Gerar previsões de ML usando SQL

Nesta página, mostramos como gerar previsões de machine learning (ML) de um banco de dados do Spanner. As previsões de ML funcionam com bancos de dados do dialeto GoogleSQL e do dialeto PostgreSQL.

Com a integração da Vertex AI com o Spanner, é possível gerar previsões usando seu código SQL chamando a função ML.PREDICT para o GoogleSQL ou a função spanner.ML_PREDICT_ROW para o PostgreSQL. Para mais informações sobre a integração da Vertex AI com o Spanner, consulte Visão geral da integração da Vertex AI com o Spanner.

Antes de começar

Antes de gerar previsões de uma instância do Spanner, prepare seu banco de dados e selecione um modelo.

Configurar o acesso da integração da Vertex AI com o Spanner aos endpoints da Vertex AI

O Spanner cria o agente de serviço e concede as permissões necessárias automaticamente quando executa a primeira instrução DDL MODEL. Se o banco de dados do Spanner e o endpoint da Vertex AI estiverem no mesmo projeto, não será necessário fazer nenhuma configuração adicional.

Se a conta do agente de serviço do Spanner não existir para seu projeto do Spanner, crie executando o seguinte comando:

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

Siga as etapas descritas em Conceder um único papel para conceder o papel Spanner API Service Agent à conta do agente de serviço do Spanner service-PROJECT_NUMBER@gcp-sa-spanner.iam.gserviceaccount.com no seu projeto da Vertex AI.

Selecione um modelo

Ao usar a função ML.PREDICT (para GoogleSQL) ou spanner.ML_PREDICT_ROW (para PostgreSQL), especifique o local do modelo de ML. O modelo selecionado pode ser um dos seguintes:

Para saber mais sobre a integração da Vertex AI com o Spanner, consulte Como funciona a integração da Vertex AI com o Spanner?.

gere previsões

Dependendo do tipo de modelo selecionado, as etapas para gerar previsões serão diferentes.

Usar um modelo no Model Garden da Vertex AI

Para gerar uma previsão usando um modelo do Model Garden da Vertex AI, selecione um modelo no Model Garden.

GoogleSQL

Antes de usar um modelo com ML.PREDICT(), é preciso registrá-lo usando a instrução 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'
);

Substitua:

  • MODEL_NAME: o nome que você quer dar ao modelo

  • INPUT_COLUMN_NAME: o nome da coluna de entrada. Por exemplo, se você estiver usando o modelo gemini-pro, o nome da coluna de entrada será prompt.

  • INPUT_COLUMN_TYPE: o tipo de dados para INPUT_COLUMN_NAME

  • OUTPUT_COLUMN_NAME: o nome da coluna de saída. Por exemplo, se você usar o modelo gemini-pro, o nome da coluna de saída será content.

  • OUTPUT_COLUMN_TYPE: o tipo de dados para OUTPUT_COLUMN_NAME

  • PROJECT_ID: o ID do seu Google Cloud projeto

  • REGION_ID: o ID da região Google Cloud em que o modelo está localizado, por exemplo, us-central1.

  • MODEL_ID: o ID do modelo de ML que você quer usar. Por exemplo, gemini-pro

    Para mais informações sobre modelos, consulte Referência da API modelo para IA generativa.

Use a função ML.PREDICT do GoogleSQL com o modelo selecionado no Model Garden para gerar sua previsão.

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

Substitua:

  • MODEL_NAME: o nome que você quer dar ao modelo

    Para mais informações sobre modelos, consulte Referência da API modelo para IA generativa.

  • INPUT_RELATION: TABLE table_name ou uma subconsulta que fornece dados para executar a previsão de ML.

  • PARAMETERS: um valor STRUCT que contém parâmetros compatíveis com model_id.

Também é possível usar SAFE.ML.PREDICT para retornar null em vez de um erro nas previsões. Isso é útil ao executar consultas grandes em que algumas previsões com falha são toleráveis.

PostgreSQL

Use a função ML_PREDICT_ROW do PostgreSQL com o modelo selecionado no Model Garden para gerar sua previsão.

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

Substitua:

  • PROJECT_ID: o ID do seu Google Cloud projeto

  • REGION_ID: o ID da região Google Cloud em que o modelo está localizado, por exemplo, us-central1.

  • MODEL_ID: o ID do modelo de ML que você quer usar. Por exemplo, gemini-pro

    Para mais informações sobre modelos, consulte Referência da API modelo para IA generativa.

  • INSTANCES: as entradas para a chamada de previsão, no formato JSON

  • PARAMETERS: parâmetros opcionais para a chamada de previsão, no formato JSON

Essa consulta gera uma resposta JSON. Para mais informações sobre as mensagens de resposta JSON do modelo, consulte PredictResponse.

Usar um endpoint de modelo da Vertex AI

Para usar um modelo treinado ou baixado com a integração da Vertex AI ao Spanner, implante o modelo na Vertex AI. Para mais informações sobre como implantar um modelo em um endpoint na Vertex AI, consulte Implantar um modelo em um endpoint.

GoogleSQL

Use a função ML.PREDICT do GoogleSQL com o modelo em um endpoint da Vertex AI para gerar sua previsão. Antes de usar um modelo com ML.PREDICT(), é necessário registrá-lo usando a instrução CREATE MODEL. Cada modelo implantado tem um esquema exclusivo. Confira um exemplo de esquema em Visão geral de classificação e regressão

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'
)

Substitua:

  • PROJECT_ID: o ID do seu Google Cloud projeto

  • LOCATION: o ID da região Google Cloud em que o modelo está localizado, por exemplo, us-central1.

  • ENDPOINT_ID: o ID do modelo de ML que você quer usar. Por exemplo, gemini-pro

    Para mais informações sobre modelos, consulte Referência da API modelo para IA generativa.

Use a função ML.PREDICT do GoogleSQL com o modelo selecionado no Model Garden para gerar sua previsão.

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

Substitua:

  • MODEL_ID: o ID do modelo de ML que você quer usar.

  • INPUT_RELATION: a tabela ou subconsulta em que você quer executar a previsão de ML.

  • PARAMETERS: um valor STRUCT que contém parâmetros compatíveis com model_name.

Essa consulta produz uma relação que contém todas as colunas de saída do modelo e todas as colunas da relação de entrada.

PostgreSQL

Use a função ML.PREDICT do PostgreSQL com o modelo em um endpoint da Vertex AI para gerar sua previsão.

  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: o ID do projeto Google Cloud em que o modelo está localizado

  • REGION_ID: o ID da região Google Cloud em que o modelo está localizado, por exemplo, us-central1.

  • ENDPOINT_ID: o ID do endpoint do modelo

  • INSTANCES: as entradas para a chamada de previsão, no formato JSON

  • PARAMETERS: parâmetros opcionais para a chamada de previsão, no formato JSON

Essa consulta gera uma resposta JSON. Para mais informações sobre as mensagens de resposta JSON do modelo, consulte PredictResponse.

Exemplos de uso de funções de ML para gerar previsões

O exemplo a seguir usa o modelo gemini-pro do Model Garden para gerar texto com base em um comando curto fornecido como argumento. Esse modelo está disponível como parte do Gemini no Spanner.

GoogleSQL

Registrar o modelo 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
);

Substitua:

  • PROJECT: o ID do projeto;
  • LOCATION: a região em que você está usando a Vertex AI.

Executar o modelo

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)
);

Resposta esperada

A saída esperada é esta:

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

PostgreSQL

Executar o modelo

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}
    }'
);

Resposta esperada

A saída esperada é esta:

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