1. Giriş
Bu codelab'de, AlloyDB'nin yerel yapay zeka işlevlerini (ai.if, ai.analyze_sentiment ve ml_predict_row) kullanarak TypeSafe AI'ın Jev modelini AlloyDB AI'a bağlayacaksınız. Bu sayede, verilerinizi taşımadan veya karmaşık uygulama tarafı kodları yazmadan doğrudan AlloyDB'deki operasyonel verileriniz üzerinde Jev modelini kullanarak verimli toplu çıkarım yapabilirsiniz.
Yapacaklarınız
- Özel Hizmet Erişimi (PSA) ve PostgreSQL için AlloyDB kümesi ile birincil örneği temel hazırlığı yapma
- Cloud Shell ve dahili bağlantıya izin veren bir VPC güvenlik duvarı kuralı oluşturma
gcloud alloydb clusters importkullanarak e-ticaret örnek veri kümesi yükleme- Google Secret Manager'ı ve AlloyDB'nin
google_ml_integrationuzantısını etkinleştirme - TypeSafe AI API anahtarınızı Secret Manager'da depolama ve anahtara erişim izni verme
- Jev'in
noul(boolean) vechoice(duygu) temel öğeleri için PL/pgSQL giriş ve çıkış dönüştürme işlevleri oluşturma - AlloyDB'de özel
jev-modelmodel uç noktasını kaydetme - Skaler ve dizi toplu semantik sorguları (
ai.ifveai.analyze_sentiment) doğrudan SQL'de çalıştırma ai.analyze_sentimentkullanarak duygu sınıflandırması için gerçek müşteri ürün yorumlarını sorgulama- (Bonus) Genel bir uç nokta (
jev-systemone) kaydedin ve Jev'inscoretemel öğesini kullanarak sürekli müşteri memnuniyeti yoğunluğunu değerlendirin.
İhtiyacınız olanlar
- Chrome gibi bir web tarayıcısı
- Faturalandırmanın etkin olduğu bir Google Cloud projesi
- TypeSafe AI API anahtarı (TypeSafe AI'dan)
2. Başlamadan önce
Google Cloud projenizi seçin
Google Cloud Console'da, kullanmak istediğiniz Google Cloud projesini seçin veya oluşturun.
Cloud Shell'i Başlatma
Google Cloud konsolunun sağ üst kısmından Cloud Shell'i etkinleştir'i tıklayın.
Cloud Shell oturumunuzun kimliğinin doğrulandığını onaylayın:
gcloud auth list
Proje kimliğinizi ve ortam değişkenlerinizi ayarlayın:
export PROJECT_ID=$(gcloud config get-value project)
gcloud config set project $PROJECT_ID
export REGION="us-west4"
export ADBCLUSTER="my-alloydb-cluster"
export ADBINSTANCE="my-alloydb-primary"
Gerekli Google Cloud API'lerini etkinleştirme
Gerekli tüm Google Cloud hizmet API'lerini etkinleştirmek için şu komutu çalıştırın:
gcloud services enable \
alloydb.googleapis.com \
servicenetworking.googleapis.com \
secretmanager.googleapis.com \
compute.googleapis.com
3. AlloyDB kümesini ve birincil örneği temel hazırlıkla oluşturma
Bu adımda, VPC ağınızda bir Private Service Access IP aralığı tahsis edecek, özel eşleme oluşturacak ve AlloyDB kümenizi ve birincil örneğinizi giden internet erişimiyle temel hazırlık yapacaksınız.
