التضمينات المتعددة الوسائط في AlloyDB

1- مقدمة

يقدّم هذا الدرس التطبيقي حول الترميز دليلاً حول نشر AlloyDB والاستفادة من تكامل الذكاء الاصطناعي لإجراء البحث الدلالي باستخدام التضمينات المتعددة الوسائط. يشكّل هذا المختبر جزءًا من مجموعة مختبرات مخصّصة لميزات AlloyDB AI. يمكنك الاطّلاع على مزيد من المعلومات في صفحة AlloyDB AI ضمن المستندات.

المتطلبات الأساسية

فهم أساسي لـ Google Cloud وGoogle Cloud Console
مهارات أساسية في واجهة سطر الأوامر وCloud Shell

ما ستتعلمه

كيفية نشر AlloyDB for Postgres
كيفية استخدام AlloyDB Studio
كيفية استخدام البحث المتعدّد الوسائط المستند إلى المتجهات
كيفية تفعيل مشغّلي AlloyDB AI
كيفية استخدام عوامل تشغيل AlloyDB AI المختلفة للبحث المتعدّد الوسائط
كيفية استخدام AlloyDB AI لدمج نتائج البحث النصية والمرئية

المتطلبات

حساب Google Cloud ومشروع Google Cloud
متصفّح ويب، مثل Chrome، متوافق مع "وحدة تحكّم Google Cloud" وCloud Shell

2. الإعداد والمتطلبات

إعداد المشروع

سجِّل الدخول إلى Google Cloud Console. إذا لم يكن لديك حساب على Gmail أو Google Workspace، عليك إنشاء حساب.

استخدام حساب شخصي بدلاً من حساب عمل أو حساب تديره مؤسسة تعليمية

أنشئ مشروعًا جديدًا أو أعِد استخدام مشروع حالي. لإنشاء مشروع جديد في Google Cloud Console، انقر على الزر "اختيار مشروع" في العنوان، ما سيؤدي إلى فتح نافذة منبثقة.

في نافذة "اختيار مشروع"، انقر على الزر "مشروع جديد" الذي سيفتح مربع حوار للمشروع الجديد.

في مربّع الحوار، أدخِل اسم المشروع المفضّل لديك واختَر الموقع الجغرافي.

اسم المشروع هو الاسم المعروض للمشاركين في هذا المشروع. لا تستخدم واجهات برمجة تطبيقات Google اسم المشروع، ويمكن تغييره في أي وقت.
معرّف المشروع فريد في جميع مشاريع Google Cloud ولا يمكن تغييره (لا يمكن تغييره بعد ضبطه). تنشئ وحدة تحكّم Google Cloud تلقائيًا معرّفًا فريدًا، ولكن يمكنك تخصيصه. إذا لم يعجبك المعرّف الذي تم إنشاؤه، يمكنك إنشاء معرّف عشوائي آخر أو تقديم معرّفك الخاص للتحقّق من توفّره. في معظم دروس البرمجة، عليك الرجوع إلى رقم تعريف مشروعك، والذي يتم تحديده عادةً باستخدام العنصر النائب PROJECT_ID.
للعلم، هناك قيمة ثالثة، وهي رقم المشروع، تستخدمها بعض واجهات برمجة التطبيقات. يمكنك الاطّلاع على مزيد من المعلومات حول هذه القيم الثلاث في المستندات.

تفعيل الفوترة

لتفعيل الفوترة، لديك خياران. يمكنك استخدام حساب الفوترة الشخصي أو تحصيل قيمة الرصيد باتّباع الخطوات التالية.

تحصيل قيمة رصيد Google Cloud بقيمة 5 دولار أمريكي (اختياري)

لإجراء ورشة العمل هذه، تحتاج إلى حساب فوترة يتضمّن بعض الرصيد. إذا كنت تخطّط لاستخدام نظام الفوترة الخاص بك، يمكنك تخطّي هذه الخطوة.

انقر على هذا الرابط وسجِّل الدخول باستخدام حساب Google شخصي.
سيظهر لك ما يلي:

انقر على الزر انقر هنا للوصول إلى أرصدتك. ستنتقل إلى صفحة لإعداد ملف الفوترة. إذا ظهرت لك شاشة الاشتراك في تجربة مجانية، انقر على "إلغاء" وواصِل ربط الفوترة.

انقر على "تأكيد". لقد تم ربط حسابك الآن بحساب فوترة تجريبي في Google Cloud Platform.

إعداد حساب فوترة شخصي

إذا أعددت الفوترة باستخدام أرصدة Google Cloud، يمكنك تخطّي هذه الخطوة.

لإعداد حساب فوترة شخصي، انتقِل إلى هنا لتفعيل الفوترة في Cloud Console.

ملاحظات:

يجب أن تبلغ تكلفة إكمال هذا المختبر أقل من 3 دولارات أمريكية من موارد السحابة الإلكترونية.
يمكنك اتّباع الخطوات في نهاية هذا المختبر لحذف الموارد وتجنُّب المزيد من الرسوم.
يمكن للمستخدمين الجدد الاستفادة من الفترة التجريبية المجانية بقيمة 300 دولار أمريكي.

بدء Cloud Shell

على الرغم من إمكانية تشغيل Google Cloud عن بُعد من الكمبيوتر المحمول، ستستخدم في هذا الدرس العملي Google Cloud Shell، وهي بيئة سطر أوامر تعمل في السحابة الإلكترونية.

