1. परिचय
इस कोडलैब में, TypeSafe AI के Jev मॉडल को AlloyDB AI से कनेक्ट किया जाएगा. इसके लिए, AlloyDB के नेटिव एआई फ़ंक्शन (ai.if, ai.analyze_sentiment, और ml_predict_row) का इस्तेमाल किया जाएगा. इससे, AlloyDB में मौजूद अपने ऑपरेशनल डेटा पर, Jev मॉडल का इस्तेमाल करके, बैच में अनुमान लगाने की सुविधा को बेहतर तरीके से चलाया जा सकता है. इसके लिए, आपको अपना डेटा ट्रांसफ़र करने या ऐप्लिकेशन-साइड पर जटिल कोड लिखने की ज़रूरत नहीं है.
आपको क्या करना होगा
- Private Service Access (पीएसए) और AlloyDB for PostgreSQL क्लस्टर और प्राइमरी इंस्टेंस को प्रोविज़न करना
- Cloud Shell और इंटरनल कनेक्टिविटी की अनुमति देने वाला वीपीसी फ़ायरवॉल नियम बनाएं
gcloud alloydb clusters importका इस्तेमाल करके, ई-कॉमर्स का सैंपल डेटासेट लोड करें- Google Secret Manager और AlloyDB का
google_ml_integrationएक्सटेंशन चालू करना - Secret Manager में, TypeSafe AI के एपीआई पासकोड को सेव करना और उसका ऐक्सेस देना
- Jev के
noul(बूलियन) औरchoice(भावना) प्रिमिटिव के लिए, PL/pgSQL इनपुट और आउटपुट ट्रांसफ़ॉर्मेशन फ़ंक्शन बनाएं - AlloyDB में कस्टम
jev-modelमॉडल एंडपॉइंट को रजिस्टर करना - स्केलर और ऐरे-बैच वाली सेमैंटिक क्वेरी (
ai.ifऔरai.analyze_sentiment) को सीधे एसक्यूएल में चलाएं ai.analyze_sentimentका इस्तेमाल करके, प्रॉडक्ट के बारे में असली खरीदारों की समीक्षाओं को भावनाओं के आधार पर अलग-अलग कैटगरी में बांटने के लिए क्वेरी करना- (बोनस) एक सामान्य एंडपॉइंट (
jev-systemone) रजिस्टर करें और Jev केscoreप्रिमिटिव का इस्तेमाल करके, ग्राहक संतुष्टि की इंटेंसिटी का लगातार आकलन करें
आपको किन चीज़ों की ज़रूरत होगी
- Chrome जैसा कोई वेब ब्राउज़र
- बिलिंग की सुविधा वाला Google Cloud प्रोजेक्ट
- TypeSafe AI का एपीआई पासकोड (TypeSafe AI से मिला)
2. शुरू करने से पहले
अपना Google क्लाउड प्रोजेक्ट चुनें
Google Cloud Console में, वह Google Cloud प्रोजेक्ट चुनें या बनाएं जिसे आपको इस्तेमाल करना है.
Cloud Shell शुरू करना
Google Cloud Console में सबसे ऊपर दाईं ओर, Activate Cloud Shell पर क्लिक करें.
पुष्टि करें कि आपके Cloud Shell सेशन की पुष्टि हो गई है:
gcloud auth list
अपना प्रोजेक्ट आईडी और एनवायरमेंट वैरिएबल सेट करें:
export PROJECT_ID=$(gcloud config get-value project)
gcloud config set project $PROJECT_ID
export REGION="us-west4"
export ADBCLUSTER="my-alloydb-cluster"
export ADBINSTANCE="my-alloydb-primary"
ज़रूरी Google Cloud API चालू करना
Google Cloud की सभी ज़रूरी सेवा एपीआई चालू करने के लिए, यह कमांड चलाएं:
gcloud services enable \
alloydb.googleapis.com \
servicenetworking.googleapis.com \
secretmanager.googleapis.com \
compute.googleapis.com
3. AlloyDB क्लस्टर और प्राइमरी इंस्टेंस को प्रोविज़न करना
इस चरण में, आपको अपने वीपीसी नेटवर्क में Private Service Access के लिए आईपी रेंज तय करनी होगी. साथ ही, निजी पीयरिंग सेट अप करनी होगी. इसके अलावा, आपको AlloyDB क्लस्टर और प्राइमरी इंस्टेंस को इंटरनेट ऐक्सेस के साथ सेट अप करना होगा.
