Bir Milyon Vektör, Sıfır Döngü: AlloyDB ile Büyük Ölçekte Yerleştirilmiş Öğeler Oluşturma

1. Genel Bakış

Bu codelab'de, ölçeklenebilir bir bilgi tabanı arama uygulaması oluşturacaksınız. Vektör yerleştirmeleri oluşturmak için Python komut dosyaları ve döngüler içeren karmaşık bir ETL ardışık düzenini yönetmek yerine, tek bir SQL komutu kullanarak yerleştirme oluşturma işlemini veritabanında yerel olarak gerçekleştirmek için AlloyDB AI'ı kullanacaksınız.

Ne oluşturacaksınız?

Yüksek performanslı, "aranabilir" bir bilgi tabanı veritabanı uygulaması.

Neler öğreneceksiniz?

Öğrenecekleriniz:

• AlloyDB kümesi sağlayın ve yapay zeka uzantılarını etkinleştirin.
• SQL kullanarak sentetik veriler (50.000'den fazla satır) oluşturun.
• Toplu İşleme'yi kullanarak veri kümesinin tamamı için vektör yerleştirmelerini doldurun.
• Yeni verileri otomatik olarak yerleştirmek için anlık artımlı tetikleyiciler ayarlayın.
• "Flexing Context" için Karma Arama (Vektör + SQL Filtreleri) gerçekleştirin.

Şartlar

• Chrome veya Firefox gibi bir tarayıcı
• Faturalandırmanın etkin olduğu bir Google Cloud projesi.
• SQL hakkında temel düzeyde bilgi sahibi olma.

2. Başlamadan önce

Proje oluşturma

1. Google Cloud Console'daki proje seçici sayfasında bir Google Cloud projesi seçin veya oluşturun.
2. Cloud projeniz için faturalandırmanın etkinleştirildiğinden emin olun. Bir projede faturalandırmanın etkin olup olmadığını nasıl kontrol edeceğiniziöğrenin.

Bu codelab'i denemek için GCP deneme faturalandırma kredisi bağlantısını kullanabilirsiniz: https://bit.ly/ez-alloydb4

Bu bağlantıyı kullanarak kredileri nasıl kullanabilirim? Tavsiye edin.

3. Google Cloud'da çalışan bir komut satırı ortamı olan Cloud Shell'i kullanacaksınız. Google Cloud Console'un üst kısmından Cloud Shell'i etkinleştir'i tıklayın.

4. Cloud Shell'e bağlandıktan sonra aşağıdaki komutu kullanarak kimliğinizin doğrulanmış olduğunu ve projenin proje kimliğinize ayarlandığını kontrol edin:

gcloud auth list

5. gcloud komutunun projeniz hakkında bilgi sahibi olduğunu doğrulamak için Cloud Shell'de aşağıdaki komutu çalıştırın.

gcloud config list project

6. Projeniz ayarlanmamışsa ayarlamak için aşağıdaki komutu kullanın:

gcloud config set project <YOUR_PROJECT_ID>

7. Gerekli API'leri etkinleştirin: Bağlantıyı takip ederek API'leri etkinleştirin.

Alternatif olarak, bu işlem için gcloud komutunu kullanabilirsiniz. gcloud komutları ve kullanımı için belgelere bakın.

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

Dikkat Edilmesi Gerekenler ve Sorun Giderme

"Hayalet Proje" Sendromu	gcloud config set project komutunu çalıştırdınız ancak Console kullanıcı arayüzünde aslında farklı bir projeye bakıyorsunuz. Sol üstteki açılır listede proje kimliğini kontrol edin.
Faturalandırma Barikatı	Projeyi etkinleştirdiniz ancak faturalandırma hesabını unuttunuz. AlloyDB yüksek performanslı bir motordur. "Yakıt deposu" (faturalandırma) boşsa çalışmaz.
API Yayma Gecikmesi	"API'leri etkinleştir"i tıkladınız ancak komut satırında hâlâ Service Not Enabled yazıyor. 60 saniye bekleyin. Bulutun nöronlarını uyandırması biraz zaman alabilir.
Kota Quags	Yeni bir deneme hesabı kullanıyorsanız AlloyDB örnekleri için bölgesel kotaya ulaşabilirsiniz. us-central1 başarısız olursa us-east1'ı deneyin.
"Gizli" Hizmet Aracısı	Bazen AlloyDB hizmet aracısına aiplatform.user rolü otomatik olarak verilmez. SQL sorgularınız daha sonra Gemini ile iletişim kuramıyorsa genellikle sorun bundan kaynaklanır.