من Google Cloud Console، انقر على رمز Cloud Shell في شريط الأدوات أعلى يسار الصفحة:

تفعيل Cloud Shell

يمكنك بدلاً من ذلك الضغط على G ثم S. سيؤدي هذا التسلسل إلى تفعيل Cloud Shell إذا كنت تستخدم Google Cloud Console أو هذا الرابط.

لن يستغرق توفير البيئة والاتصال بها سوى بضع لحظات. عند الانتهاء، من المفترض أن يظهر لك ما يلي:

لقطة شاشة لواجهة سطر الأوامر في Google Cloud Shell توضّح أنّه تم ربط البيئة

يتم تحميل هذه الآلة الافتراضية مزوّدة بكل أدوات التطوير التي ستحتاج إليها. توفّر هذه الخدمة دليلًا منزليًا ثابتًا بسعة 5 غيغابايت، وتعمل على Google Cloud، ما يؤدي إلى تحسين أداء الشبكة والمصادقة بشكل كبير. يمكن إكمال جميع المهام في هذا الدرس العملي ضمن المتصفّح. ليس عليك تثبيت أي تطبيق.

3- قبل البدء

تفعيل واجهة برمجة التطبيقات

لاستخدام AlloyDB وCompute Engine وخدمات الشبكات وVertex AI، عليك تفعيل واجهات برمجة التطبيقات الخاصة بها في مشروعك على Google Cloud.

داخل Cloud Shell في الوحدة الطرفية، تأكَّد من إعداد رقم تعريف مشروعك:

gcloud config set project [YOUR-PROJECT-ID]

اضبط متغيّر البيئة PROJECT_ID:

PROJECT_ID=$(gcloud config get-value project)

فعِّل جميع الخدمات اللازمة:

gcloud services enable alloydb.googleapis.com \
                       compute.googleapis.com \
                       cloudresourcemanager.googleapis.com \
                       servicenetworking.googleapis.com \
                       aiplatform.googleapis.com \
                       discoveryengine.googleapis.com \
                       secretmanager.googleapis.com

الناتج المتوقّع

student@cloudshell:~ (test-project-001-402417)$ gcloud config set project test-project-001-402417
Updated property [core/project].
student@cloudshell:~ (test-project-001-402417)$ PROJECT_ID=$(gcloud config get-value project)
Your active configuration is: [cloudshell-14650]
student@cloudshell:~ (test-project-001-402417)$ 
student@cloudshell:~ (test-project-001-402417)$ gcloud services enable alloydb.googleapis.com \
                       compute.googleapis.com \
                       cloudresourcemanager.googleapis.com \
                       servicenetworking.googleapis.com \
                       aiplatform.googleapis.com
Operation "operations/acat.p2-4470404856-1f44ebd8-894e-4356-bea7-b84165a57442" finished successfully.

لمحة عن واجهات برمجة التطبيقات

تتيح لك AlloyDB API (alloydb.googleapis.com) إنشاء مجموعات AlloyDB for PostgreSQL وإدارتها وتوسيع نطاقها. توفّر هذه الخدمة قاعدة بيانات مُدارة بالكامل ومتوافقة مع PostgreSQL ومصمَّمة لتلبية متطلبات مهام العمل التحليلية والمعاملات على مستوى المؤسسة.
تتيح لك Compute Engine API (compute.googleapis.com) إنشاء الأجهزة الافتراضية والأقراص الثابتة وإعدادات الشبكة وإدارتها. توفّر هذه المنطقة الأساس المطلوب لتشغيل أحجام العمل واستضافة البنية التحتية الأساسية للعديد من الخدمات المُدارة.
تتيح لك Cloud Resource Manager API (cloudresourcemanager.googleapis.com) إدارة البيانات الوصفية وإعدادات مشروعك على Google Cloud آليًا. تتيح لك هذه الخدمة تنظيم الموارد والتعامل مع سياسات "إدارة الهوية والوصول" (IAM) والتحقّق من صحة الأذونات في جميع مستويات بنية المشروع.
تتيح لك Service Networking API (servicenetworking.googleapis.com) إمكانية برمجة عملية إعداد الاتصال الخاص بين شبكة السحابة الافتراضية الخاصة (VPC) وخدمات Google المُدارة. وهي مطلوبة تحديدًا لإتاحة الوصول إلى عناوين IP الخاصة لخدمات مثل AlloyDB، ما يتيح لها التواصل بأمان مع مواردك الأخرى.
تتيح Vertex AI API (aiplatform.googleapis.com) لتطبيقاتك إنشاء نماذج تعلُّم الآلة ونشرها وتوسيع نطاقها. توفّر هذه المنصة واجهة موحّدة لجميع خدمات الذكاء الاصطناعي من Google Cloud، بما في ذلك إمكانية الوصول إلى نماذج الذكاء الاصطناعي التوليدي (مثل Gemini) وتدريب النماذج المخصّصة.

4. نشر AlloyDB

أنشئ مجموعة AlloyDB ومثيلًا أساسيًا. توضّح الإجراءات التالية كيفية إنشاء مجموعة وخادم AlloyDB باستخدام Google Cloud SDK. إذا كنت تفضّل استخدام وحدة التحكّم، يمكنك اتّباع التعليمات الواردة في المستندات هنا.

