Google 會運用 AI 技術將內容翻譯成你偏好的語言，但可能會出錯。

搭配使用 TypeSafe AI 的 Jev 模型和 AlloyDB AI 函式，進行高速 AI 查詢

1. 簡介

在本程式碼研究室中，您將使用 AlloyDB 的原生 AI 函式 (ai.if、ai.analyze_sentiment 和 ml_predict_row)，將 TypeSafe AI 的 Jev 模型連結至 AlloyDB AI。這樣一來，您就能直接在 AlloyDB 的營運資料上，使用 Jev 模型執行有效率的批次推論，不必移動資料或編寫複雜的應用程式端程式碼。

學習內容

佈建 Private Service Access (PSA) 和 AlloyDB for PostgreSQL 叢集與主要執行個體
建立虛擬私有雲防火牆規則，允許 Cloud Shell 和內部連線
使用 gcloud alloydb clusters import 載入電子商務資料集範例
啟用 Google Secret Manager 和 AlloyDB 的 google_ml_integration 擴充功能
在 Secret Manager 中儲存並授予 TypeSafe AI API 金鑰的存取權
為 Jev 的 noul (布林值) 和 choice (情緒) 基本型別建立 PL/pgSQL 輸入和輸出轉換函式
在 AlloyDB 中註冊自訂 jev-model 模型端點
直接在 SQL 中執行純量和陣列批次語意查詢 (ai.if 和 ai.analyze_sentiment)
使用 ai.analyze_sentiment 查詢真實顧客的產品評論，進行情緒分類
(獎勵) 註冊一般端點 (jev-systemone)，並使用 Jev 的 score 基本型別評估持續的顧客滿意度強度

軟硬體需求

網路瀏覽器，例如 Chrome
已啟用計費功能的 Google Cloud 雲端專案
TypeSafe AI API 金鑰 (來自 TypeSafe AI)

2. 事前準備

選取 Google Cloud 專案

在 Google Cloud 控制台中，選取或建立要使用的 Google Cloud 雲端專案。

啟動 Cloud Shell

點選 Google Cloud 控制台右上方的「啟用 Cloud Shell」。

確認 Cloud Shell 工作階段已通過驗證：

gcloud auth list

設定專案 ID 和環境變數：

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"

啟用必要的 Google Cloud API

執行下列指令，啟用所有必要的 Google Cloud 服務 API：

gcloud services enable \
  alloydb.googleapis.com \
  servicenetworking.googleapis.com \
  secretmanager.googleapis.com \
  compute.googleapis.com

3. 佈建 AlloyDB 叢集和主要執行個體

在這個步驟中，您會在虛擬私有雲網路中分配私人服務存取 IP 範圍、建立私人對等互連，並佈建 AlloyDB 叢集和主要執行個體，以取得網際網路輸出存取權。

1. 建立私人服務連線 (PSA) IP 範圍

AlloyDB 需要在虛擬私有雲 (VPC) 網路中分配私人 IP 範圍。假設您使用 default 虛擬私有雲網路：

建立私人 IP 範圍分配：

gcloud compute addresses create psa-range \
    --global \
    --purpose=VPC_PEERING \
    --prefix-length=24 \
    --description="VPC private service access" \
    --network=default

建立私人虛擬私有雲對等互連連線：

gcloud services vpc-peerings connect \
    --service=servicenetworking.googleapis.com \
    --ranges=psa-range \
    --network=default

2. 建立 AlloyDB 叢集

為初始postgres管理員使用者產生安全的資料庫密碼：

export PGPASSWORD="$(openssl rand -hex 8)@1aA"
echo "Your generated AlloyDB postgres password is: $PGPASSWORD"

建立 AlloyDB 免費試用叢集：

gcloud alloydb clusters create $ADBCLUSTER \
    --password=$PGPASSWORD \
    --network=default \
    --region=$REGION

3. 使用 AI 旗標和傳出連線建立主要執行個體

AlloyDB 會透過外送 HTTPS，直接連線至 TypeSafe AI 的安全 SaaS 端點 (https://api.typesafe.ai/v1/systemone)。因此，您必須指定 --outbound-public-ip。此外，請為環境設定 AlloyDB AI 資料庫旗標：

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. 載入電子商務範例資料

如要測試實際的語意查詢，請直接從 Cloud Storage 匯入包含產品目錄和顧客評論的電子商務範例資料集：

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. 將 TypeSafe AI API 金鑰儲存在 Secret Manager

AlloyDB 的模型端點管理功能與 Google Secret Manager 原生整合，可驗證外部 API 呼叫，不必在資料庫程式碼或設定記錄中公開純文字憑證。

1. 建立 Secret

在 Cloud Shell 中，建立名為 typesafe-jev-api-key 的新密鑰：

gcloud secrets create typesafe-jev-api-key \
  --replication-policy="automatic"

將 TypeSafe AI API 金鑰新增為密鑰版本：

echo -n "<YOUR_TYPESAFE_API_KEY>" | \
  gcloud secrets versions add typesafe-jev-api-key --data-file=-

