Spanner वेक्टर सर्च का इस्तेमाल शुरू करना

1. परिचय

Spanner, पूरी तरह से मैनेज की जाने वाली, हॉरिज़ॉन्टल तौर पर स्केल की जा सकने वाली, और दुनिया भर में उपलब्ध डेटाबेस सेवा है. यह रिलेशनल और नॉन-रिलेशनल, दोनों तरह के ऑपरेशनल वर्कलोड के लिए बेहतरीन है.

Spanner में वेक्टर सर्च की सुविधा पहले से मौजूद है. इसकी मदद से, मिलती-जुलती या सेमेटिक खोज की जा सकती है. साथ ही, बड़े पैमाने पर जनरेटिव एआई (जीएआई) वाले ऐप्लिकेशन में, एग्ज़ैक्ट के-नियरेस्ट नेबर (केएनएन) या अनुमानित नियरेस्ट नेबर (एएनएन) सुविधाओं का इस्तेमाल करके, रीट्रिवल ऑगमेंटेड जनरेशन (आरएजी) लागू किया जा सकता है.

Spanner की वेक्टर सर्च क्वेरी, लेन-देन होने के तुरंत बाद रीयल-टाइम में नया डेटा दिखाती हैं. यह ठीक वैसा ही है जैसे आपके ऑपरेशनल डेटा पर की गई किसी भी अन्य क्वेरी से नया डेटा मिलता है.

इस लैब में, वेक्टर सर्च करने के लिए Spanner का फ़ायदा पाने और SQL का इस्तेमाल करके VertexAI के मॉडल गार्डन से एम्बेडिंग और एलएलएम मॉडल को ऐक्सेस करने के लिए, ज़रूरी बुनियादी सुविधाओं को सेट अप करने का तरीका बताया गया है.

आर्किटेक्चर कुछ ऐसा दिखेगा:

d179a760add7adc0.png

इस बुनियादी जानकारी के आधार पर, आपको ScaNN एल्गोरिदम की मदद से वेक्टर इंडेक्स बनाने का तरीका पता चलेगा. साथ ही, जब आपके सेमैनटिक वर्कलोड को स्केल करने की ज़रूरत होगी, तब APPROX दूरी फ़ंक्शन का इस्तेमाल करने का तरीका भी पता चलेगा.

आपको क्या बनाना है

इस लैब में, आपको ये काम करने होंगे:

  • Spanner इंस्टेंस बनाना
  • VertexAI में एम्बेडिंग और एलएलएम मॉडल के साथ इंटिग्रेट करने के लिए, Spanner का डेटाबेस स्कीमा सेट अप करना
  • रीटेल डेटा सेट लोड करना
  • डेटासेट के लिए मिलती-जुलती खोज क्वेरी जारी करना
  • प्रॉडक्ट के हिसाब से सुझाव जनरेट करने के लिए, एलएलएम मॉडल को संदर्भ दें.
  • स्कीमा में बदलाव करें और वेक्टर इंडेक्स बनाएं.
  • नए बनाए गए वेक्टर इंडेक्स का फ़ायदा पाने के लिए, क्वेरी बदलें.

आपको क्या सीखने को मिलेगा

  • Spanner इंस्टेंस सेट अप करने का तरीका
  • VertexAI के साथ इंटिग्रेट करने का तरीका
  • रीटेल डेटासेट में मिलते-जुलते आइटम ढूंढने के लिए, वेक्टर सर्च करने के लिए Spanner का इस्तेमाल करने का तरीका
  • एएनएन (ऑगमेंटेड नेचरल नेटवर्क) सर्च का इस्तेमाल करके, वेक्टर सर्च के वर्कलोड को बढ़ाने के लिए, अपने डेटाबेस को तैयार करने का तरीका.

आपको किन चीज़ों की ज़रूरत होगी

  • Google Cloud का कोई ऐसा प्रोजेक्ट जो किसी बिलिंग खाते से जुड़ा हो.
  • Chrome या Firefox जैसा कोई वेब ब्राउज़र.