1. प्राइवेट सर्विस ऐक्सेस (पीएसए) आईपी रेंज बनाना
AlloyDB के लिए, आपके वर्चुअल प्राइवेट क्लाउड (वीपीसी) नेटवर्क में निजी आईपी रेंज तय करना ज़रूरी है. मान लें कि default वीपीसी नेटवर्क का इस्तेमाल किया जा रहा है:
निजी आईपी रेंज का ऐलोकेशन बनाएं:
gcloud compute addresses create psa-range \
--global \
--purpose=VPC_PEERING \
--prefix-length=24 \
--description="VPC private service access" \
--network=default
निजी वीपीसी पीयरिंग कनेक्शन सेट अप करें:
gcloud services vpc-peerings connect \
--service=servicenetworking.googleapis.com \
--ranges=psa-range \
--network=default
2. AlloyDB क्लस्टर बनाना
शुरुआती postgres एडमिन यूज़र के लिए, एक सुरक्षित डेटाबेस पासवर्ड जनरेट करें:
export PGPASSWORD="$(openssl rand -hex 8)@1aA"
echo "Your generated AlloyDB postgres password is: $PGPASSWORD"
AlloyDB को मुफ़्त में आज़माने के लिए क्लस्टर बनाएं:
gcloud alloydb clusters create $ADBCLUSTER \
--password=$PGPASSWORD \
--network=default \
--region=$REGION
3. एआई फ़्लैग और आउटबाउंड कनेक्टिविटी की मदद से प्राइमरी इंस्टेंस बनाना
AlloyDB, आउटबाउंड एचटीटीपीएस के ज़रिए TypeSafe AI के सुरक्षित SaaS एंडपॉइंट (https://api.typesafe.ai/v1/systemone) से सीधे कनेक्ट होता है. इसलिए, आपको --outbound-public-ip की जानकारी देनी होगी. इसके अलावा, एनवायरमेंट के लिए AlloyDB एआई डेटाबेस फ़्लैग कॉन्फ़िगर करें:
gcloud alloydb instances create $ADBINSTANCE \
--instance-type=PRIMARY \
--cpu-count=2 \
--region=$REGION \
--cluster=$ADBCLUSTER \
--outbound-public-ip \
--ssl-mode=ALLOW_UNENCRYPTED_AND_ENCRYPTED \
--database-flags=\
google_ml_integration.enable_model_support=on,\
google_ml_integration.enable_ai_query_engine=on,\
google_ml_integration.enable_ai_function_acceleration=on,\
google_ml_integration.enable_cost_optimized_ai_functions=on,\
parameterized_views.enabled=on,\
password.enforce_complexity=on,\
password.min_uppercase_letters=1,\
password.min_numerical_chars=1,\
password.min_pass_length=10
4. सैंपल ई-कॉमर्स डेटा लोड करें
असल सिमैंटिक क्वेरी की जांच करने के लिए, Cloud Storage से सीधे प्रॉडक्ट कैटलॉग और खरीदारों की समीक्षाओं वाला सैंपल ई-कॉमर्स डेटासेट इंपोर्ट करें:
gcloud alloydb clusters import $ADBCLUSTER \
--region=$REGION \
--project=$PROJECT_ID \
--gcs-uri="gs://sample-data-and-media/ecomm-retail/ecom_generic.sql" \
--sql \
--database=postgres \
--user=postgres
4. TypeSafe AI के एपीआई पासकोड को Secret Manager में सेव करना
AlloyDB का मॉडल एंडपॉइंट मैनेजमेंट, Google Secret Manager के साथ नेटिव तौर पर इंटिग्रेट होता है. इससे बाहरी एपीआई कॉल की पुष्टि की जाती है. इसके लिए, डेटाबेस कोड या कॉन्फ़िगरेशन लॉग में, क्रेडेंशियल को सादे टेक्स्ट के तौर पर दिखाने की ज़रूरत नहीं पड़ती.
1. सीक्रेट बनाएं
Cloud Shell में, typesafe-jev-api-key नाम का एक नया सीक्रेट बनाएं:
gcloud secrets create typesafe-jev-api-key \
--replication-policy="automatic"
TypeSafe AI API पासकोड को सीक्रेट वर्शन के तौर पर जोड़ें:
echo -n "<YOUR_TYPESAFE_API_KEY>" | \
gcloud secrets versions add typesafe-jev-api-key --data-file=-
2. AlloyDB सर्विस एजेंट को ऐक्सेस देना
AlloyDB, क्वेरी को एक्ज़ीक्यूट करने के दौरान सीक्रेट को वापस पाने के लिए, अपने प्रोजेक्ट सर्विस एजेंट का इस्तेमाल करता है. अपना प्रोजेक्ट नंबर ढूंढें और सीक्रेट ऐक्सेसर की भूमिका दें:
PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")
ALLOYDB_SA="service-${PROJECT_NUMBER}@gcp-sa-alloydb.iam.gserviceaccount.com"
gcloud secrets add-iam-policy-binding typesafe-jev-api-key \
--member="serviceAccount:${ALLOYDB_SA}" \
--role="roles/secretmanager.secretAccessor"
आपको आउटपुट दिखेगा, जिससे पुष्टि होगी कि सर्विस एजेंट को roles/secretmanager.secretAccessor मिल गया है.
