1. 概览
对于不同行业,专利研究是了解竞争格局、发现潜在的许可或收购机会以及避免侵犯现有专利的关键工具。
专利研究既广泛又复杂。从无数的技术抽象中过滤出来相关的创新是一项艰巨的任务。基于关键字的传统搜索往往不准确且非常耗时。摘要过长且技术性较强,因此很难快速掌握其核心内容。这可能导致研究人员缺少关键专利,或者将时间浪费在不相关的结果上。
目标
在此 Codelab 中,我们将利用 Spanner 以及现有 Gemini 1.0 Pro、嵌入和向量搜索,打造更快速、更直观、异常精确的专利搜索流程。
构建内容
在本实验中,您将:
- 创建 Spanner 实例
- 加载 Google 专利公开数据集
- 使用 Gemini 1.0 Pro 模型创建用于文本嵌入的远程模型
- 根据加载的数据集创建生成式洞见
- 根据数据洞见生成嵌入
- 针对数据集发出相似度搜索查询
下图显示了数据流和实现中所涉及的步骤。
要求
2. 准备工作
创建项目
- 在 Google Cloud Console 的项目选择器页面上,选择或创建一个 Google Cloud 项目。
- 确保您的 Cloud 项目已启用结算功能。了解如何检查项目是否已启用结算功能。
- 您将使用 Cloud Shell,这是一个在 Google Cloud 中运行的命令行环境,它预加载了 bq。点击 Google Cloud 控制台顶部的“激活 Cloud Shell”。
- 在连接到 Cloud Shell 后,您可以使用以下命令检查是否已通过身份验证,以及项目是否已设置为您的项目 ID:
gcloud auth list
- 在 Cloud Shell 中运行以下命令,以确认 gcloud 命令了解您的项目。
gcloud config list project
- 如果项目未设置,请使用以下命令进行设置:
gcloud config set project <YOUR_PROJECT_ID>
- 在控制台中搜索,确保已启用 Vertex AI API 和 Spanner API。或者,您也可以在 Cloud Shell 终端中使用以下命令:
gcloud services enable spanner.googleapis.com --project <<YOUR_PROJECT_ID>>
gcloud services enable aiplatform.googleapis.com --project <<YOUR_PROJECT_ID>>
您也可以使用此链接。
如需了解 gcloud 命令和用法,请参阅文档。
3. 准备 Spanner 数据库
让我们创建一个将加载专利数据集的 Spanner 实例、数据库和表。
创建 Spanner 实例
- 创建一个名为
spanner-vertex
的 Spanner 实例。
gcloud spanner instances create spanner-vertex \
--config=regional-us-central1 \
--description=spanner-vertex \
--nodes=1
创建数据库
- 在 Google Cloud 控制台中,打开 Spanner 页面。
- 从列表中选择
spanner-vertex
实例。 - 在“数据库”下,点击创建数据库。
- 将数据库名称设置为“专利”。
- 点击创建以创建数据库。
创建表
- 在 Google Cloud 控制台中,打开 Spanner 页面。
- 从列表中选择
spanner-vertex
实例。 - 选择
patents
数据库。 - 在表标签页下,点击创建表。系统随即会打开 Spanner Studio 页面。
- 点击新建 SQL 编辑器标签页打开一个新标签页。
- 请运行以下查询:
CREATE TABLE patents_data (
id string(25), type string(25), number string(20), country string(2), date string(20), abstract string(300000), title string(100000),kind string(5), num_claims numeric, filename string(100), withdrawn numeric,
) PRIMARY KEY (id);
4. 将专利数据加载到数据库中
BigQuery 上的 Google 专利公开数据集将用作我们的数据集。我们将使用 Spanner Studio 运行查询。spanner-gemini-search 代码库包含我们将运行的 insert_into_patents_data.sql
脚本,用于加载专利数据。
- 在 Google Cloud 控制台中,打开 Spanner 页面。
- 从列表中选择
spanner-vertex
实例。 - 选择
patents
数据库。 - 在导航菜单中,点击 Spanner Studio。Explorer窗格会显示数据库中的对象列表。
- 点击新建 SQL 编辑器标签页打开一个新标签页。
- 从编辑器中的
insert_into_patents_data.sql
脚本中复制insert
查询语句。您可以复制 50-100 个插入语句,以便快速演示此用例。 - 点击运行。查询结果会显示在结果表中。
5. 创建 Gemini 1.0 Pro 远程模型
专利数据加载到数据库后,我们将创建一个远程模型,使用 Gemini 1.0 Pro Vertex AI 模型生成标题和关键字摘要。
在 Spanner Studio 编辑器中运行以下 DDL 命令:
- 在导航菜单中,点击 Spanner Studio。Explorer窗格会显示数据库中的对象列表。
- 点击新建 SQL 编辑器标签页打开一个新标签页。
- 请运行以下查询:
CREATE MODEL gemini_pro_model INPUT(
prompt STRING(MAX),
) OUTPUT(
content STRING(MAX),
) REMOTE OPTIONS (
endpoint = '//aiplatform.googleapis.com/projects/<<YOUR_PROJECT_ID>>/locations/us-central1/publishers/google/models/gemini-pro',
default_batch_size = 1
);
- 点击运行。查询结果会显示在结果表中。
6. 创建文本嵌入的远程模型