1. Özel Hizmet Erişimi (PSA) IP aralığı oluşturma
AlloyDB, Sanal Özel Bulut (VPC) ağınızda özel bir IP aralığı tahsisi gerektirir. default VPC ağını kullandığınızı varsayarsak:
Özel IP aralığı tahsisini oluşturun:
gcloud compute addresses create psa-range \
--global \
--purpose=VPC_PEERING \
--prefix-length=24 \
--description="VPC private service access" \
--network=default
Özel VPC eşleme bağlantısını oluşturun:
gcloud services vpc-peerings connect \
--service=servicenetworking.googleapis.com \
--ranges=psa-range \
--network=default
2. AlloyDB kümesini oluşturma
İlk postgres yönetici kullanıcı için güvenli bir veritabanı şifresi oluşturun:
export PGPASSWORD="$(openssl rand -hex 8)@1aA"
echo "Your generated AlloyDB postgres password is: $PGPASSWORD"
AlloyDB ücretsiz deneme kümesi oluşturma:
gcloud alloydb clusters create $ADBCLUSTER \
--password=$PGPASSWORD \
--network=default \
--region=$REGION
3. Yapay zeka işaretleri ve giden bağlantı ile birincil örneği oluşturma
AlloyDB, giden HTTPS üzerinden TypeSafe AI'ın güvenli SaaS uç noktasına (https://api.typesafe.ai/v1/systemone) doğrudan bağlanır. Bu nedenle --outbound-public-ip değerini belirtmeniz gerekir. Ayrıca, ortam için AlloyDB AI veritabanı işaretlerini yapılandırın:
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. Örnek E-Ticaret Verilerini Yükleme
Gerçekçi semantik sorguları test etmek için ürün katalogları ve müşteri yorumları içeren örnek bir e-ticaret veri kümesini doğrudan Cloud Storage'dan içe aktarın:
gcloud alloydb clusters import $ADBCLUSTER \
--region=$REGION \
--project=$PROJECT_ID \
--gcs-uri="gs://sample-data-and-media/ecomm-retail/ecom_generic.sql" \
--sql \
--database=postgres \
--user=postgres
4. TypeSafe AI API anahtarını Secret Manager'da depolama
AlloyDB'nin Model Endpoint Management özelliği, veritabanı kodunda veya yapılandırma günlüklerinde düz metin kimlik bilgilerini göstermeden harici API çağrılarının kimliğini doğrulamak için Google Secret Manager ile yerel olarak entegre olur.
1. Gizli anahtarı oluşturma
Cloud Shell'de typesafe-jev-api-key adlı yeni bir gizli anahtar oluşturun:
gcloud secrets create typesafe-jev-api-key \
--replication-policy="automatic"
TypeSafe AI API anahtarınızı gizli sürüm olarak ekleyin:
echo -n "<YOUR_TYPESAFE_API_KEY>" | \
gcloud secrets versions add typesafe-jev-api-key --data-file=-
2. AlloyDB hizmet aracısına erişim izni verme
AlloyDB, sorgu yürütme sırasında gizli anahtarları almak için proje hizmet aracısını kullanır. Proje numaranızı bulun ve Gizli Anahtar Erişimi rolünü verin:
PROJECT_NUMBER=$(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"
Hizmet aracısının roles/secretmanager.secretAccessor aldığını onaylayan bir çıkış görürsünüz.
5. AlloyDB Studio üzerinden AlloyDB'ye bağlanma ve veritabanı uzantılarını başlatma
Yerel istemci araçlarını veya proxy tünellerini yapılandırmadan AlloyDB veritabanınızla doğrudan tarayıcınızdan etkileşim kurmak için Google Cloud Console'da AlloyDB Studio'yu kullanın.
1. AlloyDB Studio'yu açma
- Google Cloud Console'da AlloyDB for PostgreSQL > Clusters'a (Kümeler) gidin.
- Kümenizi (
my-alloydb-cluster) tıklayın. - Sol gezinme menüsünde AlloyDB Studio'yu tıklayın.
- Veritabanında kimlik doğrulama:
- Database:
postgres - Kullanıcı:
postgres - Password (Şifre): Küme oluşturma sırasında oluşturulan
$PGPASSWORDdeğerini girin (ör. görüntülemek için Cloud Shell'deecho $PGPASSWORDkomutunu çalıştırın).
- Database:
- Kimlik doğrula'yı tıklayın.
Artık AlloyDB Studio etkileşimli SQL sorgu düzenleyicisindesiniz.
2. Veritabanı uzantılarını ve işaretlerini etkinleştirme
AlloyDB Studio sorgu düzenleyicisine aşağıdaki ifadeleri yapıştırıp çalıştırarak google_ml_integration uzantısını etkinleştirin ve çalışma zamanı ayarlarını yapılandırın:
-- 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';
Sorguyu yürütmek için Run'ı (Çalıştır) tıklayın.