قبل إنشاء مجموعة AlloyDB، نحتاج إلى نطاق عناوين IP خاصة متاح في شبكة السحابة الافتراضية الخاصة (VPC) لاستخدامه في مثيل AlloyDB المستقبلي. إذا لم يكن لدينا، علينا إنشاؤه وتعيينه ليتم استخدامه من قِبل خدمات Google الداخلية، وبعد ذلك سنتمكّن من إنشاء المجموعة والمثيل.

إنشاء نطاق عناوين IP خاصة

علينا ضبط إعدادات الوصول إلى الخدمات الخاصة في شبكة VPC الخاصة بنا لخدمة AlloyDB. الافتراض هنا هو أنّ لدينا شبكة VPC "تلقائية" في المشروع وسيتم استخدامها في جميع الإجراءات.

أنشئ نطاق عناوين IP الخاصة:

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

إنشاء اتصال خاص باستخدام نطاق عناوين IP المخصّص:

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

الناتج المتوقّع في وحدة التحكّم:

student@cloudshell:~ (test-project-402417)$ gcloud compute addresses create psa-range \
    --global \
    --purpose=VPC_PEERING \
    --prefix-length=24 \
    --description="VPC private service access" \
    --network=default
Created [https://www.googleapis.com/compute/v1/projects/test-project-402417/global/addresses/psa-range].

student@cloudshell:~ (test-project-402417)$ gcloud services vpc-peerings connect \
    --service=servicenetworking.googleapis.com \
    --ranges=psa-range \
    --network=default
Operation "operations/pssn.p24-4470404856-595e209f-19b7-4669-8a71-cbd45de8ba66" finished successfully.

student@cloudshell:~ (test-project-402417)$

إنشاء مجموعة AlloyDB

في هذا القسم، سننشئ مجموعة AlloyDB في المنطقة us-central1.

حدِّد كلمة مرور لمستخدم postgres. يمكنك تحديد كلمة المرور الخاصة بك أو استخدام دالة عشوائية لإنشاء كلمة مرور

export PGPASSWORD=`openssl rand -hex 12`

الناتج المتوقّع في وحدة التحكّم:

student@cloudshell:~ (test-project-402417)$ export PGPASSWORD=`openssl rand -hex 12`

دوِّن كلمة مرور PostgreSQL لاستخدامها في المستقبل.

echo $PGPASSWORD

ستحتاج إلى كلمة المرور هذه في المستقبل للاتصال بالمثيل بصفتك مستخدم postgres. أقترح عليك تدوينها أو نسخها في مكان ما لتتمكّن من استخدامها لاحقًا.

الناتج المتوقّع في وحدة التحكّم:

student@cloudshell:~ (test-project-402417)$ echo $PGPASSWORD
bbefbfde7601985b0dee5723 (Note: Yours will be different!)

إنشاء مجموعة من الفترات التجريبية المجانية

إذا لم يسبق لك استخدام AlloyDB، يمكنك إنشاء مجموعة تجريبية مجانية باتّباع الخطوات التالية:

حدِّد المنطقة واسم مجموعة AlloyDB. سنستخدم المنطقة us-central1 وalloydb-aip-01 كاسم مجموعة:

export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01

نفِّذ الأمر التالي لإنشاء المجموعة:

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

الناتج المتوقّع في وحدة التحكّم:

export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01
gcloud alloydb clusters create $ADBCLUSTER \
    --password=$PGPASSWORD \
    --network=default \
    --region=$REGION \
    --subscription-type=TRIAL
Operation ID: operation-1697655441138-6080235852277-9e7f04f5-2012fce4
Creating cluster...done.

أنشئ مثيلاً أساسيًا من AlloyDB لمجموعتك في جلسة Cloud Shell نفسها. في حال انقطاع الاتصال، عليك تحديد متغيرات بيئة اسم المنطقة واسم المجموعة مرة أخرى.

gcloud alloydb instances create $ADBCLUSTER-pr \
    --instance-type=PRIMARY \
    --cpu-count=8 \
    --region=$REGION \
    --cluster=$ADBCLUSTER

الناتج المتوقّع في وحدة التحكّم:

student@cloudshell:~ (test-project-402417)$ gcloud alloydb instances create $ADBCLUSTER-pr \
    --instance-type=PRIMARY \
    --cpu-count=8 \
    --region=$REGION \
    --availability-type ZONAL \
    --cluster=$ADBCLUSTER
Operation ID: operation-1697659203545-6080315c6e8ee-391805db-25852721
Creating instance...done.

إنشاء مجموعة AlloyDB Standard

إذا لم تكن هذه هي مجموعة AlloyDB الأولى في المشروع، يمكنك المتابعة لإنشاء مجموعة عادية. إذا سبق لك إنشاء مجموعة فترة تجريبية مجانية في الخطوة السابقة، يمكنك تخطّي هذه الخطوة.