2. सेटअप और ज़रूरी शर्तें

प्रोजेक्ट बनाना

अगर आपके पास पहले से कोई Google खाता (Gmail या Google Apps) नहीं है, तो आपको एक खाता बनाना होगा. Google Cloud Platform Console ( console.cloud.google.com) में साइन-इन करें और नया प्रोजेक्ट बनाएं.

अगर आपके पास पहले से कोई प्रोजेक्ट है, तो कंसोल के ऊपर बाईं ओर मौजूद, प्रोजेक्ट चुनने के लिए उपलब्ध पुल-डाउन मेन्यू पर क्लिक करें:

6c9406d9b014760.png

नया प्रोजेक्ट बनाने के लिए, इसके बाद दिखने वाले डायलॉग में ‘नया प्रोजेक्ट' बटन पर क्लिक करें:

949d83c8a4ee17d9.png

अगर आपके पास पहले से कोई प्रोजेक्ट नहीं है, तो आपको अपना पहला प्रोजेक्ट बनाने के लिए, ऐसा डायलॉग दिखेगा:

870a3cbd6541ee86.png

प्रोजेक्ट बनाने के बाद दिखने वाले डायलॉग बॉक्स में, अपने नए प्रोजेक्ट की जानकारी डाली जा सकती है:

6a92c57d3250a4b3.png

प्रोजेक्ट आईडी याद रखें. यह Google Cloud के सभी प्रोजेक्ट के लिए एक यूनीक नाम होता है. ऊपर दिया गया नाम पहले से ही ले लिया गया है और यह आपके लिए काम नहीं करेगा. माफ़ करें! इस कोडलैब में बाद में, इसे PROJECT_ID के तौर पर इस्तेमाल किया जाएगा.

इसके बाद, अगर आपने अब तक ऐसा नहीं किया है, तो आपको Google Cloud के संसाधनों का इस्तेमाल करने और Spanner API को चालू करने के लिए, Developers Console में बिलिंग की सुविधा चालू करनी होगी.

15d0ef27a8fbab27.png

इस कोडलैब को चलाने में आपको कुछ डॉलर से ज़्यादा खर्च नहीं करने पड़ेंगे. हालांकि, ज़्यादा संसाधनों का इस्तेमाल करने या उन्हें चालू रहने देने पर, खर्च ज़्यादा हो सकता है. इस दस्तावेज़ के आखिर में मौजूद "क्लीनअप" सेक्शन देखें. Google Cloud Spanner की कीमत की जानकारी यहां दी गई है.

Google Cloud Platform के नए उपयोगकर्ता, 300 डॉलर के मुफ़्त ट्रायल की सुविधा का फ़ायदा ले सकते हैं. इस वजह से, यह कोडलैब पूरी तरह से मुफ़्त है.

Google Cloud Shell का सेटअप

Google Cloud और Spanner को आपके लैपटॉप से रिमोट तौर पर ऑपरेट किया जा सकता है. हालांकि, इस कोडलैब में हम Google Cloud Shell का इस्तेमाल करेंगे. यह Cloud में चलने वाला कमांड-लाइन एनवायरमेंट है.

इस डेबियन-आधारित वर्चुअल मशीन में, डेवलपमेंट के लिए ज़रूरी सभी टूल लोड होते हैं. यह 5 जीबी की होम डायरेक्ट्री उपलब्ध कराती है और Google Cloud में चलती है. इससे नेटवर्क की परफ़ॉर्मेंस और पुष्टि करने की प्रोसेस बेहतर होती है. इसका मतलब है कि इस कोडलैब के लिए, आपको सिर्फ़ एक ब्राउज़र की ज़रूरत होगी. हां, यह Chromebook पर काम करता है.

  1. Cloud Console से Cloud Shell को चालू करने के लिए, बस Cloud Shell चालू करें gcLMt5IuEcJJNnMId-Bcz3sxCd0rZn7IzT_r95C8UZeqML68Y1efBG_B0VRp7hc7qiZTLAF-TXD7SsOadxn8uadgHhaLeASnVS3ZHK39eOlKJOgj9SJua_oeGhMxRrbOg3qigddS2A पर क्लिक करें. इसमें, एनवायरमेंट को प्रोवाइड करने और उससे कनेक्ट करने में कुछ ही मिनट लगेंगे.