3. Gizli anahtarı AlloyDB MEM'e kaydetme
AlloyDB'ye TypeSafe AI API anahtarınızı nerede bulacağını söyleyin:
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. SQL Dönüşüm İşlevleri Oluşturma
TypeSafe AI'ın System One API'si, farklı akıl yürütme ilkelleri (Boole kısıtlamaları için noul, çok sınıflı sınıflandırma için choice) içeren yapılandırılmış JSON'u kabul eder.
AlloyDB'nin Model Endpoint Management özelliği, standart PostgreSQL ai.* işlev imzalarını Jev REST API biçimine bağlamak için dört dönüşüm işlevi (skaler giriş, skaler çıkış, toplu giriş, toplu çıkış) kullanır.
1. Skaler Giriş Dönüşümü
Tek satırlık ai.if ve ai.analyze_sentiment çağrılarını Jev istek yüklerine dönüştürmek için aşağıdaki işlevi ekleyin:
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. Skaler Çıkış Dönüşümü
Jev'in JSON yanıtını tekrar PostgreSQL TEXT sonucuna dönüştürmek için işlevi ekleyin:
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. Toplu Giriş Dönüşümü
Jev, tek bir HTTP gidiş dönüşünde üretkenlik kaybı olmadan onlarca soruyu aynı anda değerlendirebilir.
PostgreSQL prompts TEXT[] dizilerini paralel q_1 .. q_N Jev sorularına dönüştürmek için toplu giriş dönüşümünü ekleyin:
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. Toplu Çıkış Dönüşümü
Yanıtları doğru 1..N dizi dizini sırasına göre ayıklamak için işlevi ekleyin:
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'de özel model uç noktasını kaydetme
Şimdi dönüşüm işlevlerini, gizli kimlik bilgisini ve TypeSafe AI REST uç noktasını jev-model adlı kayıtlı bir modelde birleştireceksiniz.
1. jev-model kartını kaydet
AlloyDB Studio sorgu düzenleyicisine aşağıdaki sorguyu yapıştırıp çalıştırın:
-- 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. Kaydı doğrulama
jev-model modelinin etkin ve tanınır olduğundan emin olmak için model kayıt defteri görünümünü sorgulayın:
SELECT model_id, model_type, model_provider, model_auth_type
FROM google_ml.model_info_view
WHERE model_id = 'jev-model';
Şuna benzer bir çıkış alırsınız:
model_id | model_type | model_provider | model_auth_type ----------+------------+----------------+----------------- jev-model | llm | custom | secret_manager (1 row)
8. Jev'e Karşı Test Sorguları Çalıştırma
jev-model kaydedildikten sonra, semantik işlemleri doğrudan standart PostgreSQL sorgularında yürütebilirsiniz.
1. Skaler Boole Filtrelemesini Test Etme (ai.if)
ai.if kullanarak tek bir metin ifadesini değerlendirme:
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;
Şuna benzer bir çıkış alırsınız:
is_suitable ------------- true (1 row)
2. Skaler Duygu Analizini Test Etme (ai.analyze_sentiment)
Müşteri geri bildirimlerini kategorik bir etiket (positive, negative veya neutral) olarak değerlendirin:
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;
Şuna benzer bir çıkış alırsınız:
sentiment ----------- negative (1 row)
3. Dizi Toplu Boole Filtrelemesini Test Etme
Bir istem dizisi ileterek tek bir sorguda birden fazla öğeyi değerlendirme:
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;
Şuna benzer bir çıkış alırsınız:
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. Dizi Toplu İşlemiyle Tablo Sorgularını Test Etme
Şimdi, katalogdaki ürünlerden hangilerinin soğuk hava ekipmanı olduğunu kontrol etmek için bir öğe grubu üzerinde ai.if kullanarak küme temel hazırlığı sırasında daha önce yüklenen ecomm.products tablosunu sorgulayın.
