento API Model per l'AI generativa.

  • INSTANCES: gli input per la chiamata di previsione, in formato JSON

  • PARAMETERS: parametri facoltativi per la chiamata di previsione, in formato JSON

Questa query produce una risposta JSON. Per ulteriori informazioni sui messaggi di risposta JSON del modello, consulta PredictResponse.

Utilizzare un endpoint del modello Vertex AI

Per utilizzare un modello addestrato o scaricato con l'integrazione di Spanner Vertex AI, devi eseguirne il deployment su Vertex AI. Per ulteriori informazioni su come eseguire il deployment di un modello su un endpoint in Vertex AI, consulta Eseguire il deployment di un modello su un endpoint.

GoogleSQL

Utilizza la funzione ML.PREDICT GoogleSQL con il modello in un endpoint Vertex AI per generare la previsione. Prima di utilizzare un modello con ML.PREDICT(), devi registrarlo utilizzando l'istruzione CREATE MODEL. Ogni modello di cui è stato eseguito il deployment ha il proprio schema univoco. Di seguito è riportato uno schema di esempio tratto da Panoramica di classificazione e regressione

CREATE MODEL MyClassificationModel
INPUT (
  length FLOAT64,
  material STRING(MAX),
  tag_array ARRAY<STRING(MAX)>
)
OUTPUT (
  scores ARRAY<FLOAT64>,
  classes ARRAY<STRING(MAX)>
)
REMOTE
OPTIONS (
  endpoint = '//aiplatform.googleapis.com/projects/PROJECT/locations/LOCATION/endpoints/ENDPOINT_ID'
)

Sostituisci quanto segue:

  • PROJECT_ID: l'ID del tuo Google Cloud progetto

  • LOCATION: l'ID della regione Google Cloud in cui si trova il modello, ad esempio us-central1

  • ENDPOINT_ID: l'ID del modello ML che vuoi utilizzare, ad esempio gemini-pro

    Per ulteriori informazioni sui modelli, consulta Riferimento API Model per l'AI generativa.

Utilizza la funzione GoogleSQL ML.PREDICT con il modello selezionato da Model Garden per generare la previsione.

SELECT * FROM ML.PREDICT(
  `MODEL_ID`,
  `INPUT_RELATION`[, `PARAMETERS`])

Sostituisci quanto segue:

  • MODEL_ID: l'ID del modello ML che vuoi utilizzare.

  • INPUT_RELATION: la tabella o la sottoquery su cui vuoi eseguire la previsione ML.

  • PARAMETERS: un valore STRUCT che contiene parametri supportati da model_name.

Questa query produce una relazione contenente tutte le colonne di output del modello e tutte le colonne della relazione di input.

PostgreSQL

Utilizza la funzione ML.PREDICT PostgreSQL con il modello in un endpoint Vertex AI per generare la previsione.

  SELECT spanner.ml_predict_row(
    'projects/PROJECT_ID/locations/REGION_ID/endpoints/ENDPOINT_ID'::text,
    '{
      "instances": [ INSTANCES ],
      "parameters": { PARAMETERS }
      }'::jsonb);
  ```

Replace the following:

  • PROJECT_ID: l'ID del progetto Google Cloud in cui si trova il modello

  • REGION_ID: l'ID della regione Google Cloud in cui si trova il modello, ad esempio us-central1

  • ENDPOINT_ID: l'ID dell'endpoint del modello

  • INSTANCES: gli input della chiamata di previsione, in formato JSON

  • PARAMETERS: parametri facoltativi per la chiamata di previsione, in formato JSON

Questa query produce una risposta JSON. Per ulteriori informazioni sui messaggi di risposta JSON del modello, consulta PredictResponse.

Esempi di utilizzo delle funzioni ML per generare previsioni

L'esempio seguente utilizza il modello gemini-pro, di Model Garden, per generare testo in base a un breve prompt fornito come argomento. Questo modello è disponibile nell'ambito di Gemini in Spanner.

GoogleSQL

Registra il modello gemini-pro

CREATE MODEL GeminiPro
INPUT (prompt STRING(MAX))
OUTPUT (content STRING(MAX))
REMOTE
OPTIONS (
  endpoint = '//aiplatform.googleapis.com/projects/PROJECT/locations/LOCATION/publishers/google/models/gemini-pro',
  default_batch_size = 1
);

Sostituisci quanto segue:

  • PROJECT: l'ID progetto
  • LOCATION: la regione in cui utilizzi Vertex AI

Esegui il modello

SELECT content
FROM ML.PREDICT(
  MODEL GeminiPro,
  (SELECT "Is 7 a prime number?" AS prompt),
  STRUCT(256 AS maxOutputTokens, 0.2 AS temperature, 40 as topK, 0.95 AS topP)
);

Output previsto

L'output previsto è il seguente:

+--------------------+
| content            |
+--------------------+
| "Yes"              |
+--------------------+

PostgreSQL

Esegui il modello

select spanner.ml_predict_row(
  '{
    "endpoint": "projects/PROJECT_ID/locations/us-central1/publishers/google/models/gemini-pro",
    "default_batch_size": 1
   }'::jsonb,
  '{
    "instances":[{"prompt": "Is 7 a prime number?"}],
    "parameters":{"maxOutputTokens":256, "topK": 40, "topP":0.96, "temperature":0.2}
    }'
);

Output previsto

L'output previsto è il seguente:

+--------------------+
| content            |
+--------------------+
| "Yes"              |
+--------------------+