Premiers pas avec Spanner Vector Search

1. Introduction

Spanner est un service de base de données distribué à l'échelle mondiale, entièrement géré et à évolutivité horizontale. Il est idéal pour les charges de travail opérationnelles relationnelles et non relationnelles.

Spanner est compatible avec la recherche vectorielle, ce qui vous permet d'effectuer une recherche sémantique ou de similarité, et d'implémenter la génération augmentée de récupération (RAG) dans des applications d'IA générative à grande échelle, en exploitant les caractéristiques du plus proche KN exact (KNN) ou des plus proches voisins approximatifs (ANN).

Comme toute autre requête sur vos données opérationnelles, les requêtes de recherche vectorielle de Spanner renvoient des données actualisées en temps réel dès que des transactions sont validées.

Dans cet atelier, vous allez apprendre à configurer les fonctionnalités de base nécessaires pour utiliser Spanner afin d'effectuer une recherche vectorielle. Vous allez également apprendre à utiliser SQL pour accéder aux modèles de représentation vectorielle continue et aux modèles LLM du jardin de modèles de Vertex AI.

L'architecture ressemblerait à ceci:

Remarque:Cet atelier se concentre sur la partie droite du diagramme. Vous allez donc uniquement déployer une instance Spanner et les intégrations Vertex AI.

Vous allez apprendre à créer un index vectoriel basé sur l'algorithme ScaNN et à utiliser les fonctions de distance APPROX lorsque vos charges de travail sémantiques doivent évoluer.

Ce que vous allez faire

Au cours de cet atelier, vous allez:

• Créer une instance Spanner
• Configurer le schéma de base de données Spanner pour l'intégrer aux modèles de représentations vectorielles continues et aux modèles LLM dans Vertex AI
• Charger un ensemble de données sur le commerce de détail
• Émettre des requêtes de recherche par similarité sur l'ensemble de données
• Fournissez du contexte au modèle LLM pour générer des recommandations spécifiques au produit.
• Modifier le schéma et créer un index vectoriel
• Modifiez les requêtes pour exploiter le nouvel index vectoriel.

Points abordés

• Configurer une instance Spanner
• Intégration à Vertex AI
• Utiliser Spanner pour effectuer une recherche vectorielle afin de trouver des éléments similaires dans un ensemble de données Retail
• Découvrez comment préparer votre base de données pour faire évoluer les charges de travail de la recherche vectorielle à l'aide de la recherche ANN.

Prérequis

• Un projet Google Cloud associé à un compte de facturation
• Un navigateur (Chrome ou Firefox, par exemple).

2. Préparation

Créer un projet

Si vous ne possédez pas encore de compte Google (Gmail ou Google Apps), vous devez en créer un. Connectez-vous à la console Google Cloud Platform ( console.cloud.google.com) et créez un projet.

Si vous avez déjà un projet, cliquez sur le menu déroulant de sélection du projet dans l'angle supérieur gauche de la console :

Cliquez ensuite sur le bouton "NEW PROJECT" (NOUVEAU PROJET) dans la boîte de dialogue qui s'affiche pour créer un projet :

Si vous n'avez pas encore de projet, une boîte de dialogue semblable à celle-ci apparaîtra pour vous permettre d'en créer un :

La boîte de dialogue de création de projet suivante vous permet de saisir les détails de votre nouveau projet :

Notez l'ID du projet. Il s'agit d'un nom unique pour tous les projets Google Cloud, ce qui implique que le nom ci-dessus n'est plus disponible pour vous… Désolé ! Il sera désigné par le nom "PROJECT_ID" dans la suite de cet atelier de programmation.

Ensuite, si vous ne l'avez pas déjà fait, vous devez activer la facturation dans la Developers Console afin d'utiliser les ressources Google Cloud et d'activer l'API Spanner.

