Mithilfe von Einbettungen suchen

Bei Onlinespeicherinstanzen, die für die optimierte Onlinebereitstellung erstellt wurden, können Sie eine Suche nach Vektorähnlichkeiten durchführen, um eine Liste von semantisch ähnlichen oder verwandten Entitäten, auch als ungefähre nächste Nachbarn bezeichnet, abzurufen. Sie können die Suche anhand der Entitäts-ID oder einer Einbettung durchführen.

Je nach Art des für Ihre Onlineshop-Instanz konfigurierten Endpunkts haben Sie folgende Möglichkeiten:

• Nächste Nachbarn über einen öffentlichen Endpunkt suchen: Wählen Sie diese Option nur aus, wenn der Onlinespeicher für die optimierte Onlinebereitstellung von einem öffentlichen Endpunkt konfiguriert ist.

• Nächste Nachbarübereinstimmungen über einen Private Service Connect-Endpunkt suchen: Wählen Sie diese Option nur aus, wenn der Onlinespeicher für die optimierte Onlinebereitstellung von einem dedizierten Bereitstellungsendpunkt über Private Service Connect konfiguriert ist.

Hinweise

Um nach den ungefähren nächsten Nachbarn zu suchen, müssen Sie zuerst Folgendes tun:

• Richten Sie die BigQuery-Datenquelle so ein, dass Einbettungen unterstützt werden. Dazu fügen Sie die Spalte embedding ein. Optional können Sie Filter- und Crowding-Spalten einfügen. Weitere Informationen finden Sie unter Richtlinien für die Vorbereitung von Datenquellen.

• Onlinespeicherinstanz für die optimierte Onlinebereitstellung erstellen

• Erstellen Sie eine Featureansicht, die Einbettungen unterstützt, indem Sie die BigQuery-Datenquelle direkt verknüpfen. Geben Sie beim Erstellen der Feature-Ansicht die Spalte embedding an. Weitere Informationen zum Erstellen einer Feature-Ansicht, die Einbettungen unterstützt, finden Sie unter Vektorabruf für eine Feature-Ansicht konfigurieren.

• Wenn Sie mit einem Private Service Connect-Endpunkt nach Nearest-Neighbor-Übereinstimmungen suchen möchten, installieren Sie die neueste Version des Python SDK oder führen Sie ein Upgrade darauf durch. Führen Sie dazu diesen Befehl aus:
  pip3 install --upgrade --quiet google-cloud-aiplatform

• Folgen Sie dieser Anleitung, um sich bei Vertex AI zu authentifizieren, sofern nicht bereits geschehen.

  Select the tab for how you plan to use the samples on this page:

  Python

  Wenn Sie die Python Beispiele auf dieser Seite in einer lokalen Entwicklungsumgebung verwenden möchten, installieren und initialisieren Sie die gcloud CLI und richten dann die Standardanmeldedaten für Anwendungen mit Ihren Nutzeranmeldedaten ein.

  1. Install the Google Cloud CLI.

  2. If you're using an external identity provider (IdP), you must first sign in to the gcloud CLI with your federated identity.

  3. To initialize the gcloud CLI, run the following command:

     gcloud init

  4. If you're using a local shell, then create local authentication credentials for your user account:

     gcloud auth application-default login

     You don't need to do this if you're using Cloud Shell.

     If an authentication error is returned, and you are using an external identity provider (IdP), confirm that you have signed in to the gcloud CLI with your federated identity.

  Weitere Informationen unter Set up authentication for a local development environment.

  REST

  Verwenden Sie die von der gcloud CLI bereitgestellten Anmeldedaten, um die REST API-Beispiele auf dieser Seite in einer lokalen Entwicklungsumgebung zu verwenden.

  After installing the Google Cloud CLI, initialize it by running the following command:

  gcloud init

  If you're using an external identity provider (IdP), you must first sign in to the gcloud CLI with your federated identity.

  Weitere Informationen finden Sie in der Dokumentation zur Google Cloud -Authentifizierung unter Für die Verwendung von REST authentifizieren.

Übereinstimmungen mit den nächsten Nachbarn über einen öffentlichen Endpunkt suchen

Wenn Sie Ihre Onlinespeicherinstanz so konfiguriert haben, dass Featurewerte über die optimierte Onlinebereitstellung von einem öffentlichen Endpunkt bereitgestellt werden, müssen Sie die folgenden Schritte ausführen, um ungefähre Übereinstimmungen der nächsten Nachbarn abzurufen:

1. Domainnamen des öffentlichen Endpunkts für den Onlinespeicher abrufen

2. Nächste Nachbar-Übereinstimmungen einer Einbettung oder Entität abrufen

Domainnamen des öffentlichen Endpunkts für den Onlinespeicher abrufen

Wenn Sie eine Onlinespeicher-Instanz für optimierte Onlinebereitstellung erstellen, generiert Vertex AI Feature Store einen öffentlichen Endpunkt-Domainnamen für den Onlinespeicher. Bevor Sie im Feature Store nach den nächsten Nachbarn aus einer Feature-Ansicht im Onlinespeicher suchen können, müssen Sie den Domainnamen des öffentlichen Endpunkts aus den Onlinespeicherdetails abrufen.