حدِّد المنطقة واسم مجموعة AlloyDB. سنستخدم المنطقة us-central1 وalloydb-aip-01 كاسم مجموعة:

export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01

نفِّذ الأمر التالي لإنشاء المجموعة:

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

الناتج المتوقّع في وحدة التحكّم:

export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01
gcloud alloydb clusters create $ADBCLUSTER \
    --password=$PGPASSWORD \
    --network=default \
    --region=$REGION 
Operation ID: operation-1697655441138-6080235852277-9e7f04f5-2012fce4
Creating cluster...done.

gcloud alloydb instances create $ADBCLUSTER-pr \
    --instance-type=PRIMARY \
    --cpu-count=2 \
    --region=$REGION \
    --cluster=$ADBCLUSTER

الناتج المتوقّع في وحدة التحكّم:

student@cloudshell:~ (test-project-402417)$ gcloud alloydb instances create $ADBCLUSTER-pr \
    --instance-type=PRIMARY \
    --cpu-count=2 \
    --region=$REGION \
    --availability-type ZONAL \
    --cluster=$ADBCLUSTER
Operation ID: operation-1697659203545-6080315c6e8ee-391805db-25852721
Creating instance...done.

5- إعداد قاعدة البيانات

علينا إنشاء قاعدة بيانات وتفعيل عملية الدمج مع Vertex AI وإنشاء عناصر قاعدة البيانات واستيراد البيانات.

منح الأذونات اللازمة إلى AlloyDB

أضِف أذونات Vertex AI إلى وكيل خدمة AlloyDB.

افتح علامة تبويب أخرى في Cloud Shell باستخدام علامة "+" في أعلى الصفحة.

في علامة تبويب Cloud Shell الجديدة، نفِّذ ما يلي:

PROJECT_ID=$(gcloud config get-value project)
gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:service-$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")@gcp-sa-alloydb.iam.gserviceaccount.com" \
  --role="roles/aiplatform.user"

الناتج المتوقّع في وحدة التحكّم:

student@cloudshell:~ (test-project-001-402417)$ PROJECT_ID=$(gcloud config get-value project)
Your active configuration is: [cloudshell-11039]
student@cloudshell:~ (test-project-001-402417)$ gcloud projects add-iam-policy-binding $PROJECT_ID \
  --member="serviceAccount:service-$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)")@gcp-sa-alloydb.iam.gserviceaccount.com" \
  --role="roles/aiplatform.user"
Updated IAM policy for project [test-project-001-402417].
bindings:
- members:
  - serviceAccount:service-4470404856@gcp-sa-alloydb.iam.gserviceaccount.com
  role: roles/aiplatform.user
- members:
...
etag: BwYIEbe_Z3U=
version: 1

أغلِق علامة التبويب من خلال تنفيذ الأمر "exit" في علامة التبويب:

exit

الربط بأداة AlloyDB Studio

في الفصول التالية، يمكن تنفيذ جميع أوامر SQL التي تتطلّب الاتصال بقاعدة البيانات في AlloyDB Studio.

في علامة تبويب جديدة، انتقِل إلى صفحة المجموعات في AlloyDB for Postgres.

افتح واجهة وحدة تحكّم الويب لمجموعة AlloyDB من خلال النقر على الآلة الافتراضية الأساسية.

بعد ذلك، انقر على AlloyDB Studio على يمين الصفحة:

اختَر قاعدة بيانات postgres ومستخدم postgres وقدِّم كلمة المرور التي دوّنتها عند إنشاء المجموعة. بعد ذلك، انقر على الزر "المصادقة". إذا نسيت تدوين كلمة المرور أو لم تعمل معك، يمكنك تغييرها. راجِع المستندات لمعرفة كيفية إجراء ذلك.

سيؤدي ذلك إلى فتح واجهة AlloyDB Studio. لتنفيذ الأوامر في قاعدة البيانات، انقر على علامة التبويب "استعلام بدون عنوان" على يسار الصفحة.

يتم فتح واجهة يمكنك من خلالها تنفيذ أوامر SQL

إنشاء قاعدة بيانات

إنشاء قاعدة بيانات باستخدام التشغيل السريع

في "محرّر AlloyDB Studio"، نفِّذ الأمر التالي.

إنشاء قاعدة بيانات:

CREATE DATABASE quickstart_db

الناتج المتوقّع:

Statement executed successfully

الاتصال بقاعدة بيانات quickstart_db

أعِد الاتصال بالاستوديو باستخدام الزرّ لتبديل المستخدم أو قاعدة البيانات.

اختَر قاعدة البيانات الجديدة quickstart_db من القائمة المنسدلة واستخدِم اسم المستخدم وكلمة المرور نفسها كما كان من قبل.

سيتم فتح اتصال جديد يمكنك من خلاله العمل مع عناصر من قاعدة بيانات quickstart_db.

6. عيّنات البيانات

الآن، علينا إنشاء عناصر في قاعدة البيانات وتحميل البيانات. سنستخدم متجرًا وهميًا باسم "Cymbal" يتضمّن بيانات وهمية.

قبل استيراد البيانات، علينا تفعيل الإضافات التي تتوافق مع أنواع البيانات والفهارس. نحتاج إلى إضافتَين، إحداهما تتوافق مع نوع بيانات المتّجه والأخرى تتوافق مع فهرس AlloyDB ScaNN.

في AlloyDB Studio، نفِّذ عملية الربط بقاعدة بيانات quickstart_db.