JjEuRXGg0AYYIY6QZ8d-66gx_Mtc-_jDE9ijmbXLJSAXFvJt-qUpNtsBsYjNpv2W6BQSrDc1D-ARINNQ-1EkwUhz-iUK-FUCZhJ-NtjvIEx9pIkE-246DomWuCfiGHK78DgoeWkHRw

Screen Shot 2017-06-14 at 10.13.43 PM.png

Cloud Shell से कनेक्ट होने के बाद, आपको दिखेगा कि आपने पहले ही पुष्टि कर ली है और प्रोजेक्ट पहले से ही आपके PROJECT_ID पर सेट है.

gcloud auth list

कमांड आउटपुट

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

gcloud config list project

कमांड आउटपुट

[core]
project = <PROJECT_ID>

अगर किसी वजह से प्रोजेक्ट सेट नहीं है, तो बस यह कमांड दें:

gcloud config set project <PROJECT_ID>

क्या आपको PROJECT_ID खोजना है? देखें कि सेटअप के दौरान किस आईडी का इस्तेमाल किया गया था या Cloud Console के डैशबोर्ड में जाकर यह पता लगाएं:

158fNPfwSxsFqz9YbtJVZes8viTS3d1bV4CVhij3XPxuzVFOtTObnwsphlm6lYGmgdMFwBJtc-FaLrZU7XHAg_ZYoCrgombMRR3h-eolLPcvO351c5iBv506B3ZwghZoiRg6cz23Qw

Cloud Shell, कुछ एनवायरमेंट वैरिएबल को डिफ़ॉल्ट रूप से भी सेट करता है. आने वाले समय में कमांड चलाते समय, ये वैरिएबल आपके काम आ सकते हैं.

echo $GOOGLE_CLOUD_PROJECT

कमांड आउटपुट

<PROJECT_ID>

Spanner API को चालू करना

gcloud services enable spanner.googleapis.com

खास जानकारी

इस चरण में, आपने अपना प्रोजेक्ट सेट अप किया है. अगर आपके पास पहले से कोई प्रोजेक्ट नहीं था, तो आपने क्लाउड शेल चालू किया है और ज़रूरी एपीआई चालू किए हैं.

अगला लेख

इसके बाद, आपको Spanner इंस्टेंस और डेटाबेस सेट अप करना होगा.

3. Spanner इंस्टेंस और डेटाबेस बनाना

Spanner इंस्टेंस बनाना

इस चरण में, हमने कोडलैब के लिए अपना Spanner इंस्टेंस सेट अप किया. ऐसा करने के लिए, Cloud Shell खोलें और यह कमांड चलाएं:

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

कमांड का आउटपुट:

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

डेटाबेस बनाना

इंस्टेंस के चालू होने के बाद, डेटाबेस बनाया जा सकता है. Spanner की मदद से, एक ही इंस्टेंस पर कई डेटाबेस बनाए जा सकते हैं.

डेटाबेस में स्कीमा तय किया जाता है. आपके पास यह कंट्रोल करने का विकल्प भी होता है कि डेटाबेस का ऐक्सेस किसके पास है. साथ ही, कस्टम एन्क्रिप्शन सेट अप किया जा सकता है, ऑप्टिमाइज़र को कॉन्फ़िगर किया जा सकता है, और डेटा को सेव रखने की अवधि सेट की जा सकती है.

डेटाबेस बनाने के लिए, फिर से gcloud कमांड-लाइन टूल का इस्तेमाल करें:

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

कमांड का आउटपुट:

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

खास जानकारी

इस चरण में, आपने Spanner इंस्टेंस और डेटाबेस बनाया है.

अगला लेख

इसके बाद, आपको Spanner स्कीमा और डेटा सेट अप करना होगा.