5. AlloyDB Studio के ज़रिए AlloyDB से कनेक्ट करना और डेटाबेस एक्सटेंशन शुरू करना
लोकल क्लाइंट टूल या प्रॉक्सी टनल को कॉन्फ़िगर किए बिना, सीधे अपने ब्राउज़र से AlloyDB डेटाबेस के साथ इंटरैक्ट करने के लिए, Google Cloud Console में AlloyDB Studio का इस्तेमाल करें.
1. AlloyDB Studio खोलें
- Google Cloud Console में, AlloyDB for PostgreSQL > क्लस्टर पर जाएं.
- अपने क्लस्टर (
my-alloydb-cluster) पर क्लिक करें. - बाईं ओर मौजूद नेविगेशन मेन्यू में, AlloyDB Studio पर क्लिक करें.
- डेटाबेस की पुष्टि करें:
- डेटाबेस:
postgres - उपयोगकर्ता:
postgres - Password: क्लस्टर बनाते समय जनरेट किया गया
$PGPASSWORDडालें. उदाहरण के लिए, इसे देखने के लिए Cloud Shell मेंecho $PGPASSWORDचलाएं.
- डेटाबेस:
- प्रमाणित करें पर क्लिक करें.
अब आप AlloyDB Studio के इंटरैक्टिव एसक्यूएल क्वेरी एडिटर में हैं.
2. डेटाबेस एक्सटेंशन और फ़्लैग चालू करना
AlloyDB Studio के क्वेरी एडिटर में, यहां दिए गए स्टेटमेंट चिपकाएं और चलाएं. इससे google_ml_integration एक्सटेंशन चालू हो जाएगा और रनटाइम सेटिंग कॉन्फ़िगर हो जाएंगी:
-- Enable the AlloyDB AI integration extension
CREATE EXTENSION IF NOT EXISTS google_ml_integration;
-- Enable preview AI functions (ai.analyze_sentiment, ai.classify)
SET google_ml_integration.enable_preview_ai_functions = 'on';
-- Disable async batching for the session to use custom transform functions directly
SET google_ml_integration.enable_async_operation = 'off';
क्वेरी को लागू करने के लिए, Run पर क्लिक करें.
3. AlloyDB MEM में सीक्रेट को रजिस्टर करना
AlloyDB को बताएं कि TypeSafe AI का एपीआई पासकोड कहां मिलेगा:
CALL google_ml.create_sm_secret(
secret_id => 'jev_api_key',
secret_path => 'projects/<YOUR_PROJECT_ID>/secrets/typesafe-jev-api-key/versions/latest'
);
6. एसक्यूएल ट्रांसफ़ॉर्मेशन फ़ंक्शन बनाना
TypeSafe AI का System One API, स्ट्रक्चर्ड JSON को स्वीकार करता है. इसमें अलग-अलग तरह के रीज़निंग प्रिमिटिव होते हैं. जैसे, बूलियन कंस्ट्रेंट के लिए noul और मल्टी-क्लास क्लासिफ़िकेशन के लिए choice.
AlloyDB का मॉडल एंडपॉइंट मैनेजमेंट, स्टैंडर्ड PostgreSQL ai.* फ़ंक्शन सिग्नेचर को Jev REST API फ़ॉर्मैट से जोड़ने के लिए, चार ट्रांसफ़ॉर्मेशन फ़ंक्शन (स्केलर इनपुट, स्केलर आउटपुट, बैच इनपुट, बैच आउटपुट) का इस्तेमाल करता है.