3. Veritabanı kurulumu

Bu laboratuvarda, test verileri için veritabanı olarak AlloyDB'yi kullanacağız. Veritabanları ve günlükler gibi tüm kaynakları tutmak için kümeler kullanılır. Her kümede, verilere erişim noktası sağlayan bir birincil örnek bulunur. Tablolar gerçek verileri içerir.

Test veri kümesinin yükleneceği bir AlloyDB kümesi, örneği ve tablosu oluşturalım.

1. Google Cloud Console kullanıcısının oturumunun açık olduğu tarayıcıda düğmeyi tıklayın veya aşağıdaki bağlantıyı tarayıcınıza kopyalayın.

Tek Tıklamayla Çalıştırma

2. Bu adım tamamlandıktan sonra depo yerel Cloud Shell düzenleyicinize klonlanır ve aşağıdaki komutu proje klasöründen çalıştırabilirsiniz (proje dizininde olduğunuzdan emin olmanız önemlidir):

sh run.sh

3. Şimdi kullanıcı arayüzünü kullanın (terminaldeki bağlantıyı veya terminaldeki "web'de önizleme" bağlantısını tıklayarak).
4. Başlamak için proje kimliği, küme ve örnek adlarıyla ilgili ayrıntılarınızı girin.
5. Günlükler kayarken kahve almaya gidebilirsiniz. Bu işlemin arka planda nasıl yapıldığı hakkında bilgi edinmek için burayı ziyaret edebilirsiniz. Bu işlem yaklaşık 10-15 dakika sürebilir.

Önemli: Yerel olarak veya herhangi bir yerden test etmek için AlloyDB örneğine gidin, "DÜZENLE"yi ve "Herkese Açık IP'yi Etkinleştir " veya"Herkese Açık IP Bağlantısı "nı (giden bağlantı değil) tıklayın ve geliştirme amacıyla"Yetkili Harici Ağlar "a"0.0.0.0/0 " girin. İşlem tamamlandıktan sonra herkese açık IP bağlantısını kaldırın ve devre dışı bırakın.

Dikkat Edilmesi Gerekenler ve Sorun Giderme

"Sabır" Sorunu	Veritabanı kümeleri ağır altyapılardır. Sayfayı yenilerseniz veya "takılmış gibi göründüğü" için Cloud Shell oturumunu sonlandırırsanız kısmen sağlanan ve manuel müdahale olmadan silinmesi mümkün olmayan bir "hayalet" örneğiniz olabilir.
Bölge Uyuşmazlığı	API'lerinizi us-central1 içinde etkinleştirdiyseniz ancak kümeyi asia-south1 içinde sağlamaya çalışırsanız kota sorunları veya hizmet hesabı izinleriyle ilgili gecikmelerle karşılaşabilirsiniz. Tüm laboratuvar için tek bir bölgeye bağlı kalın.
Zombi Kümeleri	Daha önce bir küme için aynı adı kullandıysanız ve bu adı silmediyseniz komut dosyası, küme adının zaten mevcut olduğunu söyleyebilir. Küme adları, proje içinde benzersiz olmalıdır.
Cloud Shell Zaman Aşımı	Kahve molanız 30 dakika sürerse Cloud Shell uyku moduna geçebilir ve sh run.sh işleminin bağlantısını kesebilir. Sekmeyi etkin tutun.

4. Şema Sağlama

Bu adımda şu konuları ele alacağız:

AlloyDB kümeniz ve örneğiniz çalıştıktan sonra yapay zeka uzantılarını etkinleştirmek ve şemayı sağlamak için AlloyDB Studio SQL düzenleyicisine gidin.