4. Cymbal स्कीमा और डेटा लोड करना

Cymbal स्कीमा बनाना

स्कीमा सेट अप करने के लिए, Spanner Studio पर जाएं:

3e1a0fed928b33cf.png

स्कीमा के दो हिस्से होते हैं. सबसे पहले, आपको products टेबल जोड़नी है. इस स्टेटमेंट को कॉपी करके खाली टैब में चिपकाएं.

स्कीमा के लिए, इस डीडीएल को कॉपी करके बॉक्स में चिपकाएं:

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);

इसके बाद, run बटन पर क्लिक करें और स्कीमा बनने के लिए कुछ सेकंड इंतज़ार करें.

इसके बाद, आपको दो मॉडल बनाने होंगे और उन्हें VertexAI मॉडल एंडपॉइंट के लिए कॉन्फ़िगर करना होगा.

पहला मॉडल, एम्बेडिंग मॉडल है. इसका इस्तेमाल टेक्स्ट से एम्बेड जनरेट करने के लिए किया जाता है. दूसरा मॉडल, एलएलएम मॉडल है. इसका इस्तेमाल Spanner में मौजूद डेटा के आधार पर जवाब जनरेट करने के लिए किया जाता है.

Spanner Studio में नए टैब में यह स्कीमा चिपकाएं:

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
);

इसके बाद, run बटन पर क्लिक करें और मॉडल बनने के लिए कुछ सेकंड इंतज़ार करें.

Spanner Studio के बाएं पैनल में, आपको ये टेबल और मॉडल दिखेंगे:

62455aa4b0e839d9.png

डेटा लोड करना

अब आपको अपने डेटाबेस में कुछ प्रॉडक्ट डालने होंगे. Spanner Studio में एक नया टैब खोलें. इसके बाद, इन्सर्ट स्टेटमेंट को कॉपी करके चिपकाएं:

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);

डेटा डालने के लिए, run बटन पर क्लिक करें.

खास जानकारी

इस चरण में, आपने स्कीमा बनाया और cymbal-bikes डेटाबेस में कुछ बुनियादी डेटा लोड किया.

अगला लेख

इसके बाद, आपको प्रॉडक्ट की जानकारी के लिए एम्बेड जनरेट करने के लिए, एम्बेड मॉडल के साथ इंटिग्रेट करना होगा. साथ ही, काम के प्रॉडक्ट खोजने के लिए, टेक्स्ट वाले खोज क्वेरी को एम्बेड में बदलना होगा.

5. एम्बेड के साथ काम करना

प्रॉडक्ट के ब्यौरे के लिए वेक्टर एम्बेड जनरेट करना

प्रॉडक्ट पर मिलते-जुलते प्रॉडक्ट खोजने की सुविधा काम करे, इसके लिए आपको प्रॉडक्ट के ब्यौरे के लिए एम्बेड जनरेट करने होंगे.

स्कीमा में बनाए गए EmbeddingsModel के साथ, यह एक आसान UPDATE डीएमएल स्टेटमेंट है.

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;

प्रॉडक्ट की जानकारी अपडेट करने के लिए, run बटन पर क्लिक करें.

इस उदाहरण में, आपको एसक्यूएल क्वेरी की मदद से, सामान्य भाषा में खोज का अनुरोध करना होगा. यह क्वेरी, खोज के अनुरोध को एम्बेडिंग में बदल देगी. इसके बाद, पिछले चरण में जनरेट किए गए प्रॉडक्ट की जानकारी के स्टोर किए गए एम्बेडिंग के आधार पर मिलते-जुलते नतीजे खोजेगी.

-- 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;

मिलते-जुलते प्रॉडक्ट ढूंढने के लिए, run बटन पर क्लिक करें. नतीजे कुछ इस तरह दिखेंगे:

672e111753077fcf.png

ध्यान दें कि क्वेरी में अन्य फ़िल्टर का इस्तेमाल किया गया है. जैसे, सिर्फ़ स्टॉक में मौजूद प्रॉडक्ट में दिलचस्पी है (inventoryCount > 0).