上一步的结果中会包含一个包含标题和关键字的合并摘要。我们会将此响应转换为嵌入,以便在运行查询时生成适当的匹配。我们将在 Spanner 中远程使用 Vertex AI 中的 Text Embedding Gecko 003 model
。
- 在导航菜单中,点击 Spanner Studio。Explorer窗格会显示数据库中的对象列表。
- 点击新建 SQL 编辑器标签页打开一个新标签页。
- 请运行以下查询:
CREATE MODEL text_embeddings INPUT(content STRING(MAX))
OUTPUT(
embeddings
STRUCT<
statistics STRUCT<truncated BOOL, token_count FLOAT64>,
values ARRAY<FLOAT64>>
)
REMOTE OPTIONS (
endpoint = '//aiplatform.googleapis.com/projects/<<YOUR_PROJECT_ID>>/locations/us-central1/publishers/google/models/textembedding-gecko@003');
- 点击运行。查询结果会显示在结果表中。
7. 根据专利摘要创建生成式洞见
我们将创建一个 patents_data_gemini
表来存储使用之前创建的 Gemini 1.5 Pro 模型生成的生成式数据洞见。
创建表
- 在导航菜单中,点击 Spanner Studio。Explorer窗格会显示数据库中的对象列表。
- 点击新建 SQL 编辑器标签页打开一个新标签页。
- 请运行以下查询:
CREATE TABLE patents_data_gemini (id string(100), gemini_response STRING(MAX)) PRIMARY KEY (id);
- 点击运行。查询结果会显示在结果表中。
生成洞见
如需使用生成式数据分析填充表,建议您使用使用批量写入或变更方法的应用。对于此 Codelab,我们将运行以下 DDL 查询(最多 4 次)来填充表。
INSERT INTO patents_data_gemini (id, gemini_response)
SELECT id, content as gemini_response
FROM ML.PREDICT(MODEL gemini_pro_model,
(select id, concat ('Identify the areas of work or keywords in this abstract', abstract) as prompt from patents_data b where id not in (select id from patents_data_gemini) limit 50
));
注意:如果您在此步骤中遇到“超出配额”错误(可能是在免费赠金金额较少的情况下),请尝试跳过插入操作,仅运行下方解决方案部分中的选定查询。
“权宜解决方法”部分:
SELECT id, content as gemini_response
FROM ML.PREDICT(MODEL gemini_pro_model,
(select id, concat ('Identify the areas of work or keywords in this abstract', abstract) as prompt from patents_data b limit 50
))
观察数据分析
该表包含为查询中的 'Identify the areas of work or keywords in this abstract',
提示生成的数据分析。
注意:如果您运行了上面的解决方法部分查询而不是 INSERT DDL,则请跳过此部分,改为运行本页面中的最后一个 SELECT 查询。
我们运行以下查询来验证数据分析结果:
select title, abstract, gemini_response from patents_data a inner join patents_data_gemini b
on a.id = b.id;
显示的结果如下:
注意:如果您运行了“变通方案”部分查询,请将上述 select 查询中的表名称替换为“变通方案”部分中的查询。因此,您应改为运行以下命令:
select title, abstract, gemini_response from patents_data a inner join (SELECT id, content as gemini_response
FROM ML.PREDICT(MODEL gemini_pro_model,
(select id, concat ('Identify the areas of work or keywords in this abstract', abstract) as prompt from patents_data b limit 50
))) b
on a.id = b.id;
结果应该与上方结果屏幕截图中的结果相同。
8. 为生成的数据分析生成嵌入
填充表中的数据分析后,我们现在可以使用这些数据分析生成嵌入。这些嵌入有助于我们不依赖于完全匹配的关键字匹配,但有助于根据概念相似度生成结果。
注意:如果您在上一步中运行了“变通方案”部分查询,则可以跳过此步骤,并转到此步骤中的“变通方案”部分查询。
运行以下查询以生成嵌入:
- 在导航菜单中,点击 Spanner Studio。Explorer窗格会显示数据库中的对象列表。
- 点击新建 SQL 编辑器标签页打开一个新标签页。
- 运行以下查询以创建
patents_data_embeddings
表。
CREATE TABLE patents_data_embeddings (id string(100), patents_embeddings ARRAY<FLOAT64>) PRIMARY KEY (id);
- 点击运行。查询结果会显示在结果表中。
- 运行以下查询以生成嵌入。
INSERT INTO patents_data_embeddings (id, patents_embeddings)
SELECT id, embeddings.values as patents_embeddings
FROM ML.PREDICT(MODEL text_embeddings,
(SELECT id, gemini_response as content FROM patents_data_gemini));
- 点击运行。查询结果会显示在结果表中。
观察结果
该表格包含为标题和提取的文本生成的嵌入。