Örneğinizin oluşturulma işleminin tamamlanmasını beklemeniz gerekebilir. Bu işlem tamamlandıktan sonra, kümeyi oluştururken oluşturduğunuz kimlik bilgilerini kullanarak AlloyDB'de oturum açın. PostgreSQL'de kimlik doğrulaması yapmak için aşağıdaki verileri kullanın:

• Kullanıcı adı : "postgres"
• Veritabanı : "postgres"
• Şifre : "alloydb" (veya oluşturma sırasında ayarladığınız şifre)

AlloyDB Studio'da kimliğinizi başarıyla doğruladıktan sonra SQL komutları Düzenleyici'ye girilir. Son pencerenin sağındaki artı işaretini kullanarak birden fazla Editor penceresi ekleyebilirsiniz.

Gerekli durumlarda Çalıştır, Biçimlendir ve Temizle seçeneklerini kullanarak AlloyDB için komutları düzenleyici pencerelerine gireceksiniz.

Uzantıları etkinleştirme

Bu uygulamayı oluşturmak için pgvector ve google_ml_integration uzantılarını kullanacağız. pgvector uzantısı, vektör yerleştirmelerini depolamanıza ve aramanıza olanak tanır. google_ml_integration uzantısı, SQL'de tahmin almak için Vertex AI tahmin uç noktalarına erişmek üzere kullandığınız işlevleri sağlar. Aşağıdaki DDL'leri çalıştırarak bu uzantıları etkinleştirin:

CREATE EXTENSION IF NOT EXISTS google_ml_integration CASCADE;
CREATE EXTENSION IF NOT EXISTS vector;

Tablo oluşturma

Ölçeği göstermek için bir veri kümesine ihtiyacımız var. CSV dosyasını içe aktarmak yerine SQL kullanarak 50.000 satırlık yapay "Yardım Makaleleri" oluşturacağız.

AlloyDB Studio'da aşağıdaki DDL ifadesini kullanarak bir tablo oluşturabilirsiniz:

-- 1. Create the table
CREATE TABLE help_articles (
    id SERIAL PRIMARY KEY,
    title TEXT,
    category TEXT,
    product_version TEXT,
    content_body TEXT,
    embedding vector(768) -- Dimension for text-embedding-005
);

-- 2. Generate 50,000 rows of synthetic data
INSERT INTO help_articles (title, category, product_version, content_body)
SELECT
    'Help Article ' || i,
    CASE 
        WHEN i % 3 = 0 THEN 'Billing' 
        WHEN i % 3 = 1 THEN 'Technical' 
        ELSE 'General' 
    END,
    CASE 
        WHEN i % 2 = 0 THEN '2.0' 
        ELSE '1.0' 
    END,
    'This article covers common issues regarding ' || 
    CASE 
        WHEN i % 3 = 0 THEN 'payment failures, invoice disputes, and credit card updates.'
        WHEN i % 3 = 1 THEN 'connection timeouts, latency issues, and API errors.'
        ELSE 'account profile settings, password resets, and user roles.' 
    END
FROM generate_series(1, 50000) AS i;

item_vector sütunu, metnin vektör değerlerinin depolanmasına olanak tanır.

Verileri doğrulayın:

SELECT count(*) FROM help_articles;
-- Output: 50000

Veritabanı İşaretlerini Etkinleştirme

Örnek yapılandırma konsoluna gidin, "Birincili Düzenle"yi tıklayın, Gelişmiş Yapılandırma'ya gidin ve "Veritabanı İşaretleri Ekle"yi tıklayın.

1. google_ml_integration.enable_model_support işaretinin açık olarak ayarlandığını doğrulayın:

Yoksa flags açılır listesine girin, "ON" olarak ayarlayın ve örneği güncelleyin.

2. google_ml_integration.enable_faster_embedding_generation işaretinin etkin olarak ayarlandığını doğrulayın:

Yoksa flags açılır listesine girin, "ON" olarak ayarlayın ve örneği güncelleyin.

Veritabanı işaretlerini yapılandırma adımları:

1. Google Cloud Console'da Kümeler sayfasına gidin.

Gruplar'a gidin

2. Kaynak Adı sütununda bir grubu tıklayın.
3. Genel bakış sayfasında, kümenizdeki Örnekler'e gidin, bir örnek seçin ve Düzenle'yi tıklayın.
4. Örneğinizden bir veritabanı işareti ekleme, değiştirme veya silme:

İşaret ekleme

1. Örneğinize bir veritabanı işareti eklemek için İşaret ekle'yi tıklayın.
2. Yeni veritabanı işareti listesinden bir işaret seçin.
3. Bayrak için bir değer girin.
4. Bitti'yi tıklayın.
5. Örneği güncelle'yi tıklayın.
6. google_ml_integration uzantısının 1.5.2 veya üzeri bir sürüm olduğunu doğrulayın:

Aşağıdaki komutla uzantı sürümünüzü kontrol edin:

SELECT extversion FROM pg_extension WHERE extname = 'google_ml_integration';

Uzantıyı daha yüksek bir sürüme güncellemeniz gerekiyorsa şu komutu kullanın:

ALTER EXTENSION google_ml_integration UPDATE;

İzin Ver

1. Bir kullanıcının otomatik yerleştirme oluşturmayı yönetmesine izin vermek için google_ml.embed_gen_progress ve google_ml.embed_gen_settings tablolarında INSERT, UPDATE ve DELETE izinlerini verin:

GRANT INSERT, UPDATE, DELETE ON google_ml.embed_gen_progress TO postgres;

"postgres", izinlerin verildiği USER_NAME değeridir.

2. "embedding" işlevinde yürütme izni vermek için aşağıdaki ifadeyi çalıştırın:

GRANT EXECUTE ON FUNCTION embedding TO postgres;

AlloyDB hizmet hesabına Vertex AI Kullanıcısı ROLÜ'nü verme

Google Cloud IAM Console'dan AlloyDB hizmet hesabına (service-<<PROJECT_NUMBER>>@gcp-sa-alloydb.iam.gserviceaccount.com şeklinde görünür) "Vertex AI Kullanıcısı" rolüne erişim izni verin. PROJECT_NUMBER, proje numaranızı içerir.

Alternatif olarak, aşağıdaki komutu Cloud Shell Terminali'nden çalıştırabilirsiniz:

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"

Dikkat Edilmesi Gerekenler ve Sorun Giderme

"Parola Unutma" Döngüsü	"Tek Tıklama" kurulumunu kullandıysanız ve şifrenizi hatırlamıyorsanız konsoldaki örnek temel bilgileri sayfasına gidip "Düzenle"yi tıklayarak postgres şifresini sıfırlayın.
"Uzantı Bulunamadı" Hatası	CREATE EXTENSION başarısız olursa bunun nedeni genellikle ilk sağlama sırasında örneğin "Bakım" veya "Güncelleme" durumunda olmasıdır. Örnek oluşturma adımının tamamlanıp tamamlanmadığını kontrol edin ve gerekirse birkaç saniye bekleyin.

5. "Tek Atış" Vektör Oluşturma

Bu, laboratuvarın temelini oluşturur. Bu 50.000 satırı işlemek için Python döngüsü yazmak yerine ai.initialize_embeddings işlevini kullanacağız.

Bu tek komut iki işlem yapar:

1. Mevcut tüm satırları doldurur.
2. Gelecekteki satırları otomatik olarak yerleştirmek için Tetikleyici oluşturur.

AlloyDB sorgu düzenleyicisinden aşağıdaki SQL ifadesini çalıştırın.

CALL ai.initialize_embeddings(
  model_id => 'text-embedding-005',
  table_name => 'help_articles',
  content_column => 'content_body',
  embedding_column => 'embedding',
  incremental_refresh_mode => 'transactional'
);

Yerleştirilmiş öğeleri doğrulama

embedding sütununun artık doldurulduğunu kontrol edin:

SELECT id, left(content_body, 30), substring(embedding::text, 1, 30) as vector_partial 
FROM help_articles;

Aşağıdakine benzer bir sonuç görmeniz gerekir:

Ne yaşandı?

1. Geniş Ölçekte Doldurma: Mevcut 50.000 satırınızı otomatik olarak tarar ve Vertex AI aracılığıyla yerleştirmeler oluşturur.
2. Otomasyon: incremental_refresh_mode => "transactional" olarak ayarlandığında AlloyDB, dahili tetikleyicileri otomatik olarak ayarlar. help_articles tablosuna eklenen tüm yeni satırların yerleştirme işlemleri anında oluşturulur.
3. İsterseniz yalnızca toplu güncellemeler yapmak için ifadeyi alabilmek ve tüm satır yerleştirmelerini güncellemek üzere ai.refresh_embeddings() işlevini manuel olarak çağırabilmek için incremental_refresh_mode => "None" değerini ayarlayabilirsiniz.