Verwenden Sie das folgende Beispiel, um die Details einer Onlinespeicherinstanz abzurufen.

GET https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME

curl -X GET \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME"

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method GET `
    -Headers $headers `
    -Uri "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME" | Select-Object -Expand Content

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME_1",
  "createTime": "2023-09-06T23:25:04.256314Z",
  "updateTime": "2023-09-06T23:25:04.256314Z",
  "etag": "AMEw9yMgoV0bAsYuKwVxz4Y7lOmxV7riNVHg217KaQAKORqvdqGCrQ1DIt8yHgoGXf8=",
  "state": "STABLE",
  "dedicatedServingEndpoint": {
    "publicEndpointDomainName": "PUBLIC_ENDPOINT_DOMAIN_NAME"
  },
  "optimized": {}
}

Sie benötigen die PUBLIC_ENDPOINT_DOMAIN_NAME aus der Antwort, um im folgenden Schritt die ungefähren nächsten Nachbarn abrufen.

Ungefähre nächste Nachbarn über einen öffentlichen Endpunkt abrufen

Nachdem Sie den Domainnamen des öffentlichen Endpunkts für den Onlinespeicher abgerufen haben, können Sie ihn verwenden, um nach ungefähren nächsten Nachbarn einer Einbettung oder Entität zu suchen.

Ungefähre nächste Nachbarn einer Einbettung abrufen

Verwenden Sie das folgende Beispiel, um mithilfe einer Einbettung eine Suche nach semantisch verwandten Entitäten durchzuführen, indem Sie eine Einbettung angeben und einen öffentlichen Endpunkt verwenden.

POST https://PUBLIC_ENDPOINT_DOMAIN_NAME/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/featureViews/FEATUREVIEW_NAME:searchNearestEntities

{
  "query": {
    "embedding": {
      "value": EMBEDDING
    },
    "neighbor_count": NEIGHBOR_COUNT
  },
  "return_full_entity": RETURN_FULL_ENTITY
}

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://PUBLIC_ENDPOINT_DOMAIN_NAME/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/featureViews/FEATUREVIEW_NAME:searchNearestEntities"

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://PUBLIC_ENDPOINT_DOMAIN_NAME/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/featureViews/FEATUREVIEW_NAME:searchNearestEntities" | Select-Object -Expand Content

{
  "nearestNeighbors": {
    "neighbors": [
    {
      "entityId": "305281",
      "distance": -41.115459442138672
    },
    {
      "entityId": "80280",
      "distance": -38.703567504882812
    },
    {
      "entityId": "80280",
      "distance":-38.703567504882812
    },
    {
      "entityId": "903779",
      "distance": -38.214759826660156
    },
    {
      "entityId": "1008145",
      "distance": -36.271354675292969
    },
    {
      "entityId": "606431",
      "distance": -34.791431427001953
    } ]
  }
}

Ungefähre nächste Nachbarn einer Entität abrufen

Verwenden Sie das folgende Beispiel, um mithilfe einer Entitäts-ID über einen öffentlichen Endpunkt nach semantisch verwandten Entitäten zu suchen.

POST https://PUBLIC_ENDPOINT_DOMAIN_NAME/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/featureViews/FEATUREVIEW_NAME:searchNearestEntities

{
  "query": {
    "entity_id": ENTITY_ID,
    "neighbor_count": NEIGHBOR_COUNT
  },
  "return_full_entity": RETURN_FULL_ENTITY
}

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://PUBLIC_ENDPOINT_DOMAIN_NAME/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/featureViews/FEATUREVIEW_NAME:searchNearestEntities"

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://PUBLIC_ENDPOINT_DOMAIN_NAME/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/featureViews/FEATUREVIEW_NAME:searchNearestEntities" | Select-Object -Expand Content

{
  "nearestNeighbors": {
    "neighbors": [
    {
      "entityId": "305281",
      "distance": -41.115459442138672
    },
    {
      "entityId": "80280",
      "distance": -38.703567504882812
    },
    {
      "entityId": "80280",
      "distance":-38.703567504882812
    },
    {
      "entityId": "903779",
      "distance": -38.214759826660156
    },
    {
      "entityId": "1008145",
      "distance": -36.271354675292969
    },
    {
      "entityId": "606431",
      "distance": -34.791431427001953
    } ]
  }
}