1. स्केलर इनपुट ट्रांसफ़ॉर्म
एक लाइन वाले ai.if और ai.analyze_sentiment कॉल को Jev अनुरोध पेलोड में बदलने के लिए, यह फ़ंक्शन जोड़ें:
CREATE OR REPLACE FUNCTION public.jev_model_input_transform(
model_id VARCHAR(100),
input_text TEXT,
generation_config JSON,
system_instruction TEXT
) RETURNS JSON
LANGUAGE plpgsql IMMUTABLE AS $$
DECLARE
full_instruction TEXT;
enum_json JSON;
criteria_obj JSONB := '{}'::JSONB;
elem TEXT;
q_obj JSON;
BEGIN
-- Combine optional system instructions with the input prompt
IF system_instruction IS NOT NULL AND length(trim(system_instruction)) > 0 THEN
full_instruction := system_instruction || E'\n\n' || input_text;
ELSE
full_instruction := input_text;
END IF;
-- Inspect generation_config to determine whether caller expects a multi-class choice or boolean
enum_json := COALESCE(
generation_config->'generationConfig'->'responseSchema'->'enum',
generation_config->'responseSchema'->'enum'
);
IF enum_json IS NOT NULL AND json_typeof(enum_json) = 'array' THEN
-- Multi-class classification (ai.analyze_sentiment) -> Jev choice primitive
FOR elem IN SELECT json_array_elements_text(enum_json) LOOP
criteria_obj := criteria_obj || jsonb_build_object(elem, 'Category: ' || elem);
END LOOP;
q_obj := json_build_object(
'type', 'choice',
'instructions', full_instruction,
'criteria', criteria_obj::JSON
);
ELSE
-- Boolean filtering (ai.if) -> Jev noul primitive
q_obj := json_build_object(
'type', 'noul',
'instructions', full_instruction
);
END IF;
RETURN json_build_object(
'model', 'jev-latest',
'state', COALESCE(generation_config->>'state', 'Evaluate the question accurately based on the provided text.'),
'questions', json_build_object('q_1', q_obj)
);
END;
$$;
2. स्केलर आउटपुट ट्रांसफ़ॉर्म
जेव के JSON रिस्पॉन्स को PostgreSQL TEXT के नतीजे में वापस अनपैक करने के लिए, फ़ंक्शन जोड़ें:
CREATE OR REPLACE FUNCTION public.jev_model_output_transform(
model_id VARCHAR(100),
response_json JSON
) RETURNS TEXT
LANGUAGE plpgsql IMMUTABLE AS $$
DECLARE
q_ans JSON := response_json->'answers'->'q_1';
ans_type TEXT := q_ans->>'type';
BEGIN
IF ans_type = 'choice' THEN
RETURN q_ans->>'choice';
ELSIF ans_type = 'noul' THEN
-- Convert probability score (0.00 to 1.00) to boolean text
RETURN CASE WHEN (q_ans->>'noul')::FLOAT >= 0.50 THEN 'true' ELSE 'false' END;
ELSE
RAISE EXCEPTION 'Unexpected Jev response payload: %', response_json::TEXT;
END IF;
END;
$$;
3. बैच इनपुट ट्रांसफ़ॉर्म
जेव, एक ही एचटीटीपी राउंड-ट्रिप में एक साथ दर्जनों सवालों का आकलन कर सकता है. इससे जनरेटिव क्वालिटी में कोई गिरावट नहीं आती.
PostgreSQL prompts TEXT[] कलेक्शन को पैरलल q_1 .. q_N Jev सवालों में बदलने के लिए, बैच इनपुट ट्रांसफ़ॉर्म जोड़ें:
CREATE OR REPLACE FUNCTION public.jev_model_batch_input_transform(
model_id VARCHAR(100),
prompts TEXT[],
generation_config JSON,
system_instructions JSON
) RETURNS JSON
LANGUAGE plpgsql IMMUTABLE AS $$
DECLARE
questions_obj JSONB := '{}'::JSONB;
enum_json JSON;
criteria_obj JSONB := '{}'::JSONB;
elem TEXT;
is_choice BOOLEAN := FALSE;
i INT;
BEGIN
enum_json := COALESCE(
generation_config->'generationConfig'->'responseSchema'->'items'->'enum',
generation_config->'generationConfig'->'responseSchema'->'enum',
generation_config->'responseSchema'->'items'->'enum',
generation_config->'responseSchema'->'enum'
);
IF enum_json IS NOT NULL AND json_typeof(enum_json) = 'array' THEN