Suivre cet atelier de programmation ne devrait pas vous coûter plus d'un euro. Cependant, cela peut s'avérer plus coûteux si vous décidez d'utiliser davantage de ressources ou si vous n'interrompez pas les ressources (voir la section "Effectuer un nettoyage" à la fin du présent document). Les tarifs de Google Cloud Spanner sont décrits sur cette page.

Les nouveaux utilisateurs de Google Cloud Platform peuvent bénéficier d'un Essai gratuit avec 300 $ de crédits afin de suivre gratuitement le présent atelier.

Configuration de Google Cloud Shell

Bien que Google Cloud et Spanner puissent être utilisés à distance depuis votre ordinateur portable, nous allons utiliser Google Cloud Shell pour cet atelier de programmation, un environnement de ligne de commande exécuté dans le cloud.

Cette machine virtuelle basée sur Debian contient tous les outils de développement dont vous aurez besoin. Elle intègre un répertoire d'accueil persistant de 5 Go et s'exécute sur Google Cloud, ce qui améliore nettement les performances du réseau et l'authentification. Cela signifie que tout ce dont vous avez besoin pour cet atelier de programmation est un navigateur (oui, tout fonctionne sur un Chromebook).

1. Pour activer Cloud Shell depuis la console Cloud, il vous suffit de cliquer sur Activer Cloud Shell . Le provisionnement et la connexion à l'environnement ne devraient pas prendre plus de quelques minutes.

Une fois connecté à Cloud Shell, vous êtes en principe authentifié, et le projet est déjà défini sur votre PROJECT_ID.

gcloud auth list

Résultat de la commande

Credentialed accounts:
 - <myaccount>@<mydomain>.com (active)

Remarque:L'outil de ligne de commande gcloud est préinstallé dans Cloud Shell. Pour en savoir plus, consultez la présentation de l'outil de ligne de commande gcloud.

gcloud config list project

Résultat de la commande

[core]
project = <PROJECT_ID>

Si, pour une raison quelconque, le projet n'est pas défini, exécutez simplement la commande suivante :

gcloud config set project <PROJECT_ID>

Vous recherchez votre PROJECT_ID ? Vérifiez l'ID que vous avez utilisé pendant les étapes de configuration ou recherchez-le dans le tableau de bord Cloud Console :

Par défaut, Cloud Shell définit certaines variables d'environnement qui pourront s'avérer utiles pour exécuter certaines commandes dans le futur.

echo $GOOGLE_CLOUD_PROJECT

Résultat de la commande

<PROJECT_ID>

Remarque:Lorsque vous exécutez gcloud sur votre propre machine, les paramètres de configuration sont conservés d'une session à l'autre. Toutefois, dans Cloud Shell, vous devrez définir ce paramètre à chaque nouvelle session ou reconnexion.

Activer l'API Spanner

gcloud services enable spanner.googleapis.com

Résumé

À cette étape, vous avez configuré votre projet si vous n'en aviez pas déjà un, puis activé Cloud Shell et les API requises.

Étape suivante

Vous allez maintenant configurer l'instance et la base de données Spanner.

3. Créer une instance et une base de données Spanner

Créer l'instance Spanner

Au cours de cette étape, nous avons configuré notre instance Spanner pour cet atelier de programmation. Pour ce faire, ouvrez Cloud Shell et exécutez la commande suivante:

export SPANNER_INSTANCE_ID=retail-demo
gcloud spanner instances create $SPANNER_INSTANCE_ID \
--config=regional-us-central1 \
--description="spanner AI retail demo" \
--nodes=1

Remarque:La création de l'instance peut prendre quelques instants.

Remarque:Cette commande utilise regional-us-central1 comme région. Vous pouvez sélectionner une région différente en fonction des configurations régionales disponibles pour Spanner correspondant aux régions où se trouvent les points de terminaison Vertex AI.

Résultat de la commande :

$ gcloud spanner instances create $SPANNER_INSTANCE_ID \
--config=regional-us-central1 \
--description="spanner AI retail demo" \
--nodes=1
Creating instance...done.  