2. 授予 AlloyDB 服務代理存取權

AlloyDB 會在查詢執行期間，使用專案服務代理擷取密鑰。找出專案編號並授予 Secret Accessor 角色：

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"

畫面上應該會顯示輸出內容，確認服務代理已收到 roles/secretmanager.secretAccessor。

5. 透過 AlloyDB Studio 連線至 AlloyDB，並初始化資料庫擴充功能

如要直接透過瀏覽器與 AlloyDB 資料庫互動，不必設定本機用戶端工具或 Proxy 通道，請使用 Google Cloud 控制台中的 AlloyDB Studio。

1. 開啟 AlloyDB Studio

前往 Google Cloud 控制台，依序點選「AlloyDB for PostgreSQL」 >「叢集」。
按一下叢集 (my-alloydb-cluster)。
在左側導覽選單中，按一下「AlloyDB Studio」。
向資料庫進行驗證：
- 資料庫：postgres
- 使用者：postgres
- 密碼：輸入叢集建立期間產生的 $PGPASSWORD (例如在 Cloud Shell 中執行 echo $PGPASSWORD 即可查看)。
按一下「Authenticate」(驗證)。

您現在位於 AlloyDB Studio 互動式 SQL 查詢編輯器。

2. 啟用資料庫擴充功能和旗標

在 AlloyDB Studio 查詢編輯器中，貼上並執行下列陳述式，啟用 google_ml_integration 擴充功能並設定執行階段設定：

-- 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';

按一下 [Run] (執行) 開始執行查詢。

3. 在 AlloyDB MEM 中註冊密碼

告知 AlloyDB 在何處尋找 TypeSafe AI API 金鑰：

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. 建立 SQL 轉換函式

TypeSafe AI 的 System One API 接受結構化 JSON，其中包含不同的推論基本型別 (布林值限制的 noul，多元分類的 choice)。

AlloyDB 的模型端點管理功能會使用四個轉換函式 (純量輸入、純量輸出、批次輸入、批次輸出)，將標準 PostgreSQL ai.* 函式簽章橋接至 Jev REST API 格式。

1. 純量輸入轉換

新增下列函式，將單列 ai.if 和 ai.analyze_sentiment 呼叫轉換為 Jev 要求酬載：

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. 純量輸出轉換

新增函式，將 Jev 的 JSON 回應解壓縮回 PostgreSQL TEXT 結果：

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. 批次輸入轉換

Jev 可以在單一 HTTP 往返中同時評估數十個問題，不會造成生成內容品質下降。

新增批次輸入轉換，將 PostgreSQL prompts TEXT[] 陣列轉換為平行 q_1 .. q_N Jev 問題：

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. 批次輸出轉換

新增函式，以正確的 1..N 陣列索引順序擷取答案：

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. 在 AlloyDB 中註冊自訂模型端點

現在，您要將轉換函式、密鑰憑證和 TypeSafe AI REST 端點繫結在一起，並命名為 jev-model 註冊模型。

1. 註冊 `jev-model`

在 AlloyDB Studio 查詢編輯器中，貼上並執行下列查詢：

-- 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. 驗證註冊

查詢模型登錄檢視畫面，確保 jev-model 處於啟用狀態並可辨識：

SELECT model_id, model_type, model_provider, model_auth_type 
FROM google_ml.model_info_view 
WHERE model_id = 'jev-model';

畫面會顯示類似以下的輸出：

 model_id | model_type | model_provider | model_auth_type 
----------+------------+----------------+-----------------
 jev-model  | llm        | custom         | secret_manager
(1 row)

8. 針對 Jev 執行測試查詢

註冊 jev-model 後，您現在可以直接在標準 PostgreSQL 查詢中執行語意作業。

1. 測試純量布林值篩選 (`ai.if`)

使用 ai.if 評估單一文字陳述式：

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;

畫面會顯示類似以下的輸出：

 is_suitable 
-------------
 true
(1 row)

2. 測試純量情緒分析 (`ai.analyze_sentiment`)

將顧客意見評估為類別標籤 (positive、negative 或 neutral)：

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;

畫面會顯示類似以下的輸出：

 sentiment 
-----------
 negative
(1 row)

3. 測試陣列批次布林值篩選

傳遞提示陣列，即可在單一查詢中評估多個項目：

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;

畫面會顯示類似以下的輸出：

                             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. 使用陣列批次處理測試資料表查詢

現在，請使用 ai.if 查詢先前在叢集佈建期間載入的 ecomm.products 表格，針對一批項目檢查目錄中的哪些產品是寒冷天氣裝備。

如要對資料表資料執行高處理量的語意篩選 (例如每批 50 列)，請使用 PostgreSQL 的 row_number() window 函式將資料列分批：

-- 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;

畫面會顯示類似以下的輸出：

  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. 查詢顧客產品評論的情緒

現在，請使用以 Jev 的 choice 基本型別為基礎的 ai.analyze_sentiment，分析 ecomm.product_reviews 資料表中的顧客評論：

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;

畫面會顯示類似以下的輸出：

 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. 加分功能：使用 Jev score 持續評估情緒

AlloyDB 的 AI 函式 (例如 ai.analyze_sentiment) 會傳回類別值 (positive、negative、neutral)，而 TypeSafe AI 的 score 基本型別會根據排序的評分標準評估細微差異，並傳回 0 到 100 的連續期望加權評分。