Bir Kafka kuyruğunu, bir Python işçisini ve bir taşıma komut dosyasını 6 satırlık SQL ile değiştirdiniz. Tüm özelliklerle ilgili ayrıntılı resmi dokümanları burada bulabilirsiniz.

Anlık tetikleyici testi

"Sıfır Döngü" otomasyonunun yeni veriler için çalıştığını doğrulayalım.

1. Yeni satır ekleme:

INSERT INTO help_articles (title, category, product_version, content_body)
VALUES ('New Scaling Guide', 'Technical', '2.0', 'How to scale AlloyDB to millions of transactions.');

2. Hemen kontrol edin:

SELECT embedding FROM help_articles WHERE title = 'New Scaling Guide';

Sonuç:

Herhangi bir harici komut dosyası çalıştırmadan vektörün anında oluşturulduğunu görmelisiniz.

Ayarlama grubu boyutu

AlloyDB, varsayılan olarak toplu iş boyutunu 50 olarak ayarlar. Varsayılan ayarlar kutudan çıktığı gibi mükemmel çalışsa da AlloyDB, kullanıcılara benzersiz modeliniz ve veri kümeniz için mükemmel yapılandırmayı ayarlama kontrolü sunar.

CALL ai.initialize_embeddings(
  model_id => 'text-embedding-005',
  table_name => 'help_articles',
  content_column => 'content_body',
  embedding_column => 'embedding',
  incremental_refresh_mode => 'transactional',
  batch_size => 20
);

Ancak kullanıcıların, performansı sınırlayabilecek kota sınırlarının farkında olması gerekir. Önerilen AlloyDB kotalarını incelemek için dokümanlardaki "Başlamadan önce" bölümüne bakın.

Dikkat Edilmesi Gerekenler ve Sorun Giderme

IAM Yayılma Boşluğu	gcloud IAM komutunu çalıştırdınız ancak SQL CALL, izin hatasıyla başarısız olmaya devam ediyor. IAM değişikliklerinin Google omurgasında yayılması biraz zaman alabilir. Bir nefes alın.
Vektör Boyutu Uyuşmazlığı	help_articles tablosu, content_body sütununda VECTOR(768) olarak ayarlanmıştır. Daha sonra farklı bir model (ör. 1536 boyutlu bir model) kullanmayı denerseniz eklemeleriniz patlar. text-embedding-005'ya bağlı kalın.

6. Flexing Context Search

Şimdi karma arama yapıyoruz. Semantik anlayışı (Vektör) işletme mantığıyla (SQL Filtreleri) birleştiririz.

Faturalandırma sorunlarını özellikle 2.0 ürün sürümü için bulmak üzere bu sorguyu çalıştırın:

SELECT
  title,
  left(content_body, 100) as content_snippet,
  1 - (embedding <=> embedding('text-embedding-005', 'Invoice did not go through')::vector) as relevance
FROM help_articles
WHERE category = 'Billing'  -- Hard SQL Filter
  AND product_version = '2.0' -- Hard SQL Filter
ORDER BY relevance DESC
LIMIT 5;

Bu, Flexing Context'tir. Arama, katı iş kısıtlamalarına (2.0 sürümü) uymaya devam ederken kullanıcının amacını ("fatura sorunları") anlamak için "esneklik" gösterir.

Bu çözüm neden yeni başlayanlar ve taşıma işlemleri için idealdir?

1. Sıfır Altyapı Borcu: Ayrı bir Vector DB (Pinecone/Milvus) oluşturmadınız. Ayrı bir ETL işi yazmadınız. Her şey Postgres'te.
2. Anlık Güncellemeler: "İşlemsel" modu kullandığınızda arama dizininiz hiçbir zaman güncelliğini yitirmez. Veriler kaydedildiği anda vektör için hazır olur.
3. Ölçek: AlloyDB, Google'ın altyapısı üzerinde oluşturulmuştur. Milyonlarca vektörün toplu olarak oluşturulmasını Python komut dosyanızın yapabileceğinden daha hızlı bir şekilde gerçekleştirebilir.