Créer la base de données

Une fois votre instance en cours d'exécution, vous pouvez créer la base de données. Spanner permet d'utiliser plusieurs bases de données sur une même instance.

C'est dans la base de données que vous définissez votre schéma. Vous pouvez également contrôler qui a accès à la base de données, mettre en place un chiffrement personnalisé, configurer l'optimiseur et définir la durée de conservation.

Pour créer la base de données, utilisez à nouveau l'outil de ligne de commande gcloud:

export SPANNER_DATABASE=cymbal-bikes
gcloud spanner databases create $SPANNER_DATABASE \
 --instance=$SPANNER_INSTANCE_ID

Résultat de la commande :

$ gcloud spanner databases create $SPANNER_DATABASE \
 --instance=$SPANNER_INSTANCE_ID
Creating database...done.

Résumé

Au cours de cette étape, vous avez créé l'instance et la base de données Spanner.

Étape suivante

Vous allez maintenant configurer le schéma et les données Spanner.

4. Charger le schéma et les données Cymbal

Créer le schéma Cymbal

Pour configurer le schéma, accédez à Spanner Studio:

Remarque:Pour accéder à Spanner Studio, cliquez sur l'instance Spanner retail-demo, puis sur la base de données cymbal-bikes.

Le schéma se compose de deux parties. Tout d'abord, vous souhaitez ajouter la table products. Copiez et collez cette instruction dans l'onglet vide.

Pour le schéma, copiez et collez ce LDD dans la zone:

CREATE TABLE products (
categoryId INT64 NOT NULL,
productId INT64 NOT NULL,
productName STRING(MAX) NOT NULL,
productDescription STRING(MAX) NOT NULL,
productDescriptionEmbedding ARRAY<FLOAT32>,
createTime TIMESTAMP NOT NULL OPTIONS (
allow_commit_timestamp = true
),
inventoryCount INT64 NOT NULL,
priceInCents INT64,
) PRIMARY KEY(categoryId, productId);

Ensuite, cliquez sur le bouton run et attendez quelques secondes que votre schéma soit créé.

Vous allez ensuite créer les deux modèles et les configurer sur les points de terminaison du modèle Vertex AI.

Le premier modèle est un modèle de représentation vectorielle continue utilisé pour générer des représentations vectorielles continues à partir de texte, et le second est un modèle LLM servant à générer des réponses basées sur les données dans Spanner.

Collez le schéma suivant dans un nouvel onglet de Spanner Studio:

Avertissement:Remplacez <PROJECT_ID> dans les deux instructions par l'ID de projet que vous avez créé au début de l'atelier de programmation.

Remarque:Le schéma ci-dessous utilise le point de terminaison Vertex AI us-central1. Modifiez ce paramètre dans les définitions EmbeddingsModel et LLMModel si vous avez choisi une autre région Spanner lors de la création de l'instance.

CREATE MODEL EmbeddingsModel INPUT(
content STRING(MAX),
) OUTPUT(
embeddings STRUCT<statistics STRUCT<truncated BOOL, token_count FLOAT32>, values ARRAY<FLOAT32>>,
) REMOTE OPTIONS (
endpoint = '//aiplatform.googleapis.com/projects/<PROJECT_ID>/locations/us-central1/publishers/google/models/text-embedding-004'
);


CREATE MODEL LLMModel INPUT(
prompt STRING(MAX),
) OUTPUT(
content STRING(MAX),
) REMOTE OPTIONS (
endpoint = '//aiplatform.googleapis.com/projects/<PROJECT_ID>/locations/us-central1/publishers/google/models/gemini-pro',
default_batch_size = 1
);

Ensuite, cliquez sur le bouton run et attendez quelques secondes que vos modèles soient créés.