IF NOT (enum_json::JSONB = '["true", "false"]'::JSONB OR enum_json::JSONB = '["false", "true"]'::JSONB) THEN
is_choice := TRUE;
FOR elem IN SELECT json_array_elements_text(enum_json) LOOP
criteria_obj := criteria_obj || jsonb_build_object(elem, 'Category: ' || elem);
END LOOP;
END IF;
END IF;
-- Construct parallel questions for every prompt in the array
FOR i IN 1 .. COALESCE(array_length(prompts, 1), 0) LOOP
IF is_choice THEN
questions_obj := questions_obj || jsonb_build_object(
'q_' || i::TEXT,
jsonb_build_object(
'type', 'choice',
'instructions', prompts[i],
'criteria', criteria_obj
)
);
ELSE
questions_obj := questions_obj || jsonb_build_object(
'q_' || i::TEXT,
jsonb_build_object(
'type', 'noul',
'instructions', prompts[i]
)
);
END IF;
END LOOP;
RETURN json_build_object(
'model', 'jev-latest',
'state', COALESCE(generation_config->>'state', 'Evaluate each question independently based on the record data.'),
'questions', questions_obj::JSON
);
END;
$$;
4. बैच आउटपुट ट्रांसफ़ॉर्म
जवाबों को सही 1..N कलेक्शन इंडेक्स ऑर्डर में निकालने के लिए, फ़ंक्शन जोड़ें:
CREATE OR REPLACE FUNCTION public.jev_model_batch_output_transform(
model_id VARCHAR(100),
response JSON
) RETURNS TEXT[]
LANGUAGE plpgsql IMMUTABLE AS $$
DECLARE
results TEXT[] := ARRAY[]::TEXT[];
answers JSON := response->'answers';
i INT := 1;
q_ans JSON;
ans_type TEXT;
BEGIN
LOOP
q_ans := answers->('q_' || i::TEXT);
EXIT WHEN q_ans IS NULL;
ans_type := q_ans->>'type';
IF ans_type = 'choice' THEN
results := array_append(results, q_ans->>'choice');
ELSE
results := array_append(results, CASE WHEN (q_ans->>'noul')::FLOAT >= 0.50 THEN 'true' ELSE 'false' END);
END IF;
i := i + 1;
END LOOP;
RETURN results;
END;
$$;
7. AlloyDB में कस्टम मॉडल एंडपॉइंट को रजिस्टर करना
अब आपको ट्रांसफ़ॉर्मेशन फ़ंक्शन, सीक्रेट क्रेडेंशियल, और TypeSafe AI REST एंडपॉइंट को एक साथ बाइंड करना होगा. इसके लिए, आपको jev-model नाम के रजिस्टर किए गए मॉडल का इस्तेमाल करना होगा.
1. jev-model रजिस्टर करें
AlloyDB Studio के क्वेरी एडिटर में, यह क्वेरी चिपकाएं और चलाएं:
-- Drop previous registration if updating
DO $$
BEGIN
IF EXISTS (SELECT 1 FROM google_ml.model_info_view WHERE model_id = 'jev-model') THEN
CALL google_ml.drop_model('jev-model');
END IF;
END $$;
-- Register custom LLM endpoint
CALL google_ml.create_model(
model_id => 'jev-model',
model_request_url => 'https://api.typesafe.ai/v1/systemone',
model_provider => 'custom',
model_type => 'llm',
model_qualified_name => 'jev-latest',
model_auth_type => 'secret_manager',
model_auth_id => 'jev_api_key',
model_in_transform_fn => 'jev_model_input_transform',
model_out_transform_fn => 'jev_model_output_transform',
model_batch_in_transform_fn => 'jev_model_batch_input_transform',
model_batch_out_transform_fn => 'jev_model_batch_output_transform'
);
2. रजिस्ट्रेशन की पुष्टि करना
मॉडल रजिस्ट्री व्यू को क्वेरी करें, ताकि यह पक्का किया जा सके कि jev-model चालू है और उसकी पहचान की जा रही है:
SELECT model_id, model_type, model_provider, model_auth_type
FROM google_ml.model_info_view
WHERE model_id = 'jev-model';
आपको इससे मिलता-जुलता आउटपुट दिखेगा:
model_id | model_type | model_provider | model_auth_type ----------+------------+----------------+----------------- jev-model | llm | custom | secret_manager (1 row)
8. Jev के लिए टेस्ट क्वेरी चलाएं
jev-model को रजिस्टर करने के बाद, अब स्टैंडर्ड PostgreSQL क्वेरी में सीधे तौर पर सिमैंटिक ऑपरेशन किए जा सकते हैं.