CREATE EXTENSION IF NOT EXISTS vector;
CREATE EXTENSION IF NOT EXISTS alloydb_scann;

يتم إعداد مجموعة البيانات ووضعها كملف SQL يمكن تحميله إلى قاعدة البيانات باستخدام واجهة الاستيراد. في Cloud Shell، نفِّذ الأوامر التالية:

export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01
gcloud alloydb clusters import $ADBCLUSTER --region=$REGION --database=quickstart_db --gcs-uri='gs://sample-data-and-media/ecomm-retail/ecom_generic_vectors.sql' --user=postgres --sql

يستخدم الأمر حزمة تطوير البرامج (SDK) الخاصة بـ AlloyDB لإنشاء مستخدم باسم agentspace_user، ثم يستورد بيانات نموذجية مباشرةً من حزمة Cloud Storage إلى قاعدة البيانات، ما يؤدي إلى إنشاء جميع العناصر اللازمة وإدراج البيانات.

بعد الاستيراد، يمكننا التحقّق من الجداول في AlloyDB Studio. تكون الجداول في مخطط ecomm:

وتأكَّد من عدد الصفوف في أحد الجداول.

select count(*) from ecomm.products;

لقد استوردنا بياناتنا النموذجية بنجاح ويمكننا مواصلة الخطوات التالية.

7. البحث الدلالي باستخدام تضمينات نصية

في هذا الفصل، سنحاول استخدام البحث الدلالي باستخدام تضمينات النص ومقارنته بالبحث التقليدي عن النص والبحث عن النص الكامل في Postgres.

لنبدأ أولاً بالبحث الكلاسيكي باستخدام لغة SQL العادية في PostgreSQL مع عامل التشغيل LIKE.

في AlloyDB Studio الذي يتصل بقاعدة بيانات quickstart_db، حاوِل البحث عن معطف واقٍ من المطر باستخدام طلب البحث التالي:

SET session.my_search_var='%wet%conditions%jacket%';
SELECT
  name,
  product_description,
  retail_price,   replace(product_image_uri,'gs://','https://storage.googleapis.com/') AS public_url
FROM
  ecomm.products
WHERE
  name ILIKE current_setting('session.my_search_var')
  OR product_description ILIKE current_setting('session.my_search_var')
LIMIT
  10;

لا يعرض طلب البحث أي صفوف لأنّه يحتاج إلى كلمات مطابقة تمامًا، مثل "ظروف رطبة" و"سترة"، لتكون إما في اسم المنتج أو في وصفه. كما أنّ "سترة الطقس الرطب" تختلف عن "سترة الطقس الممطر".

يمكننا محاولة تضمين جميع الصيغ المحتملة للبحث. لنجرّب تضمين كلمتَين فقط. على سبيل المثال:

SELECT
  name,
  product_description,
  retail_price,
   replace(product_image_uri,'gs://','https://storage.googleapis.com/') AS public_url
FROM
  ecomm.products
WHERE
  name ILIKE '%wet%jacket%'
  OR name ILIKE '%jacket%wet%'
  OR name ILIKE '%jacket%'
  OR name ILIKE '%%wet%'
  OR product_description ILIKE '%wet%jacket%'
  OR product_description ILIKE '%jacket%wet%'
  OR product_description ILIKE '%jacket%'
  OR product_description ILIKE '%wet%'
LIMIT
  10;

سيؤدي ذلك إلى عرض صفوف متعددة، ولكن لن تتطابق جميعها تمامًا مع طلبنا الخاص بالسترات، وسيكون من الصعب ترتيبها حسب الصلة. على سبيل المثال، إذا أضفنا المزيد من الشروط، مثل "للرجال" وغيرها، سيزيد ذلك بشكل كبير من تعقيد طلب البحث. يمكننا بدلاً من ذلك تجربة البحث عن النص الكامل، ولكن حتى في هذه الحالة، نواجه قيودًا متعلقة بالكلمات المطابقة تمامًا أو بشكل كبير ومدى صلة الردّ.

يمكننا الآن إجراء بحث مشابه باستخدام التضمينات. لقد سبق أن حسبنا التضمينات مسبقًا لمنتجاتنا باستخدام نماذج مختلفة. سنستخدم أحدث نموذج من Google، وهو gemini-embedding-001. وقد خزّنّاها في العمود product_embedding من الجدول ecomm.products. إذا نفّذنا طلب بحث لشرط البحث "سترة مطر للرجال" باستخدام طلب البحث التالي:

SELECT
  name,
  product_description,
  retail_price,
   replace(product_image_uri,'gs://','https://storage.googleapis.com/') AS public_url,
  product_embedding <=> embedding ('gemini-embedding-001','wet conditions jacket for men')::vector AS distance
FROM
  ecomm.products
ORDER BY distance
LIMIT
  10;

لن يعرض هذا الطلب السترات المخصّصة للطقس الرطب فقط، بل سيتم أيضًا ترتيب جميع النتائج بحيث تظهر النتائج الأكثر صلة في الأعلى.

يعرض طلب البحث الذي يتضمّن تضمينات نتائج في غضون 90 إلى 150 ملي ثانية، ويتم استغراق جزء من الوقت للحصول على البيانات من نموذج التضمين المستند إلى السحابة الإلكترونية. إذا نظرنا إلى خطة التنفيذ، سيتم تضمين الطلب المقدَّم إلى النموذج في وقت التخطيط. إنّ جزء طلب البحث الذي يجري البحث نفسه قصير جدًا. يستغرق البحث في 29 ألف سجل باستخدام فهرس ScaNN في AlloyDB أقل من 7 ملي ثانية.