Tablo verileri üzerinde yüksek gönderim hacimli anlamsal filtreleme çalıştırmak için (ör. grup başına 50 satır) PostgreSQL'in row_number() pencere işlevini kullanarak satırları gruplara ayırın:
-- 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;
Şuna benzer bir çıkış alırsınız:
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. Müşteri Yorumlarını Duygu Analizi İçin Sorgulama
Şimdi Jev'in choice temel öğesi tarafından desteklenen ai.analyze_sentiment aracını kullanarak ecomm.product_reviews tablosundaki müşteri yorumlarını analiz edin:
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;
Şuna benzer bir çıkış alırsınız:
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. Bonus: Jev puanı ile sürekli duygu puanlaması
AlloyDB'nin ai.analyze_sentiment gibi yapay zeka işlevleri kategorik gruplar (positive, negative, neutral) döndürürken TypeSafe AI'ın score temel öğesi, sıralı bir rubrikteki nüansı değerlendirir ve 0 ile 100 arasında sürekli, beklenti ağırlıklı bir puan döndürür.
score, metin sınıflandırma etiketi yerine sayısal meta veriler döndürdüğünden özel bir generic model uç noktası (jev-systemone) kaydedebilir ve google_ml.predict_row kullanarak bu uç noktayı çağırabilirsiniz.
1. Genel uç noktayı kaydetme
AlloyDB Studio'da jev-systemone uzantısını model_type => 'generic' ile kaydedin:
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. Çoklu görev değerlendirmesi çalıştırma (Boole + sürekli puan)
Tek bir HTTP çağrısında hem kusur boole kontrolünü (noul) hem de sürekli duygu yoğunluğunu (score) aynı anda değerlendirin:
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;
Şuna benzer bir çıkış alırsınız (sonuçlarınız farklı olabilir):
{
"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
}
}
}
}
satisfaction_score ifadesinin 11 / 100 olarak değerlendirildiğini ve müşterinin kumaşın yumuşak olduğunu kabul etmesine rağmen çoğunlukla olumsuz bir deneyim yaşadığını doğru bir şekilde yakaladığını görebilirsiniz.
10. Temizleme
Bu codelab'de oluşturulan kaynaklar için ücret ödemeye devam etmemek amacıyla gizli anahtar ve veritabanı nesnelerini temizleyin ve AlloyDB kümesini silin.
1. Secret Manager kaynaklarını silme
Cloud Shell'de, TypeSafe AI API anahtarı için oluşturulan gizli anahtarı silin:
gcloud secrets delete typesafe-jev-api-key --quiet
2. AlloyDB birincil örneğini ve kümesini silme
Önce birincil örneği silin:
gcloud alloydb instances delete $ADBINSTANCE \
--cluster=$ADBCLUSTER \
--region=$REGION \
--quiet
Örnek silme işlemi tamamlandıktan sonra kümeyi silin:
gcloud alloydb clusters delete $ADBCLUSTER \
--region=$REGION \
--quiet
11. Tebrikler
Tebrikler! Google Cloud AlloyDB kümesini başarıyla temel hazırlık yaparak TypeSafe AI System One (Jev) ile entegre ettiniz.
Öğrendikleriniz
- Özel Hizmet Erişimi (PSA) oluşturma ve PostgreSQL kümesi ile birincil örneği için AlloyDB sağlama
- AlloyDB'nin harici HTTPS SaaS API'lerine erişebilmesi için
--outbound-public-ipnasıl etkinleştirilir? - Üçüncü taraf yapay zeka sağlayıcı kimlik bilgilerini Google Secret Manager'da güvenli bir şekilde depolama ve AlloyDB'ye bağlama
- Standart PostgreSQL yapay zeka işlevlerini (
ai.ifveai.analyze_sentiment) harici REST API'lerine bağlayan PL/pgSQL dönüşüm işlevleri yazma google_ml.create_modelkullanarak AlloyDB'de özel LLM uç noktalarını kaydetme- Hem skaler hem de yüksek gönderim hacimli toplu semantik SQL sorgularını doğrudan PostgreSQL'de yürütme
- Gerçek müşteri ürün yorumlarını kategorik duygu analizi için nasıl analiz edeceğinizi öğrenme
- Genel model uç noktası kaydetme ve
google_ml.predict_rowüzerinden sürekli müşteri memnuniyeti puanlarını (0..100) değerlendirme
Sonraki adımlar
- AlloyDB AI işlevlerinin özellikleri hakkında daha fazla bilgiyi AlloyDB AI belgelerinde bulabilirsiniz.
- Noul kısıtlama mantığı ve duygu puanlaması hakkında daha fazla bilgi edinmek için TypeSafe AI API referansını okuyun.