1. סקירה כללית
בשיעור הזה נדגים שיטה פשוטה וקלה להגדרה של AlloyDB.
מה תפַתחו
במסגרת התהליך הזה, תיצרו מכונה ואשכול של AlloyDB בהתקנה בלחיצה אחת, ותלמדו איך להגדיר אותם במהירות גם בפרויקטים עתידיים.
דרישות
2. לפני שמתחילים
יצירת פרויקט
- ב-Google Cloud Console, בדף לבחירת הפרויקט, בוחרים או יוצרים פרויקט ב-Google Cloud.
- מוודאים שהחיוב מופעל בפרויקט ב-Cloud. כך בודקים אם החיוב מופעל בפרויקט.
- תשתמשו ב-Cloud Shell, סביבת שורת פקודה שפועלת ב-Google Cloud. לוחצים על 'הפעלת Cloud Shell' בחלק העליון של מסוף Google Cloud.
- אחרי שמתחברים ל-Cloud Shell, אפשר לבדוק שכבר בוצע אימות ושהפרויקט מוגדר למזהה הפרויקט שלכם באמצעות הפקודה הבאה:
gcloud auth list
- מריצים את הפקודה הבאה ב-Cloud Shell כדי לוודא שפקודת gcloud מכירה את הפרויקט.
gcloud config list project
- אם הפרויקט לא מוגדר, משתמשים בפקודה הבאה כדי להגדיר אותו:
gcloud config set project <YOUR_PROJECT_ID>
- מפעילים את ממשקי ה-API הנדרשים: לוחצים על הקישור ומפעילים את ממשקי ה-API.
אפשר גם להשתמש בפקודת gcloud. אפשר לעיין במאמרי העזרה בנושא פקודות gcloud ושימוש בהן.
3. למה כדאי להשתמש ב-AlloyDB לנתוני העסק ול-AI?
AlloyDB ל-PostgreSQL הוא לא עוד שירות מנוהל של Postgres. מדובר במודרניזציה בסיסית של המנוע, שמותאמת לעידן ה-AI. הנה הסיבה לכך שהיא עומדת בפני עצמה בהשוואה למסדי נתונים רגילים:
- עיבוד טרנזקציות וניתוח היברידי (HTAP)
ברוב מסדי הנתונים, צריך להעביר את הנתונים למחסן נתונים כדי לבצע ניתוח. ל-AlloyDB יש מנוע עמודות מובנה ששומר באופן אוטומטי נתונים רלוונטיים בחנות עמודות בזיכרון. כך שאילתות ניתוח נתונים רצות עד 100 פעמים מהר יותר מאשר ב-PostgreSQL רגיל, ואפשר להריץ ניתוח עסקי בזמן אמת על הנתונים התפעוליים בלי להשתמש בצינורות ETL מורכבים.
- שילוב מובנה של AI:
AlloyDB מגשר על הפער בין הנתונים שלכם לבין AI גנרטיבי. בעזרת התוסף google_ml_integration, אתם יכולים להתקשר למודלים של Vertex AI (כמו Gemini) ישירות מתוך שאילתות ה-SQL. כלומר, אתם יכולים לבצע ניתוח סנטימנט, תרגום או חילוץ ישויות כעסקת מסד נתונים רגילה, וכך להבטיח את אבטחת הנתונים ולצמצם את זמן האחזור.
- חיפוש וקטורי משופר:
ב-PostgreSQL רגיל נעשה שימוש ב-pgvector, אבל ב-AlloyDB יש שיפור משמעותי עם אינדקס ScaNN (Scalable Nearest Neighbors), שפותח על ידי Google Research. כך מתקבל חיפוש מהיר משמעותית של דמיון וקטורי ושיעור גבוה יותר של שליפת מידע בקנה מידה גדול, בהשוואה לאינדקסים רגילים של HNSW שנמצאים במוצרי Postgres אחרים. כך תוכלו ליצור אפליקציות RAG (Retrieval Augmented Generation, יצירה משולבת-אחזור) עם ביצועים גבוהים באופן מקורי.
- ביצועים בהיקף רחב:
AlloyDB מציע ביצועים טרנזקציוניים מהירים פי 4 בהשוואה ל-PostgreSQL רגיל. הוא מפריד בין המחשוב לבין האחסון, וכך מאפשר להם להתרחב באופן עצמאי. שכבת האחסון היא חכמה, והיא מטפלת בעיבוד של רישום מראש (WAL) כדי להפחית את העומס על המכונה הראשית.
- זמינות ב-Enterprise:
הוא מציע הסכם רמת שירות (SLA) לזמן פעולה תקינה של 99.99%, כולל תחזוקה. רמת המהימנות הזו של מסד נתונים שתואם ל-PostgreSQL מושגת באמצעות ארכיטקטורה מבוססת-ענן שמבטיחה שחזור מהיר של כשלים ועמידות של האחסון.
4. הגדרת AlloyDB
בשיעור ה-Lab הזה נשתמש ב-AlloyDB כבסיס הנתונים של נתוני הבדיקה. הוא משתמש באשכולות כדי להכיל את כל המשאבים, כמו מסדי נתונים ויומנים. לכל אשכול יש מופע ראשי שמספק נקודת גישה לנתונים. הטבלאות יכילו את הנתונים בפועל.
ניצור אשכול, מכונה וטבלה של AlloyDB שבהם ייטען מערך הנתונים של הבדיקה.
- לוחצים על הלחצן או מעתיקים את הקישור שלמטה לדפדפן שבו המשתמש מחובר למסוף Google Cloud.
- אחרי שהשלב הזה יסתיים, המאגר ישוכפל לעורך המקומי של Cloud Shell ותוכלו להריץ את הפקודה שלמטה מתוך תיקיית הפרויקט (חשוב לוודא שאתם בספריית הפרויקט):
sh run.sh
- עכשיו משתמשים בממשק המשתמש (לוחצים על הקישור במסוף או על הקישור 'תצוגה מקדימה באינטרנט' במסוף).
- כדי להתחיל, מזינים את הפרטים של מזהה הפרויקט, האשכול ושמות המופעים.
- אתם יכולים ללכת לשתות קפה בזמן שהיומנים מתגללים, וכאן תוכלו לקרוא איך זה קורה מאחורי הקלעים.
5. הגדרות עם איורים
6. הסרת המשאבים
אחרי שמסיימים את בחינת ה-Lab הזו, חשוב למחוק את אשכול AlloyDB ואת המכונה.
הוא צריך לנקות את האשכול יחד עם המכונות שלו.
7. מזל טוב
הכול מוכן!!!
מתחילים להגדיר את הנתונים ב-AlloyDB בקלות ובמהירות.