Dans le volet gauche de Spanner Studio, les tables et modèles suivants doivent s'afficher:

Charger les données

Vous allez maintenant insérer des produits dans votre base de données. Ouvrez un nouvel onglet dans Spanner Studio, puis copiez et collez les instructions d'insertion suivantes:

INSERT INTO products (categoryId, productId, productName, productDescription, createTime, inventoryCount, priceInCents)
VALUES (1, 1, "Cymbal Helios Helmet", "Safety meets style with the Cymbal children's bike helmet. Its lightweight design, superior ventilation, and adjustable fit ensure comfort and protection on every ride. Stay bright and keep your child safe under the sun with Cymbal Helios!", PENDING_COMMIT_TIMESTAMP(), 100, 10999),
(1, 2, "Cymbal Sprout", "Let their cycling journey begin with the Cymbal Sprout, the ideal balance bike for beginning riders ages 2-4 years. Its lightweight frame, low seat height, and puncture-proof tires promote stability and confidence as little ones learn to balance and steer. Watch them sprout into cycling enthusiasts with Cymbal Sprout!", PENDING_COMMIT_TIMESTAMP(), 10, 13999),
(1, 3, "Cymbal Spark Jr.", "Light, vibrant, and ready for adventure, the Spark Jr. is the perfect first bike for young riders (ages 5-8). Its sturdy frame, easy-to-use brakes, and puncture-resistant tires inspire confidence and endless playtime. Let the spark of cycling ignite with Cymbal!", PENDING_COMMIT_TIMESTAMP(), 34, 13900),
(1, 4, "Cymbal Summit", "Conquering trails is a breeze with the Summit mountain bike. Its lightweight aluminum frame, responsive suspension, and powerful disc brakes provide exceptional control and comfort for experienced bikers navigating rocky climbs or shredding downhill. Reach new heights with Cymbal Summit!", PENDING_COMMIT_TIMESTAMP(), 0, 79999),
(1, 5, "Cymbal Breeze", "Cruise in style and embrace effortless pedaling with the Breeze electric bike. Its whisper-quiet motor and long-lasting battery let you conquer hills and distances with ease. Enjoy scenic rides, commutes, or errands with a boost of confidence from Cymbal Breeze!", PENDING_COMMIT_TIMESTAMP(), 72, 129999),
(1, 6, "Cymbal Trailblazer Backpack", "Carry all your essentials in style with the Trailblazer backpack. Its water-resistant material, multiple compartments, and comfortable straps keep your gear organized and accessible, allowing you to focus on the adventure. Blaze new trails with Cymbal Trailblazer!", PENDING_COMMIT_TIMESTAMP(), 24, 7999),
(1, 7, "Cymbal Phoenix Lights", "See and be seen with the Phoenix bike lights. Powerful LEDs and multiple light modes ensure superior visibility, enhancing your safety and enjoyment during day or night rides. Light up your journey with Cymbal Phoenix!", PENDING_COMMIT_TIMESTAMP(), 87, 3999),
(1, 8, "Cymbal Windstar Pump", "Flat tires are no match for the Windstar pump. Its compact design, lightweight construction, and high-pressure capacity make inflating tires quick and effortless. Get back on the road in no time with Cymbal Windstar!", PENDING_COMMIT_TIMESTAMP(), 36, 24999),
(1, 9,"Cymbal Odyssey Multi-Tool","Be prepared for anything with the Odyssey multi-tool. This handy gadget features essential tools like screwdrivers, hex wrenches, and tire levers, keeping you ready for minor repairs and adjustments on the go. Conquer your journey with Cymbal Odyssey!", PENDING_COMMIT_TIMESTAMP(), 52, 999),
(1, 10,"Cymbal Nomad Water Bottle","Stay hydrated on every ride with the Nomad water bottle. Its sleek design, BPA-free construction, and secure lock lid make it the perfect companion for staying refreshed and motivated throughout your adventures. Hydrate and explore with Cymbal Nomad!", PENDING_COMMIT_TIMESTAMP(), 42, 1299);

Cliquez sur le bouton run pour insérer les données.