في ما يلي ناتج خطة التنفيذ:

Limit (cost=2709.20..2718.82 rows=10 width=490) (actual time=6.966..7.049 rows=10 loops=1)

-> Index Scan using embedding_scann on products (cost=2709.20..30736.40 rows=29120 width=490) (actual time=6.964..7.046 rows=10 loops=1)

     Order By: (product_embedding &lt;=&gt; '[-0.0020264734,-0.016582033,0.027258193

...

-0.0051468653,-0.012440448]'::vector)

     Limit: 10

وقت التخطيط: 136.579 ملي ثانية

وقت التنفيذ: 6.791 ملي ثانية

(6 صفوف)

كان هذا البحث عن تضمين النص باستخدام نموذج التضمين النصي فقط. ولكن لدينا أيضًا صور لمنتجاتنا ويمكننا استخدامها مع البحث. في الفصل التالي، سنوضّح كيف يستخدم النموذج المتعدّد الوسائط الصور للبحث.

8. استخدام ميزة "البحث المتعدد الوسائط"

مع أنّ البحث الدلالي المستند إلى النصوص مفيد، قد يكون من الصعب وصف التفاصيل المعقّدة. توفّر ميزة البحث المتعدّد الوسائط في AlloyDB ميزة إضافية من خلال إتاحة العثور على المنتجات من خلال إدخال الصور. ويكون ذلك مفيدًا بشكل خاص عندما يوضّح التمثيل المرئي نية البحث بفعالية أكبر من الأوصاف النصية وحدها. على سبيل المثال، "ابحث لي عن معطف مشابه لهذا المعطف في الصورة".

لنعد إلى مثال السترة. إذا كانت لديّ صورة لسترة مشابهة لما أريد العثور عليه، يمكنني تمريرها إلى نموذج التضمين المتعدّد الوسائط من Google ومقارنتها بعمليات التضمين لصور منتجاتي. في جدولنا، حسبنا سابقًا التضمينات لصور منتجاتنا في العمود product_image_embedding، ويمكنك الاطّلاع على النموذج المستخدَم في العمود product_image_embedding_model.

بالنسبة إلى عملية البحث، يمكننا استخدام الدالة image_embedding للحصول على التضمين الخاص بالصورة ومقارنته بعمليات التضمين التي تم احتسابها مسبقًا. لتفعيل هذه الوظيفة، يجب التأكّد من استخدام الإصدار الصحيح من إضافة google_ml_integration.

لنثبت صحة معلومات إصدار الإضافة الحالي. في AlloyDB Studio، نفِّذ ما يلي:

SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';

إذا كان الإصدار أقل من 1.5.2، اتّبِع الإجراء التالي.

CALL google_ml.upgrade_to_preview_version();

وأعِد التحقّق من إصدار الإضافة. يجب أن يكون 1.5.3.

SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';

علينا أيضًا تفعيل ميزات محرّك طلبات البحث المستند إلى الذكاء الاصطناعي في قاعدة البيانات. يمكن إجراء ذلك إما عن طريق تعديل علامة المثيل لجميع قواعد البيانات على المثيل أو عن طريق تفعيلها لقاعدة البيانات فقط. نفِّذ الأمر التالي في AlloyDB Studio لتفعيله لقاعدة بيانات quickstart_db.

ALTER DATABASE quickstart_db SET google_ml_integration.enable_ai_query_engine = 'on';

يمكننا الآن البحث بالصور. إليك صورة نموذجية للبحث، ولكن يمكنك استخدام أي صورة مخصّصة. ما عليك سوى تحميله إلى مساحة التخزين في Google أو أي مصدر آخر متاح للجميع ووضع معرّف الموارد المنتظم (URI) في طلب البحث.

ويتم تحميلها إلى gs://pr-public-demo-data/alloydb-retail-demo/user_photos/4.png

البحث بالصور

أولاً، نحاول البحث باستخدام الصورة فقط:

SELECT
  name,
  product_description,
  retail_price,
  replace(product_image_uri,'gs://','https://storage.googleapis.com/') AS public_url,
  product_image_embedding <=> google_ml.image_embedding (model_id => 'multimodalembedding@001',image => 'gs://pr-public-demo-data/alloydb-retail-demo/user_photos/4.png', mimetype => 'image/png')::vector AS distance
FROM
  ecomm.products
ORDER BY distance
LIMIT
  4;

وتمكّنا من العثور على بعض السترات الشتوية في المستودع. للاطّلاع على الصور، يمكنك تنزيلها باستخدام حزمة تطوير البرامج (SDK) السحابية (gcloud storage cp) من خلال توفير عمود public_url، ثم فتحها باستخدام أي أدوات تعمل مع الصور.

يعرض لنا البحث عن الصور عناصر تشبه الصورة التي قدّمناها للمقارنة. كما ذكرتُ سابقًا، يمكنك محاولة تحميل صورك إلى حزمة متاحة للجميع ومعرفة ما إذا كان بإمكانها العثور على أنواع مختلفة من الملابس.

استخدمنا نموذج "multimodalembedding@001" من Google للبحث عن الصور. ترسل دالة image_embedding الصورة إلى Vertex AI، وتحوّلها إلى متّجه، ثم تعيدها للمقارنة مع المتّجهات المخزّنة للصور في قاعدة البيانات.