1. स्केलर बूलियन फ़िल्टरिंग की जांच करें (ai.if)
ai.if का इस्तेमाल करके, टेक्स्ट वाले किसी एक स्टेटमेंट का आकलन करना:
SELECT ai.if(
prompt => 'Is the product "North Face Waterproof Gore-Tex Hiking Jacket ($249)" suitable for rainy outdoor conditions?',
model_id => 'jev-model'
) AS is_suitable;
आपको इससे मिलता-जुलता आउटपुट दिखेगा:
is_suitable ------------- true (1 row)
2. स्केलर भावनाओं का विश्लेषण (ai.analyze_sentiment) की जांच करें
ग्राहक के सुझाव, राय या शिकायत का आकलन करके, उसे किसी कैटगरी के लेबल (positive, negative या neutral) में रखें:
SET google_ml_integration.enable_preview_ai_functions = 'on';
SELECT ai.analyze_sentiment(
input => 'The stitching on this jacket tore on the second day and the zipper jammed completely.',
model_id => 'jev-model'
) AS sentiment;
आपको इससे मिलता-जुलता आउटपुट दिखेगा:
sentiment ----------- negative (1 row)
3. अरे-बैच वाले बूलियन फ़िल्टर की जांच करना
प्रॉम्प्ट का कलेक्शन पास करके, एक ही क्वेरी में कई आइटम का आकलन करें:
SET google_ml_integration.enable_async_operation = 'off';
SELECT unnest(prompts) AS product_prompt,
unnest(ai.if(prompts => prompts, model_id => 'jev-model')) AS is_cold_weather
FROM (
SELECT ARRAY[
'Is "Arctic Expedition Down Parka (-30F)" cold-weather winter outerwear?',
'Is "Men''s Boardshorts Beach Swim Trunk" cold-weather winter outerwear?',
'Is "Merino Wool Thermal Base Layer" cold-weather winter outerwear?'
] AS prompts
) b;
आपको इससे मिलता-जुलता आउटपुट दिखेगा:
product_prompt | is_cold_weather -------------------------------------------------------------------------+----------------- Is "Arctic Expedition Down Parka (-30F)" cold-weather winter outerwear? | true Is "Men's Boardshorts Beach Swim Trunk" cold-weather winter outerwear? | false Is "Merino Wool Thermal Base Layer" cold-weather winter outerwear? | false (3 rows)
4. अरे बैचिंग की मदद से, टेबल क्वेरी की जांच करना
अब क्लस्टर प्रोविज़निंग के दौरान लोड की गई ecomm.products टेबल को क्वेरी करें. इसके लिए, आइटम के बैच पर ai.if का इस्तेमाल करें, ताकि यह पता चल सके कि कैटलॉग में मौजूद कौनसे प्रॉडक्ट, ठंड के मौसम में पहने जाने वाले कपड़े हैं.
टेबल के डेटा पर हाई-थ्रूपुट सिमैंटिक फ़िल्टरिंग (उदाहरण के लिए, हर बैच में 50 लाइनें) चलाने के लिए, PostgreSQL के row_number() विंडो फ़ंक्शन का इस्तेमाल करके, लाइनों को बैच में बांटें:
-- Evaluate a 50-row batch of real catalog items from ecomm.products
WITH numbered AS (
SELECT
id,
name,
category,
product_description,
((row_number() OVER (ORDER BY id) - 1) / 50) AS batch_id
FROM ecomm.products
ORDER BY id DESC
LIMIT 50
),
batched AS (
SELECT
batch_id,
array_agg(id ORDER BY id) AS ids,
array_agg(name ORDER BY id) AS names,
array_agg(category ORDER BY id) AS categories,
array_agg(product_description ORDER BY id) AS descs,
ai.if(
prompts => array_agg('Is "' || name || '" designed for cold weather winter outerwear?' ORDER BY id),
model_id => 'jev-model'
) AS decisions
FROM numbered
GROUP BY batch_id
),
unrolled AS (
SELECT
b.batch_id,
u.id,
u.name,
u.category,
u.product_description,
u.decision AS cold_weather_gear
FROM batched b
CROSS JOIN LATERAL unnest(b.ids, b.names, b.categories, b.descs, b.decisions)
AS u(id, name, category, product_description, decision)
)
SELECT id, name, category, product_description, cold_weather_gear
FROM unrolled
WHERE cold_weather_gear = TRUE
LIMIT 5;
आपको इससे मिलता-जुलता आउटपुट दिखेगा:
id | name | category | product_description | cold_weather_gear -------+----------------------------------------------------------------------+-------------+--------------------------------------------------------------------------------------------------------------------+------------------- 29071 | Winter Striped Beanie with Pom | Accessories | Brave the chill in style with the SoleStyle Winter Striped Beanie! This cozy beanie adds a pop of personality... | true 29077 | Knit Collegiate Rugby Stripe Winter Scarf & Beanie Hat Set | Accessories | Stay cozy and show off your sporty side with our Knit Collegiate Rugby Stripe Scarf & Beanie Set... | true 29083 | Junction Finds Men's Muscle Wool Blend Trapper Hat | Accessories | Brave the elements in style with the Junction Finds Trapper Hat! This wool-blend hat will keep you warm... | true 29086 | Mens Soft Thermal Insulated Wrist Length Leather Gloves - Black | Accessories | Brave the chill in style with these supple leather gloves from Gavel Goods! Lined with a soft, thermal knit... | true 29090 | Long Beanie-Red W16S24E | Accessories | Stay cozy and stylish all season long with this vibrant red beanie from Enchant! This isn't just any hat... | true (5 rows)