Übereinstimmungen mit den nächsten Nachbarn über einen Private Service Connect-Endpunkt suchen

Wenn Sie Ihre Onlinespeicherinstanz so konfiguriert haben, dass Featurewerte über die optimierte Onlinebereitstellung von einem Private Service Connect-Endpunkt bereitgestellt werden, müssen Sie Folgendes tun, um ungefähre nächste Nachbarn abzurufen:

1. String des Dienstanhangs für den Onlinespeicher abrufen

2. Fügen Sie Ihrer Netzwerkkonfiguration einen Endpunkt für Private Service Connect hinzu.

3. Über gRPC eine Verbindung zum Private Service Connect-Endpunkt herstellen

4. Nächste Nachbar-Übereinstimmungen einer Einbettung oder Entität abrufen

String des Dienstanhangs für den Onlinespeicher abrufen

Wenn Sie eine Onlinespeicher-Instanz für die optimierte Onlinebereitstellung mit einem Private Service Connect-Endpunkt erstellen, generiert Vertex AI Feature Store einen String für den Dienstanhang. Sie können den String des Dienstanhangs in den Details des Onlinespeichers abrufen und damit den Private Service Connect-Endpunkt einrichten.

Verwenden Sie das folgende Beispiel, um die Details einer Onlinespeicherinstanz abzurufen.

GET https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME

curl -X GET \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME"

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method GET `
    -Headers $headers `
    -Uri "https://LOCATION_ID-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME" | Select-Object -Expand Content

{
  "name": "projects/PROJECT_NUMBER/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME_1",
  "createTime": "2023-09-06T23:25:04.256314Z",
  "updateTime": "2023-09-06T23:25:04.256314Z",
  "etag": "AMEw9yMgoV0bAsYuKwVxz4Y7lOmxV7riNVHg217KaQAKORqvdqGCrQ1DIt8yHgoGXf8=",
  "state": "STABLE",
  "dedicatedServingEndpoint": {
    "privateServiceConnectConfig": {
      "enablePrivateServiceConnect": "true",
      "projectAllowlist": [
        "PROJECT_NAME"
      ]
    },
    serviceAttachment: "SERVICE_ATTACHMENT_STRING"
  },
  "optimized": {}
}

Sie benötigen den SERVICE_ATTACHMENT_STRING aus der Antwort, um im folgenden Schritt Featurewerte abzurufen.

Endpunkt für Private Service Connect hinzufügen

So fügen Sie Ihrer Netzwerkkonfiguration einen Private Service Connect-Endpunkt für eine optimierte Onlinebereitstellung hinzu:

1. Wählen Sie in der Google Cloud -Console das Projekt mit der Onlinespeicherinstanz aus.

2. Erstellen Sie einen Endpunkt für Private Service Connect, indem Sie SERVICE_ATTACHMENT_STRING als Zieldienst angeben.

Nachdem Sie den Endpunkt erstellt haben, wird er auf dem Tab Verbundene Endpunkte auf der Seite Private Service Connect angezeigt. Die IP-Adresse des Endpunkts wird in der Spalte IP-Adressen angezeigt.

Tab „Verbundene Endpunkte“ aufrufen

Sie benötigen diese IP-Adresse, um im folgenden Schritt eine Verbindung zum Endpunkt für Ihre Onlinespeicher-Instanz zum Private Service Connect-Endpunkt über gRPC herzustellen.

Über gRPC eine Verbindung zum Private Service Connect-Endpunkt herstellen

Verwenden Sie das folgende Codebeispiel, um eine Verbindung zum erstellten Private Service Connect-Endpunkt für Ihren Onlinespeicher über gRPC herzustellen.

from google.cloud.aiplatform_v1 import FeatureOnlineStoreServiceClient
from google.cloud.aiplatform_v1.services.feature_online_store_service.transports.grpc import FeatureOnlineStoreServiceGrpcTransport
import grpc

data_client = FeatureOnlineStoreServiceClient(
  transport = FeatureOnlineStoreServiceGrpcTransport(
    # Add the IP address of the Endpoint you just created.
    channel = grpc.insecure_channel("ENDPOINT_IP:10002")
  )
)

Ersetzen Sie Folgendes:

• ENDPOINT_IP: Die IP-Adresse des Endpunkts in der Spalte IP-Adressen auf der Seite Private Service Connect.

Ungefähre nächste Nachbarn über einen Private Service Connect-Endpunkt abrufen

Nachdem Sie über gRPC eine Verbindung zum Private Service Connect-Endpunkt hergestellt haben, können Sie nach ungefähren nächsten Nachbarn einer Einbettung oder Entität suchen.