खास जानकारी

इस चरण में, आपने VertexAI में मॉडल के साथ Spanner के इंटिग्रेशन का फ़ायदा उठाकर, SQL का इस्तेमाल करके प्रॉडक्ट के ब्यौरे के एम्बेड और खोज अनुरोध के एम्बेड बनाए हैं. आपने खोज के अनुरोध से मिलते-जुलते प्रॉडक्ट ढूंढने के लिए, वेक्टर सर्च भी की है.

अगले चरण

इसके बाद, खोज के नतीजों का इस्तेमाल करके एलएलएम में फ़ीड करें, ताकि हर प्रॉडक्ट के लिए कस्टम जवाब जनरेट किया जा सके.

6. एलएलएम के साथ काम करना

Spanner की मदद से, VertexAI से मिलने वाले एलएलएम मॉडल के साथ आसानी से इंटिग्रेट किया जा सकता है. इससे डेवलपर, ऐप्लिकेशन को लॉजिक लागू करने के बजाय, सीधे तौर पर एलएलएम के साथ इंटरफ़ेस करने के लिए एसक्यूएल का इस्तेमाल कर सकते हैं.

उदाहरण के लिए, हमारे पास उपयोगकर्ता "I'd like to buy a starter bike for my 3 year old child". की पिछली SQL क्वेरी के नतीजे हैं

डेवलपर, इस प्रॉम्प्ट का इस्तेमाल करके, हर नतीजे के लिए यह जवाब देना चाहता है कि प्रॉडक्ट, उपयोगकर्ता के लिए सही है या नहीं:

"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"

यहां वह क्वेरी दी गई है जिसका इस्तेमाल किया जा सकता है:

-- 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)
);

क्वेरी करने के लिए, run बटन पर क्लिक करें. नतीजे कुछ इस तरह दिखेंगे:

35878cd0f88f1470.png

पहला प्रॉडक्ट, तीन साल के बच्चे के लिए सही है. इसकी वजह यह है कि प्रॉडक्ट की जानकारी में उम्र की सीमा (दो से चार साल के बच्चे) दी गई है. अन्य प्रॉडक्ट सही नहीं हैं.

खास जानकारी

इस चरण में, आपने उपयोगकर्ता के प्रॉम्प्ट के लिए बुनियादी जवाब जनरेट करने के लिए, एलएलएम के साथ काम किया.

अगले चरण

इसके बाद, वेक्टर सर्च को स्केल करने के लिए एएनएन का इस्तेमाल करने का तरीका जानें.

7. स्केलिंग वेक्टर सर्च

वेक्टर सर्च के पिछले उदाहरणों में, एग्ज़ैक्ट-केएनएन वेक्टर सर्च का फ़ायदा लिया गया था. यह तब बहुत अच्छा होता है, जब आपके पास अपने Spanner डेटा के खास सबसेट की क्वेरी करने का विकल्प हो. इस तरह की क्वेरी को ज़्यादा से ज़्यादा हिस्सों में बांटा जा सकता है.

अगर आपके पास ऐसे वर्कलोड नहीं हैं जिन्हें आसानी से अलग-अलग हिस्सों में बांटा जा सकता है और आपके पास काफ़ी ज़्यादा डेटा है, तो आपको लुकअप की परफ़ॉर्मेंस को बेहतर बनाने के लिए, ScaNN एल्गोरिदम का फ़ायदा उठाते हुए एएनएन वेक्टर सर्च का इस्तेमाल करना होगा.

Spanner में ऐसा करने के लिए, आपको दो काम करने होंगे:

  • वेक्टर इंडेक्स बनाना
  • दूरी के APPROX फ़ंक्शन का इस्तेमाल करने के लिए, अपनी क्वेरी में बदलाव करें.

वेक्टर इंडेक्स बनाना

इस डेटासेट पर वेक्टर इंडेक्स बनाने के लिए, हमें सबसे पहले productDescriptionEmbeddings कॉलम में बदलाव करना होगा, ताकि हर वेक्टर की लंबाई तय की जा सके. किसी कॉलम में वेक्टर की लंबाई जोड़ने के लिए, आपको ओरिजनल कॉलम को हटाकर उसे फिर से बनाना होगा.