5. प्रॉडक्ट के बारे में खरीदारों की समीक्षाओं से उनकी भावनाएं जानने के लिए क्वेरी करना
अब Jev के choice प्रिमिटिव की मदद से, ai.analyze_sentiment का इस्तेमाल करके ecomm.product_reviews टेबल से खरीदारों की समीक्षाओं का विश्लेषण करें:
SET google_ml_integration.enable_preview_ai_functions = 'on';
SELECT
r.id,
p.name AS product_name,
r.rating AS customer_star_rating,
substring(r.review_text FROM 1 FOR 70) || '...' AS review_snippet,
ai.analyze_sentiment(
input => r.review_text,
model_id => 'jev-model'
) AS detected_sentiment
FROM ecomm.product_reviews r
JOIN ecomm.products p ON r.product_id = p.id
ORDER BY r.id
LIMIT 5;
आपको इससे मिलता-जुलता आउटपुट दिखेगा:
id | product_name | customer_star_rating | review_snippet | detected_sentiment ----+------------------------------------------------+----------------------+-------------------------------------------------------------------------+-------------------- 1 | Hugs & Kisses Juniors Peplum Skirt | 1 | This skirt was poorly made and the fabric felt extremely cheap for for...| negative 2 | Bonkers Larry Full Length Pull on Pants | 1 | These pants are way too expensive for the terrible quality you get. Th...| negative 3 | Gifts and Garb Brah Bra Extenders | 3 | These extenders are okay but nothing special. They do add a bit of ext...| neutral 4 | Auto Forge Men's Tall Duck Traditional Coat | 1 | This coat is terribly stiff and heavy, making it very uncomfortable to...| negative 5 | Weaver's Way Men's Shetland Zip Neck Sweater | 2 | This sweater is just okay and not really worth the high price tag. The...| negative (5 rows)
9. बोनस: जेव के साथ लगातार सेंटिमेंट स्कोरिंग स्कोर
AlloyDB के एआई फ़ंक्शन, जैसे कि ai.analyze_sentiment, कैटगरी के हिसाब से बकेट (positive, negative, neutral) दिखाते हैं. वहीं, TypeSafe AI का score प्रिमिटिव, क्रम से लगाए गए रूब्रिक के आधार पर बारीकियों का आकलन करता है. साथ ही, उम्मीद के मुताबिक 0 से 100 के बीच की रेटिंग दिखाता है.
score, टेक्स्ट क्लासिफ़िकेशन लेबल के बजाय न्यूमेरिक मेटाडेटा दिखाता है. इसलिए, आपके पास कस्टम generic मॉडल एंडपॉइंट (jev-systemone) को रजिस्टर करने और google_ml.predict_row का इस्तेमाल करके उसे शुरू करने का विकल्प होता है.
1. जेनेरिक एंडपॉइंट रजिस्टर करना
AlloyDB Studio में, model_type => 'generic' के साथ jev-systemone को रजिस्टर करें:
DO $$
BEGIN
IF EXISTS (SELECT 1 FROM google_ml.model_info_view WHERE model_id = 'jev-systemone') THEN
CALL google_ml.drop_model('jev-systemone');
END IF;
EXCEPTION WHEN OTHERS THEN
NULL;
END $$;
CALL google_ml.create_model(
model_id => 'jev-systemone',
model_request_url => 'https://api.typesafe.ai/v1/systemone',
model_provider => 'custom',
model_type => 'generic',
model_qualified_name => 'jev-latest',
model_auth_type => 'secret_manager',
model_auth_id => 'jev_api_key'
);
2. एक से ज़्यादा टास्क वाले आकलन को चलाना (बूलियन + लगातार स्कोर)
एक ही एचटीटीपी कॉल में, गड़बड़ी की बूलियन जांच (noul) और लगातार भावना की तीव्रता (score), दोनों का एक साथ आकलन करें:
SELECT jsonb_pretty(google_ml.predict_row(
model_id => 'jev-systemone',
request_body => json_build_object(
'model', 'jev-latest',
'state', 'Review for North Face Parka: "The zipper broke on day 3 and customer service refused an exchange, though the fabric itself is very soft."',
'questions', json_build_object(
'has_defect', json_build_object(
'type', 'noul',
'instructions', 'Does this review report a physical product defect or failure?'