Résumé

Au cours de cette étape, vous avez créé le schéma et chargé des données de base dans la base de données cymbal-bikes.

Étape suivante

Ensuite, vous intégrerez le modèle de représentation vectorielle continue afin de générer des représentations vectorielles continues pour les descriptions de produits et de convertir une requête de recherche textuelle en représentation vectorielle continue pour rechercher des produits pertinents.

5. Utiliser des représentations vectorielles continues

Générer des représentations vectorielles continues pour les descriptions de produits

Pour que la recherche de similarités fonctionne sur les produits, vous devez générer des représentations vectorielles continues pour les descriptions de produits.

Une fois l'objet EmbeddingsModel créé dans le schéma, il s'agit d'une simple instruction LMD UPDATE.

UPDATE products p1
SET productDescriptionEmbedding =
(SELECT embeddings.values from ML.PREDICT(MODEL EmbeddingsModel,
(SELECT productDescription as content FROM products p2 where p2.productId=p1.productId)))
WHERE categoryId=1;

Cliquez sur le bouton run pour modifier les descriptions du produit.

Remarque:Pour les charges de travail plus sensibles aux performances, il est préférable de générer les représentations vectorielles continues à l'aide de ML.PREDICT dans une transaction en lecture seule, puis de les écrire dans Spanner à l'aide d'une transaction en lecture/écriture.

Utiliser la recherche vectorielle

Dans cet exemple, vous allez fournir une requête de recherche en langage naturel via une requête SQL. Cette requête transforme la requête de recherche en représentation vectorielle continue, puis recherche des résultats similaires basés sur les représentations vectorielles continues stockées des descriptions de produits générées à l'étape précédente.

-- Use Spanner's vector search, and integration with embedding and LLM models to
-- return items that are semantically relevant and available in inventory based on
-- real-time data.


SELECT productName, productDescription, inventoryCount, COSINE_DISTANCE(
productDescriptionEmbedding,
(   SELECT embeddings.values
FROM ML.PREDICT(
MODEL EmbeddingsModel,
(SELECT "I'd like to buy a starter bike for my 3 year old child" as content)
)
)
) as distance
FROM products
WHERE inventoryCount > 0
ORDER BY distance
LIMIT 5;

Cliquez sur le bouton run pour trouver des produits similaires. Les résultats doivent se présenter comme suit:

Notez que des filtres supplémentaires sont utilisés dans la requête. Par exemple, ils ne s'intéressent qu'aux produits en stock (inventoryCount > 0).

Résumé

Au cours de cette étape, vous avez utilisé SQL pour créer des représentations vectorielles continues de descriptions de produits et de requêtes de recherche, en exploitant l'intégration de Spanner aux modèles de Vertex AI. Vous avez également effectué une recherche vectorielle pour trouver des produits similaires correspondant à la requête de recherche.

Étapes suivantes

Utilisons ensuite les résultats de la recherche pour alimenter un LLM afin de générer une réponse personnalisée pour chaque produit.

6. Travailler avec un LLM

Spanner facilite l'intégration avec les modèles LLM diffusés par Vertex AI. Les développeurs peuvent ainsi utiliser SQL pour interagir directement avec les LLM, au lieu d'avoir à exécuter la logique par l'application.

Par exemple, nous avons les résultats de la requête SQL précédente de l'utilisateur "I'd like to buy a starter bike for my 3 year old child"..