Ungefähre nächste Nachbarn einer Einbettung abrufen

Verwenden Sie das folgende Beispiel, um mithilfe einer Einbettung eine Suche nach semantisch verwandten Entitäten durchzuführen, indem Sie einen privaten Endpunkt angeben.

data_client.search_nearest_entities(
  request=feature_online_store_service_pb2.SearchNearestEntitiesRequest(
      feature_view=f"projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/featureViews/FEATUREVIEW_NAME",
      query=feature_online_store_service_pb2.NearestNeighborQuery(
          embedding = "EMBEDDING",
          neighbor_count = NEIGHBOR_COUNT,
      ),
      return_full_entity=RETURN_FULL_ENTITY
  ))

Ersetzen Sie Folgendes:

• LOCATION_ID: Die Region, in der sich der Onlinespeicher befindet, z. B. us-central1.

• PROJECT_ID: Ihre Projekt-ID.

• FEATUREONLINESTORE_NAME: Der Name des Onlinespeichers, der die Featureansicht enthält.

• FEATUREVIEW_NAME: Der Name der Featureansicht, in der Sie nach ungefähren nächsten Nachbarn-Übereinstimmungen suchen möchten.

• EMBEDDING: Einbettung, für die Sie ungefähre nächste Nachbarn-Übereinstimmungen abrufen möchten. Ein Embedding wird durch ein Array von double-Werten dargestellt.

• FORMAT: Optional: Das Format, in dem Sie die Featurewerte abrufen möchten. Zu den unterstützten Formaten gehören das JSON-Schlüssel/Wert-Paar und die Proto-Formate "Struct". Das Proto-Format Struct unterstützt den Werttyp „bytes“ für Funktionen nicht. Wenn Sie Feature-Werte abrufen möchten, die als Byte formatiert sind, verwenden Sie JSON als Antwortformat.

• RETURN_FULL_ENTITY: Optional: Geben Sie an, ob die Features für die Entitäten in die Antwort ein- oder ausgeschlossen werden sollen. Geben Sie true ein, um die Features zusammen mit den Entitäten in die Antwort aufzunehmen. Der Standardwert ist false.

• NEIGHBOR_COUNT: Anzahl der ungefähren nächsten Nachbarn, die Sie abrufen möchten.

Ungefähre nächste Nachbarn einer Entität abrufen

Im folgenden Beispiel wird gezeigt, wie Sie mithilfe einer Einbettung eine Suche nach semantisch verwandten Entitäten durchführen, indem Sie eine Entitäts-ID angeben und einen privaten Endpunkt verwenden.

data_client.search_nearest_entities(
  request=feature_online_store_service_pb2.SearchNearestEntitiesRequest(
      feature_view=f"projects/PROJECT_ID/locations/LOCATION_ID/featureOnlineStores/FEATUREONLINESTORE_NAME/featureViews/FEATUREVIEW_NAME",
      query=feature_online_store_service_pb2.NearestNeighborQuery(
          entity_id = "ENTITY_ID",
          neighbor_count = NEIGHBOR_COUNT,
      ),
      return_full_entity=RETURN_FULL_ENTITY
  ))
 ```

Ersetzen Sie Folgendes:

• LOCATION_ID: Die Region, in der sich der Onlinespeicher befindet, z. B. us-central1.

• PROJECT_ID: Ihre Projekt-ID.

• FEATUREONLINESTORE_NAME: Der Name des Onlinespeichers, der die Featureansicht enthält.

• FEATUREVIEW_NAME: Der Name der Featureansicht, in der Sie nach ungefähren nächsten Nachbarn-Übereinstimmungen suchen möchten.

• ENTITY_ID: Entitäts-ID der Entität, für die Sie Übereinstimmungen mit ungefähren nächsten Nachbarn abrufen möchten.

• FORMAT: Optional: Das Format, in dem Sie die Featurewerte abrufen möchten. Zu den unterstützten Formaten gehören das JSON-Schlüssel/Wert-Paar und die Proto-Formate "Struct". Das Proto-Format Struct unterstützt den Werttyp „bytes“ für Funktionen nicht. Wenn Sie Merkmalswerte abrufen möchten, die als Byte formatiert sind, verwenden Sie JSON als Antwortformat.

• RETURN_FULL_ENTITY: Optional: Geben Sie an, ob die Features für die Entitäten in die Antwort ein- oder ausgeschlossen werden sollen. Geben Sie true ein, um die Features zusammen mit den Entitäten in die Antwort aufzunehmen. Der Standardwert ist false.

• NEIGHBOR_COUNT: Anzahl der ungefähren nächsten Nachbarn, die Sie abrufen möchten.