يمكننا أيضًا التحقّق باستخدام "EXPLAIN ANALYZE" من سرعة عملها مع فهرس AlloyDB ScaNN.

في ما يلي ناتج خطة التنفيذ:

Limit (cost=971.70..975.55 rows=4 width=490) (actual time=2.453..2.477 rows=4 loops=1)

-> Index Scan using product_image_embedding_scann on products (cost=971.70..28998.90 rows=29120 width=490) (actual time=2.451..2.475 rows=4 loops=1)

     Order By: (product_image_embedding &lt;=&gt; '[0.02119865,0.034206174,0.030682731,

...

,-0.010307034,-0.010053742]'::vector)

     Limit: 4

وقت التخطيط: 913.322 ملي ثانية

وقت التنفيذ: 2.517 ملي ثانية

(6 صفوف)

وكما هو الحال في المثال السابق، نلاحظ أنّ معظم الوقت تم استخدامه لتحويل الصورة إلى تضمينات باستخدام نقطة النهاية السحابية، وأنّ البحث المتّجه نفسه يستغرق 2.5 ملي ثانية فقط.

البحث بالصور باستخدام النص

باستخدام البحث المتعدد الوسائط، يمكننا أيضًا تمرير وصف نصي للسترة التي نحاول البحث عنها إلى النموذج باستخدام google_ml.text_embedding للنموذج نفسه ومقارنتها بتضمينات الصور لمعرفة الصور التي يعرضها.

SELECT
  name,
  product_description,
  retail_price,
  replace(product_image_uri,'gs://','https://storage.googleapis.com/') AS public_url,
  product_image_embedding <=> google_ml.text_embedding (model_id => 'multimodalembedding@001',content => 'puffy jacket for men, grey or dark colour')::vector AS distance
FROM
  ecomm.products
ORDER BY distance
LIMIT
  4;

وحصلنا على مجموعة من السترات المنفوخة بألوان رمادية أو داكنة.

لقد حصلنا على مجموعة مختلفة قليلاً من السترات، ولكن تم اختيار السترات بشكل صحيح استنادًا إلى الوصف والبحث في تضمينات الصور.

لنجرّب طريقة أخرى للبحث بين الأوصاف باستخدام التضمين الخاص بصورة البحث.

البحث النصي باستخدام الصور

حاولنا البحث عن صور من خلال تمرير التضمين الخاص بصورتنا ومقارنته بعمليات تضمين الصور المحسوبة مسبقًا لمنتجاتنا. جرّبنا أيضًا البحث عن الصور من خلال تمرير التضمين لطلب النص والبحث بين التضمين نفسه عن صور المنتجات. لنحاول الآن استخدام التضمين لصورنا ومقارنته بتضمينات النص لأوصاف المنتجات. يتم تخزين التضمين في العمود product_description_embedding ويستخدم نموذج multimodalembedding@001 نفسه.

في ما يلي طلب البحث:

SELECT
  name,
  product_description,
  retail_price,
  replace(product_image_uri,'gs://','https://storage.googleapis.com/') AS public_url,
  product_description_embedding <=> google_ml.image_embedding (model_id => 'multimodalembedding@001',image => 'gs://pr-public-demo-data/alloydb-retail-demo/user_photos/4.png', mimetype => 'image/png')::vector AS distance

FROM
  ecomm.products
ORDER BY distance
LIMIT
  4;

وهنا حصلنا على مجموعة مختلفة قليلاً من السترات ذات الألوان الرمادية أو الداكنة، بعضها مطابق أو قريب جدًا من السترات التي تم اختيارها بطريقة بحث مختلفة.

ويعرض السترات نفسها المذكورة أعلاه بترتيب مختلف قليلاً. استنادًا إلى التضمين الخاص بالصور، يمكنه إجراء مقارنة مع عمليات التضمين المحسوبة للوصف النصي وعرض المجموعة الصحيحة من المنتجات.

البحث المختلط عن النصوص والصور

يمكنك أيضًا تجربة الجمع بين تضمينات النص والصور معًا باستخدام، على سبيل المثال، دمج الترتيب التبادلي. في ما يلي مثال على طلب بحث من هذا النوع، حيث جمعنا بين بحثَين مع تحديد درجة لكل ترتيب وترتيب النتائج استنادًا إلى الدرجة المجمَّعة.

WITH image_search AS (
            SELECT id,
                RANK () OVER (ORDER BY  product_image_embedding <=>google_ml.image_embedding(model_id => 'multimodalembedding@001',image => 'gs://pr-public-demo-data/alloydb-retail-demo/user_photos/4.png', mimetype => 'image/png')::vector) AS rank
                FROM ecomm.products
                ORDER BY product_image_embedding <=>google_ml.image_embedding(model_id => 'multimodalembedding@001',image => 'gs://pr-public-demo-data/alloydb-retail-demo/user_photos/4.png', mimetype => 'image/png')::vector LIMIT 5
        ),
      text_search AS (
            SELECT id,
                RANK () OVER (ORDER BY product_description_embedding <=>google_ml.text_embedding(model_id => 'multimodalembedding@001',content => 'puffy jacket for men, grey or dark colour'
    )::vector) AS rank
            FROM ecomm.products
            ORDER BY product_description_embedding <=>google_ml.text_embedding(model_id => 'multimodalembedding@001',content => 'puffy jacket for men, grey or dark colour'
    )::vector LIMIT 5
        ),
      rrf_score AS (
        SELECT
            COALESCE(image_search.id, text_search.id) AS id,
            COALESCE(1.0 / (60 + image_search.rank), 0.0) + COALESCE(1.0 / (60 + text_search.rank), 0.0) AS rrf_score
        FROM image_search FULL OUTER JOIN text_search ON image_search.id = text_search.id
        ORDER BY rrf_score DESC
      )
      SELECT 
        ep.name,
        ep.product_description,
        ep.retail_price,
        replace(ep.product_image_uri,'gs://','https://storage.googleapis.com/') AS public_url
      FROM ecomm.products ep, rrf_score 
      WHERE 
        ep.id=rrf_score.id 
      ORDER by rrf_score DESC
      LIMIT 4;