Pour chaque résultat, le développeur souhaite indiquer si le produit est adapté à l'utilisateur à l'aide de l'invite suivante:

"Answer with ‘Yes' or ‘No' and explain why: Is this a good fit for me? I'd like to buy a starter bike for my 3 year old child"

Voici la requête que vous pouvez utiliser:

-- Use an LLM to analyze this list and provide a recommendation on whether each
-- product is a good fit for the user. We use the vector search and real time
-- inventory data to first filter the products to reduce the size of the prompt to
-- the LLM.
SELECT productName, productDescription, inventoryCount, content AS LLMResponse
FROM ML.PREDICT(
MODEL LLMModel,
(   SELECT
inventoryCount,
productName,
productDescription,
CONCAT(
"Answer with ‘Yes' or ‘No' and explain why: Is this a good fit for me?",
"I'd like to buy a starter bike for my 3 year old child \n",
"Product Name: ", productName, "\n",
"Product Description:", productDescription) AS prompt,
FROM products
WHERE inventoryCount > 0
ORDER by COSINE_DISTANCE(
productDescriptionEmbedding,
(   SELECT embeddings.values
FROM ML.PREDICT(
MODEL EmbeddingsModel,
( SELECT "I'd like to buy a starter bike for my 3 year old child" as content)
)
)
) LIMIT 5
),
STRUCT(256 AS maxOutputTokens)
);

Remarque:Nous fournissons la même requête de l'étape précédente au modèle LLM pour générer la liste des produits pour lesquels nous souhaitons une réponse.

Cliquez sur le bouton run pour émettre la requête. Les résultats doivent se présenter comme suit:

Le premier produit convient aux enfants de 3 ans en raison de la tranche d'âge (2-4 ans) indiquée dans sa description. Les autres produits ne conviennent pas.

Résumé

Au cours de cette étape, vous avez travaillé avec un LLM pour générer des réponses de base aux requêtes d'un utilisateur.

Étapes suivantes

Voyons maintenant comment utiliser un ANN pour effectuer le scaling de la recherche vectorielle.

7. Mise à l'échelle de la recherche vectorielle

Les exemples précédents de recherche vectorielle utilisaient la recherche vectorielle KNN exacte. Cette solution est particulièrement utile lorsque vous êtes en mesure d'interroger des sous-ensembles très spécifiques de vos données Spanner. Ces types de requêtes sont considérés comme hautement partitionnables.

Si vos charges de travail ne sont pas hautement partitionnables et que vous disposez d'une grande quantité de données, vous pouvez utiliser la recherche vectorielle ANN utilisant l'algorithme ScaNN pour augmenter les performances de recherche.

Pour cela, deux opérations sont nécessaires dans Spanner:

• Créer un index vectoriel
• Modifiez votre requête pour utiliser les fonctions de distance APPROX.

Créer l'index vectoriel

Pour créer un index vectoriel associé à cet ensemble de données, nous devons d'abord modifier la colonne productDescriptionEmbeddings afin de définir la longueur de chaque vecteur. Pour ajouter la longueur vectorielle à une colonne, vous devez supprimer la colonne d'origine et la recréer.

ALTER TABLE `products` DROP COLUMN `productDescriptionEmbedding`;
ALTER TABLE
  `products` ADD COLUMN `productDescriptionEmbedding` ARRAY<FLOAT32>(vector_length=>768);

Ensuite, créez à nouveau les représentations vectorielles continues à partir de l'étape Generate Vector embedding que vous avez précédemment exécutée.

UPDATE products p1
SET productDescriptionEmbedding =
(SELECT embeddings.values from ML.PREDICT(MODEL EmbeddingsModel,
(SELECT productDescription as content FROM products p2 where p2.productId=p1.productId)))
WHERE categoryId=1;

Remarque:Dans un environnement de production, vous pouvez ajouter une colonne avec la nouvelle définition et copier les représentations vectorielles continues. Modifiez ensuite les applications pour qu'elles utilisent la nouvelle colonne avant de supprimer l'ancienne.

Une fois la colonne créée, créez l'index:

CREATE VECTOR INDEX ProductDescriptionEmbeddingIndex
    ON products(productDescriptionEmbedding)
    WHERE productDescriptionEmbedding IS NOT NULL
OPTIONS (
 distance_type = 'COSINE'
);

Remarque:La création d'un index vectoriel prend environ 30 minutes. Allez prendre un café ou une tasse de thé, et revenez quand c'est fini.