),
'satisfaction_score', json_build_object(
'type', 'score',
'instructions', 'Rate the customer sentiment and satisfaction on a 1-5 scale.',
'criteria', json_build_array(
'1: Extremely dissatisfied / defect failure',
'2: Dissatisfied',
'3: Mixed or neutral',
'4: Satisfied',
'5: Delighted'
)
)
)
)
)::jsonb) AS jev_analysis;
आपको इससे मिलता-जुलता आउटपुट दिखेगा (आपके नतीजे अलग हो सकते हैं):
{
"model": "jev-1.13.0",
"usage": {
"input_tokens": 388,
"output_tokens": 39
},
"answers": {
"has_defect": {
"noul": 0.98,
"type": "noul"
},
"satisfaction_score": {
"type": "score",
"score": 0.11,
"legend": {
"0": "1: Extremely dissatisfied / defect failure",
"1": "2: Dissatisfied",
"2": "3: Mixed or neutral",
"3": "4: Satisfied",
"4": "5: Delighted"
},
"confidence": 0.91,
"probabilities": {
"0": 0.9,
"1": 0.08,
"2": 0.02,
"3": 0.0,
"4": 0.0
}
}
}
}
ध्यान दें कि satisfaction_score की वैल्यू 11 / 100 है. इससे यह सटीक तौर पर पता चलता है कि ग्राहक को ज़्यादातर नकारात्मक अनुभव मिला. भले ही, उसने यह माना हो कि फ़ैब्रिक मुलायम था!
10. व्यवस्थित करें
इस कोडलैब के दौरान बनाए गए संसाधनों के लिए शुल्क देने से बचने के लिए, सीक्रेट और डेटाबेस ऑब्जेक्ट मिटाएं. साथ ही, AlloyDB क्लस्टर को मिटाएं.
1. Secret Manager के संसाधनों को मिटाना
Cloud Shell में, TypeSafe AI के एपीआई पासकोड के लिए बनाया गया सीक्रेट मिटाएं:
gcloud secrets delete typesafe-jev-api-key --quiet
2. AlloyDB का प्राइमरी इंस्टेंस और क्लस्टर मिटाना
सबसे पहले, प्राइमरी इंस्टेंस को मिटाएं:
gcloud alloydb instances delete $ADBINSTANCE \
--cluster=$ADBCLUSTER \
--region=$REGION \
--quiet
इंस्टेंस मिटाने के बाद, क्लस्टर को मिटाएं:
gcloud alloydb clusters delete $ADBCLUSTER \
--region=$REGION \
--quiet
11. बधाई हो
बधाई हो! आपने Google Cloud AlloyDB क्लस्टर को सेट अप कर लिया है और उसे TypeSafe AI System One (Jev) के साथ इंटिग्रेट कर लिया है.
आपने क्या सीखा
- प्राइवेट सर्विस ऐक्सेस (पीएसए) को सेट अप करने और AlloyDB for PostgreSQL क्लस्टर और प्राइमरी इंस्टेंस को प्रावधान करने का तरीका.
--outbound-public-ipको चालू करने का तरीका, ताकि AlloyDB बाहरी एचटीटीपीएस SaaS एपीआई को ऐक्सेस कर सके.- तीसरे पक्ष के एआई प्रोवाइडर के क्रेडेंशियल को Google Secret Manager में सुरक्षित तरीके से सेव करने और उन्हें AlloyDB से बाइंड करने का तरीका.
- PL/pgSQL ट्रांसफ़ॉर्मेशन फ़ंक्शन लिखने का तरीका, जो स्टैंडर्ड PostgreSQL एआई फ़ंक्शन (
ai.ifऔरai.analyze_sentiment) को बाहरी REST API से जोड़ते हैं. google_ml.create_modelका इस्तेमाल करके, AlloyDB में कस्टम एलएलएम एंडपॉइंट रजिस्टर करने का तरीका.- PostgreSQL में सीधे तौर पर स्केलर और हाई-थ्रूपुट वाले बैच में सेमैंटिक एसक्यूएल क्वेरी को कैसे एक्ज़ीक्यूट करें.
- ग्राहकों की भावनाओं को समझने के लिए, प्रॉडक्ट की समीक्षाओं का विश्लेषण कैसे करें.
google_ml.predict_rowकी मदद से, सामान्य मॉडल एंडपॉइंट को रजिस्टर करने और ग्राहक संतुष्टि के स्कोर (0..100) का लगातार आकलन करने का तरीका.
अगले चरण
- AlloyDB AI दस्तावेज़ में, AlloyDB AI फ़ंक्शन की क्षमताओं के बारे में ज़्यादा जानें.
- Noul की कंस्ट्रेंट लॉजिक और सेंटिमेंट स्कोरिंग के बारे में ज़्यादा जानने के लिए, TypeSafe AI API का रेफ़रंस पढ़ें.