Dikkat Edilmesi Gerekenler ve Sorun Giderme

Üretim Performansıyla İlgili Sorun	Sorun: 50.000 satır için hızlı. Kategori filtresi yeterince seçici değilse 1 milyon satır için çok yavaş.Çözüm:Vektör dizini ekleyin: Üretim ölçeğinde bir dizin oluşturmanız gerekir:CREATE INDEX ON help_articles USING hnsw (embedding vector_cosine_ops); Dizin Kullanımını Doğrulayın: Veritabanının dizini kullandığından ve sıralı tarama yapmadığından emin olmak için EXPLAIN ANALYZE SELECT ... komutunu çalıştırın.
"Model Uyuşmazlığı" Felaketi	Sorun: Sütunu CALL prosedüründe text-embedding-005 kullanarak başlattınız. SELECT sorgu işlevinde embedding('model-name', ...) yanlışlıkla farklı bir model (ör. text-embedding-004 veya bir OSS modeli) kullanırsanız boyutlar eşleşebilir (768), ancak vektör alanı tamamen farklı olur. Sorgu hatasız çalışır ancak sonuçlar tamamen alakasızdır (alakasızlık puanları). Sorun giderme:ai.initialize_embeddings içindeki model_id'nin SELECT sorgunuzdaki model_id ile tam olarak eşleştiğinden emin olun.
"Sessiz Boş" Sonuç (Aşırı Filtreleme)	Sorun: Karma arama bir "VE" işlemidir. Semantik Eşleşme VE SQL Eşleşmesi gerekir.Kullanıcı "Fatura yardımı" araması yaptığında ancak product_version sütununda ‘2.0' yerine ‘2.0.1' varsa vektör eşleşmesi %99 olsa bile sonuç sıfır satır olur. Sorun giderme: SQL filtrelerinin (WHERE category...) gerçekten veri döndürüp döndürmediğini görmek için sorguyu önce vektör sıralaması olmadan çalıştırın. Büyük/küçük harfe duyarlılığı kontrol edin (Billing ve billing).
4. İzin/Kota Hataları (500 Hatası)	Sorun:SELECT ifadesindeki embedding() işlevi, Vertex AI'a gerçek zamanlı bir ağ çağrısı yapar.Veritabanı hizmet hesabı Vertex AI Kullanıcısı rolünü kaybederse veya Vertex AI API kotasına (QPM) ulaşırsanız SQL sorgusunun tamamı başarısız olur.Sorun giderme: AlloyDB için Cloud Logging'i kontrol edin. IAM rolünün hâlâ etkin olduğundan emin olun. Yüksek esneklik gerekiyorsa işlevi saklı yordamlarda TRY/CATCH bloğuna sarın.
5. Boş yerleştirmeler	Sorun:Model tamamen başlatılmadan önce veri eklerseniz veya arka plan çalışanı başarısız olursa bazı satırların embedding sütununda NULL olabilir.NULL <=> Vector, NULL değerini döndürür. Bu satırlar sıralama düzeninden kaybolur.Sorun giderme: %100 kapsamı doğrulamak için SELECT count(*) FROM help_articles WHERE embedding IS NULL; çalıştırın.

7. Temizleme

Bu laboratuvar tamamlandıktan sonra AlloyDB kümesini ve örneğini silmeyi unutmayın.

https://console.cloud.google.com/alloydb/clusters adresine gidin. Yanındaki dikey üç nokta simgesini tıklayarak silmek istediğiniz kümeyi seçin ve SİL'i tıklayın.

Küme, örnekleriyle birlikte temizlenmelidir.

8. Tebrikler

Ölçeklenebilir bir bilgi bankası arama uygulamasını başarıyla oluşturdunuz. Vektör yerleştirmeleri oluşturmak için Python komut dosyaları ve döngülerle karmaşık bir ETL ardışık düzenini yönetmek yerine, tek bir SQL komutu kullanarak yerleştirme oluşturmayı veritabanında yerel olarak işlemek için AlloyDB AI'ı kullandınız.

İşlediğimiz konular

• Veri işleme için "Python For-Loop"u devre dışı bıraktık.
• Tek bir SQL komutuyla 50.000 vektör oluşturduk.
• Gelecekteki vektör oluşturma işlemlerini tetikleyicilerle otomatikleştiriyoruz.
• Karma arama yaptık.

Sonraki Adımlar

• Bunu kendi veri kümenizle deneyin.
• AlloyDB AI belgelerini inceleyin.
• Daha fazla atölye için Code Vipassana web sitesine göz atın.