يمكنك محاولة استخدام معلَمات مختلفة في طلب البحث ومعرفة ما إذا كان ذلك سيحسّن نتائج البحث.

بهذا نكون قد أنهينا المختبر، ويُنصح بحذف الموارد غير المستخدَمة لتجنُّب الرسوم غير المتوقّعة.

بالإضافة إلى ذلك، يمكنك استخدام عوامل تشغيل أخرى للذكاء الاصطناعي لترتيب النتائج كما هو موضّح في المستندات.

9- تنظيف البيئة

تدمير مثيلات AlloyDB والمجموعة عند الانتهاء من الدرس التطبيقي

حذف مجموعة AlloyDB وجميع مثيلاتها

إذا سبق لك استخدام الإصدار التجريبي من AlloyDB لا تحذف المجموعة التجريبية إذا كنت تخطّط لاختبار مختبرات ومراجع أخرى باستخدام المجموعة التجريبية. لن تتمكّن من إنشاء مجموعة تجريبية أخرى في المشروع نفسه.

يتم إيقاف المجموعة باستخدام الخيار force الذي يؤدي أيضًا إلى حذف جميع المثيلات التابعة للمجموعة.

في Cloud Shell، حدِّد متغيرات المشروع والبيئة إذا تم قطع الاتصال وفقدت جميع الإعدادات السابقة:

gcloud config set project <your project id>

export REGION=us-central1
export ADBCLUSTER=alloydb-aip-01
export PROJECT_ID=$(gcloud config get-value project)

احذف المجموعة:

gcloud alloydb clusters delete $ADBCLUSTER --region=$REGION --force

الناتج المتوقّع في وحدة التحكّم:

student@cloudshell:~ (test-project-001-402417)$ gcloud alloydb clusters delete $ADBCLUSTER --region=$REGION --force
All of the cluster data will be lost when the cluster is deleted.

Do you want to continue (Y/n)?  Y

Operation ID: operation-1697820178429-6082890a0b570-4a72f7e4-4c5df36f
Deleting cluster...done.

حذف نُسخ AlloyDB الاحتياطية

احذف جميع نُسخ AlloyDB الاحتياطية للمجموعة:

for i in $(gcloud alloydb backups list --filter="CLUSTER_NAME: projects/$PROJECT_ID/locations/$REGION/clusters/$ADBCLUSTER" --format="value(name)" --sort-by=~createTime) ; do gcloud alloydb backups delete $(basename $i) --region $REGION --quiet; done

الناتج المتوقّع في وحدة التحكّم:

student@cloudshell:~ (test-project-001-402417)$ for i in $(gcloud alloydb backups list --filter="CLUSTER_NAME: projects/$PROJECT_ID/locations/$REGION/clusters/$ADBCLUSTER" --format="value(name)" --sort-by=~createTime) ; do gcloud alloydb backups delete $(basename $i) --region $REGION --quiet; done
Operation ID: operation-1697826266108-60829fb7b5258-7f99dc0b-99f3c35f
Deleting backup...done.

10. تهانينا

تهانينا على إكمال تجربة البرمجة. لقد تعلّمت كيفية استخدام البحث المتعدّد الوسائط في AlloyDB باستخدام دوال التضمين للنصوص والصور. يمكنك محاولة اختبار البحث المتعدّد الوسائط وتحسينه باستخدام الدالة google_ml.rank من خلال الدرس التطبيقي حول عوامل تشغيل AlloyDB AI.

المسار التعليمي في Google Cloud

هذا المختبر هو جزء من مسار "الذكاء الاصطناعي الجاهز للإنتاج" التعليمي على Google Cloud.

استكشِف المنهج الدراسي الكامل لسدّ الفجوة بين النموذج الأولي والإنتاج.
شارِك مستوى تقدّمك باستخدام الهاشتاغ #ProductionReadyAI.

المواضيع التي تناولناها

كيفية نشر AlloyDB for Postgres
كيفية استخدام AlloyDB Studio
كيفية استخدام البحث المتعدّد الوسائط المستند إلى المتجهات
كيفية تفعيل مشغّلي AlloyDB AI
كيفية استخدام عوامل تشغيل AlloyDB AI المختلفة للبحث المتعدّد الوسائط
كيفية استخدام AlloyDB AI لدمج نتائج البحث النصية والمرئية

11. استطلاع

إخراج:

كيف ستستخدم هذا البرنامج التعليمي؟

قراءة المحتوى فقط

قراءة المحتوى وإكمال التمارين