由於 score 會傳回數值中繼資料，而非文字分類標籤，因此您可以註冊自訂 generic 模型端點 (jev-systemone)，並使用 google_ml.predict_row 叫用該端點。

1. 註冊通用端點

在 AlloyDB Studio 中，使用 model_type => 'generic' 註冊 jev-systemone：

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. 執行多工作評估 (布林值 + 連續分數)

在單一 HTTP 呼叫中，同時評估缺陷布林值檢查 (noul) 和連續情緒強度 (score)：

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;

輸出內容應大致如下 (您的結果可能會不同)：

{
  "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
      }
    }
  }
}

請注意，satisfaction_score 評估結果為 11 / 100，準確反映出顧客的體驗大多為負面，即使他們承認布料柔軟！

10. 清理

為避免系統持續收取本程式碼研究室建立資源的費用，請清理密鑰和資料庫物件，並刪除 AlloyDB 叢集。

1. 刪除 Secret Manager 資源

在 Cloud Shell 中，刪除為 TypeSafe AI API 金鑰建立的密鑰：

gcloud secrets delete typesafe-jev-api-key --quiet

2. 刪除 AlloyDB 主要執行個體和叢集

請先刪除主要執行個體：

gcloud alloydb instances delete $ADBINSTANCE \
  --cluster=$ADBCLUSTER \
  --region=$REGION \
  --quiet

執行個體刪除作業完成後，請刪除叢集：

gcloud alloydb clusters delete $ADBCLUSTER \
  --region=$REGION \
  --quiet

11. 恭喜

恭喜！您已成功佈建 Google Cloud AlloyDB 叢集，並與 TypeSafe AI System One (Jev) 整合。

目前所學內容

如何建立私人服務連線 (PSA)，並佈建 AlloyDB for PostgreSQL 叢集和主要執行個體。
如何啟用 --outbound-public-ip，讓 AlloyDB 可以連線至外部 HTTPS SaaS API。
瞭解如何在 Google Secret Manager 中安全地儲存第三方 AI 供應商憑證，並將憑證繫結至 AlloyDB。
如何編寫 PL/pgSQL 轉換函式，將標準 PostgreSQL AI 函式 (ai.if 和 ai.analyze_sentiment) 橋接至外部 REST API。
如何使用 google_ml.create_model 在 AlloyDB 中註冊自訂大型語言模型端點。
如何直接在 PostgreSQL 中執行純量和高輸送量批次語意 SQL 查詢。
如何分析真實顧客的產品評論，瞭解各類別的情緒。
如何註冊一般模型端點，並透過 google_ml.predict_row 評估持續的顧客滿意度分數 (0..100)。

後續步驟

如要進一步瞭解 AlloyDB AI 函式的功能，請參閱 AlloyDB AI 說明文件。
如要進一步瞭解 Noul 限制邏輯和情緒評分，請參閱 TypeSafe AI API 參考資料。

搭配使用 TypeSafe AI 的 Jev 模型和 AlloyDB AI 函式，進行高速 AI 查詢

1. 簡介

學習內容

軟硬體需求

2. 事前準備

選取 Google Cloud 專案

啟動 Cloud Shell

啟用必要的 Google Cloud API

3. 佈建 AlloyDB 叢集和主要執行個體

1. 建立私人服務連線 (PSA) IP 範圍

2. 建立 AlloyDB 叢集

3. 使用 AI 旗標和傳出連線建立主要執行個體

4. 載入電子商務範例資料

4. 將 TypeSafe AI API 金鑰儲存在 Secret Manager

1. 建立 Secret

2. 授予 AlloyDB 服務代理存取權

5. 透過 AlloyDB Studio 連線至 AlloyDB，並初始化資料庫擴充功能

1. 開啟 AlloyDB Studio

2. 啟用資料庫擴充功能和旗標

3. 在 AlloyDB MEM 中註冊密碼

6. 建立 SQL 轉換函式

1. 純量輸入轉換

2. 純量輸出轉換

3. 批次輸入轉換

4. 批次輸出轉換

7. 在 AlloyDB 中註冊自訂模型端點

1. 註冊 jev-model

2. 驗證註冊

8. 針對 Jev 執行測試查詢

1. 測試純量布林值篩選 (ai.if)

2. 測試純量情緒分析 (ai.analyze_sentiment)

3. 測試陣列批次布林值篩選

4. 使用陣列批次處理測試資料表查詢

5. 查詢顧客產品評論的情緒

9. 加分功能：使用 Jev score 持續評估情緒

1. 註冊通用端點

2. 執行多工作評估 (布林值 + 連續分數)

10. 清理

1. 刪除 Secret Manager 資源

2. 刪除 AlloyDB 主要執行個體和叢集

11. 恭喜

目前所學內容

後續步驟

參考文件

1. 註冊 `jev-model`

1. 測試純量布林值篩選 (`ai.if`)

2. 測試純量情緒分析 (`ai.analyze_sentiment`)