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

इसके बाद, Generate Vector embedding चरण से फिर से एम्बेड बनाएं.

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;

कॉलम बनाने के बाद, इंडेक्स बनाएं:

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

नए इंडेक्स का इस्तेमाल करना

नए वेक्टर इंडेक्स का इस्तेमाल करने के लिए, आपको एम्बेड करने की पिछली क्वेरी में थोड़ा बदलाव करना होगा.

ओरिजनल क्वेरी यहां दी गई है:

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;

आपको ये बदलाव करने होंगे:

  • नए वेक्टर इंडेक्स के लिए इंडेक्स के बारे में जानकारी देने वाले टूल का इस्तेमाल करें: @{force_index=ProductDescriptionEmbeddingIndex}
  • COSINE_DISTANCE फ़ंक्शन कॉल को APPROX_COSINE_DISTANCE में बदलें. ध्यान दें कि यहां दी गई आखिरी क्वेरी में JSON विकल्प भी ज़रूरी हैं.
  • ML.PREDICT फ़ंक्शन से एम्बेड को अलग से जनरेट करें.
  • एम्बेड किए गए टेक्स्ट के नतीजों को फ़ाइनल क्वेरी में कॉपी करें.

एम्बेड जनरेट करना

-- 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)
  )
)

क्वेरी के नतीजों को हाइलाइट करें और उन्हें कॉपी करें.

1b43c5ae4ef9ab68.png

इसके बाद, कॉपी किए गए एम्बेड को चिपकाकर, नीचे दी गई क्वेरी में <VECTOR> की जगह पर चिपकाएं.

-- 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;

यह कुछ ऐसी नज़र आनी चाहिए:

12397107ec49c491.png

खास जानकारी

इस चरण में, आपने वेक्टर इंडेक्स बनाने के लिए अपना स्कीमा बदला. इसके बाद, वेक्टर इंडेक्स का इस्तेमाल करके एएनएन (ऑनलाइन न्यूरल नेटवर्क) सर्च करने के लिए, एम्बेड की गई क्वेरी को फिर से लिखा गया. यह एक अहम चरण है, क्योंकि आपका डेटा बढ़ने पर, वेक्टर सर्च के वर्कलोड को स्केल करना पड़ता है.

अगले चरण

इसके बाद, सफ़ाई का समय आ गया है!

8. खाता मिटाना (ज़रूरी नहीं)

डेटा मिटाने के लिए, Cloud Console के Cloud Spanner सेक्शन में जाएं और कोडलैब में बनाया गया 'retail-demo' इंस्टेंस मिटाएं.

41cbc1a84b3588d5.png

9. बधाई हो!

बधाई हो, आपने Spanner में पहले से मौजूद वेक्टर सर्च का इस्तेमाल करके, मिलती-जुलती वैल्यू खोजने की सुविधा का इस्तेमाल किया है. साथ ही, आपने देखा कि सीधे SQL का इस्तेमाल करके जनरेटिव एआई की सुविधा देने के लिए, एम्बेडिंग और एलएलएम मॉडल के साथ काम करना कितना आसान है.

आखिर में, आपने वेक्टर सर्च के वर्कलोड को बढ़ाने के लिए, ScaNN एल्गोरिदम की मदद से एएनएन सर्च करने की प्रोसेस के बारे में जाना.

आगे क्या करना है?

Spanner की एग्ज़ैक्ट नेबर (केएनएन वेक्टर सर्च) सुविधा के बारे में ज़्यादा जानने के लिए यहां जाएं: https://cloud.google.com/spanner/docs/find-k-nearest-neighbors

Spanner की, एप्रोक्सिमेट नेबर (एएनएन वेक्टर सर्च) सुविधा के बारे में यहां ज़्यादा जानें: https://cloud.google.com/spanner/docs/find-approximate-nearest-neighbors

Spanner के VertexAI इंटिग्रेशन का इस्तेमाल करके, SQL की मदद से ऑनलाइन अनुमान लगाने के तरीके के बारे में ज़्यादा जानने के लिए, यहां जाएं: https://cloud.google.com/spanner/docs/ml