我们运行以下查询来验证结果:
select title, abstract, b.patents_embeddings from patents_data a inner join patents_data_embeddings b
on a.id = b.id;
显示的结果如下:
权宜解决方法部分:
如果您在其他步骤中执行了解决方法部分,请使用此查询:
select title, abstract, b.patents_embeddings from patents_data a inner join
(SELECT id, embeddings.values as patents_embeddings
FROM ML.PREDICT(MODEL text_embeddings,
(SELECT id, gemini_response as content FROM (SELECT id, content as gemini_response
FROM ML.PREDICT(MODEL gemini_pro_model,
(select id, concat ('Identify the areas of work or keywords in this abstract', abstract) as prompt from patents_data b limit 50
)))))) b
on a.id = b.id;
这应该与上方屏幕截图中显示的结果相同。
9. 为矢量搜索做准备
现在我们已经生成了文本嵌入,接下来可以准备 Web 应用,为执行相似向量搜索做好准备了。在此 Codelab 中,我们将创建一个 Web 应用,该应用包含的逻辑可基于 K-Nearest Neighbors 相似度搜索功能提供搜索结果。您可以将这个准备好的数据集与搜索应用结合使用,以便直观呈现搜索结果。
在我们的 Codelab 中,我们将运行一个示例查询,用于搜索提示、根据上下文生成结果,并将结果限制为 10 个条目。
请运行以下查询:
- 在导航菜单中,点击 Spanner Studio。Explorer窗格会显示数据库中的对象列表。
- 点击新建 SQL 编辑器标签页打开一个新标签页。
- 运行以下查询以创建
patents_data_embeddings
表。
SELECT a.id, a.title, a.abstract, 'A new Natural Language Processing related Machine Learning Model' search_text, COSINE_DISTANCE(c.patents_embeddings,
(SELECT embeddings.values
FROM ML.PREDICT(
MODEL text_embeddings,
(SELECT 'A new Natural Language Processing related Machine Learning Model' as content)))) as distance
FROM patents_data a inner join patents_data_gemini b on a.id = b.id
inner join patents_data_embeddings c on a.id = c.id
ORDER BY distance
LIMIT 10;
- 点击运行。查询结果会显示在结果表中。
注意:如果您使用了解决方法部分中的查询,由于其中一个最早插入语句中存在配额错误,您可以跳过所有其他步骤,直接运行以下查询,观察对 Spanner 数据库中向量嵌入执行最近邻搜索的结果:
SELECT a.id, a.title, a.abstract, 'A new Natural Language Processing related Machine Learning Model' search_text, COSINE_DISTANCE(c.patents_embeddings,
(SELECT embeddings.values
FROM ML.PREDICT(
MODEL text_embeddings,
(SELECT 'A new Natural Language Processing related Machine Learning Model' as content)))) as distance
FROM patents_data a inner join (SELECT id, embeddings.values as patents_embeddings
FROM ML.PREDICT(MODEL text_embeddings,
(SELECT id, gemini_response as content FROM (SELECT id, content as gemini_response
FROM ML.PREDICT(MODEL gemini_pro_model,
(select id, concat ('Identify the areas of work or keywords in this abstract', abstract) as prompt from patents_data b
)))))) c on a.id = c.id
ORDER BY distance
LIMIT 2;
观察结果
前面的查询使用 COSINE_DISTANCE
方法查找与我们的提示最接近的 10 个匹配项。
显示的结果如下:
生成的结果在内容上非常接近查询中包含的提示。
10. 清理
为避免系统因本博文中使用的资源向您的 Google Cloud 账号收取费用,请按以下步骤操作:
- 在 Google Cloud 控制台中,前往管理资源页面。
- 在项目列表中,选择要删除的项目,然后点击删除。如果您不想删除项目,只需删除您在 Spanner 中创建的实例即可。
- 在对话框中输入项目 ID,然后点击关停以删除项目。
11. 恭喜
恭喜!您已成功使用 Spanner 的内置向量搜索执行了相似度搜索。此外,您还看到,使用嵌入和 LLM 模型来直接使用 SQL 提供生成式 AI 功能是多么容易。
后续操作
如需详细了解 Spanner 的最近邻(KNN 矢量搜索)功能,请访问:https://cloud.google.com/spanner/docs/find-k-nearest-neighbors
您还可以访问以下网址,详细了解如何使用 Spanner 的 VertexAI 集成功能通过 SQL 执行在线预测:https://cloud.google.com/spanner/docs/ml