將嵌入資料從 Spanner 匯出至 Vertex AI Vector Search

Vertex AI Vector Search 可讓使用者使用向量嵌入，搜尋語意相似的項目。使用 Spanner 到 Vertex AI Vector Search 工作流程，您可以將 Spanner 資料庫與 Vector Search 整合，對 Spanner 資料執行向量相似度搜尋。

下圖顯示端對端應用程式工作流程，說明如何在 Spanner 資料上啟用及使用 Vector Search：

Spanner 到 Vector Search 工作流程。

一般工作流程如下所示：

  1. 產生並儲存向量嵌入項目。

    您可以為資料產生向量嵌入，然後將其與營運資料一併儲存及管理。您可以使用 Spanner 的 ML.PREDICT SQL 函式產生嵌入項目，存取 Vertex AI 的 textembedding-gecko 模型，或使用部署至 Vertex AI 的其他嵌入模型。

  2. 將嵌入內容同步至 Vector Search。

    使用 Spanner 到 Vertex AI Vector Search 工作流程，該工作流程會透過 工作流程 部署，以便匯出並上傳嵌入資料至 Vector Search 索引。您可以使用 Cloud Scheduler 定期排定這個工作流程，讓 Vector Search 索引保持最新狀態，並反映 Spanner 中嵌入項目的最新變更。

  3. 使用 Vector Search 索引執行向量相似度搜尋。

    查詢 Vector Search 索引，搜尋並找出語意相似的項目結果。您可以使用公開端點或虛擬私有雲對等互連進行查詢。

用途範例

向量搜尋的示例用途是，線上零售商擁有數十萬件商品的商品目錄。在這個情境中，您是線上零售商的開發人員，想在 Spanner 中使用向量相似度搜尋功能，根據客戶的搜尋查詢，協助他們找到相關產品。

請按照一般工作流程中的步驟 1 和步驟 2，為產品目錄產生向量嵌入項目，並將這些嵌入項目同步處理至向量搜尋。

假設有位消費者正在瀏覽您的應用程式，並搜尋「可在水中穿著的最佳快乾運動短褲」這類商品。當應用程式收到這項查詢時，您必須使用 Spanner ML.PREDICT SQL 函式，為這項搜尋要求產生要求嵌入內容。請務必使用相同的嵌入模型，為產品目錄產生嵌入資料。

接著，請查詢 Vector Search 索引，找出對應嵌入項目與客戶搜尋請求產生的請求嵌入相似的產品 ID。搜尋索引可能會為語意相似的項目 (例如滑水板短褲、衝浪服飾和游泳褲) 推薦產品 ID。

向 Vector Search 傳回這些相似產品 ID 後，您可以向 Spanner 查詢產品說明、商品目錄數量、價格和其他相關中繼資料，並向客戶顯示這些資料。

您也可以使用生成式 AI 處理 Spanner 傳回的結果，再向客戶顯示。舉例來說，您可以使用 Google 的大型生成式 AI 模型，針對推薦的產品產生精簡摘要。如需更多資訊，請參閱這份教學課程，瞭解如何在電子商務應用程式中使用生成式 AI 取得個人化推薦內容。

後續步驟