Utiliser le nouvel index

Pour utiliser le nouvel index vectoriel, vous devrez légèrement modifier la précédente requête de représentation vectorielle continue.

Voici la requête d'origine :

SELECT productName, productDescription, inventoryCount, COSINE_DISTANCE(
productDescriptionEmbedding,
(   SELECT embeddings.values
FROM ML.PREDICT(
MODEL EmbeddingsModel,
(SELECT "I'd like to buy a starter bike for my 3 year old child" as content)
)
)
) as distance
FROM products
WHERE inventoryCount > 0
ORDER BY distance
LIMIT 5;

Vous devrez apporter les modifications suivantes:

• Utilisez une suggestion d'index pour le nouvel index vectoriel: @{force_index=ProductDescriptionEmbeddingIndex}
• Remplacez l'appel de fonction COSINE_DISTANCE par APPROX_COSINE_DISTANCE. Notez que les options JSON dans la requête finale ci-dessous sont également obligatoires.
• Générer les représentations vectorielles continues à partir de la fonction ML.PREDICT séparément.
• Copiez les résultats des représentations vectorielles continues dans la requête finale.

Générer les représentations vectorielles continues

-- Generate the prompt embeddings
SELECT embeddings.values
FROM ML.PREDICT(
  MODEL EmbeddingsModel,
   (SELECT "I'd like to buy a starter bike for my 3 year old child" as content)
  )
)

Mettez en surbrillance les résultats de la requête et copiez-les.

Remplacez ensuite <VECTOR> dans la requête suivante en collant les représentations vectorielles continues que vous avez copiées.

-- Embedding query now using the vector index


SELECT productName, productDescription, inventoryCount, 
  APPROX_COSINE_DISTANCE(productDescriptionEmbedding, array<float32>[@VECTOR], options => JSON '{\"num_leaves_to_search\": 10}')
FROM products @{force_index=ProductDescriptionEmbeddingIndex}
WHERE productDescriptionEmbedding IS NOT NULL AND inventoryCount > 0
ORDER BY distance
LIMIT 5;

Voici un exemple :

Résumé

Au cours de cette étape, vous avez converti votre schéma pour créer un index vectoriel. Vous avez ensuite réécrit la requête de représentation vectorielle continue pour effectuer une recherche ANN à l'aide de l'index vectoriel. Il s'agit d'une étape importante à mesure que vos données augmentent pour faire évoluer les charges de travail de la recherche vectorielle.

Étapes suivantes

Il est maintenant temps de faire le ménage !

8. Nettoyage (facultatif)

Pour effectuer un nettoyage, accédez simplement à la section Cloud Spanner de la console Cloud et supprimez l'instance retail-demo que nous avons créée dans l'atelier de programmation.

9. Félicitations !

Félicitations ! Vous avez effectué une recherche de similarités à l'aide de la recherche vectorielle intégrée de Spanner. Vous avez également vu à quel point il est facile de travailler avec des modèles de représentation vectorielle continue et des modèles LLM pour fournir une fonctionnalité d'IA générative directement à l'aide de SQL.

Enfin, vous avez découvert le processus permettant d'effectuer une recherche ANN reposant sur l'algorithme ScaNN afin de faire évoluer les charges de travail de recherche vectorielle.

Étape suivante

Pour en savoir plus sur la fonctionnalité de voisin exact le plus proche de Spanner (recherche vectorielle KNN), consultez cette page: https://cloud.google.com/spanner/docs/find-k-nearest-neighbors

Pour en savoir plus sur la fonctionnalité de voisinage approximatif (recherche vectorielle ANN) de Spanner, consultez cette page: https://cloud.google.com/spanner/docs/find-approximate-nearest-neighbors

Pour en savoir plus sur la réalisation de prédictions en ligne avec SQL à l'aide de l'intégration de Vertex AI de Spanner, consultez cette page: https://cloud.google.com/spanner/docs/ml.