Auf dieser Seite wird beschrieben, wie Sie einen KI-Modellendpunkt registrieren und Vorhersagen mit der Modellendpunktverwaltung in Cloud SQL aufrufen. Informationen zur Verwendung von KI-Modellen in Produktionsumgebungen finden Sie unter Generative AI-Anwendungen mit Cloud SQL erstellen und Mit Vektoreinbettungen arbeiten.
Übersicht
Mit der Verwaltung von Modellendpunkten können Sie einen Modellendpunkt registrieren, Metadaten für Modellendpunkte in Ihrer Cloud SQL-Instanz verwalten und dann über SQL-Abfragen mit den Modellen interagieren.
Cloud SQL bietet die Erweiterung google_ml_integration, die Funktionen zum Hinzufügen und Registrieren der Metadaten für Modellendpunkte enthält, die sich auf die Modelle beziehen.
Sie können diese Modelle verwenden, um Vektoreinbettungen zu generieren oder Vorhersagen aufzurufen.
Sie können die folgenden Modelltypen mit der Modellendpunktverwaltung registrieren:
- Vertex AI-Modelle zur Texteinbettung
- Vom Kunden gehostete Texteinbettungsmodelle, die in Netzwerken innerhalb von Google Cloudgehostet werden.
Generische Modelle mit einer JSON-basierten API. Beispiele für diese Modelle:
- Das
gemini-proKI-Modell aus dem Vertex AI Model Garden - Das
open_ai-Modell für OpenAI-Modelle - Modelle, die in Netzwerken innerhalb von Google Cloudgehostet werden
- Das
Funktionsweise
Mit der Modellendpunktverwaltung können Sie einen Modellendpunkt registrieren, der die folgenden Anforderungen erfüllt:
- Die Modelleingabe und -ausgabe unterstützen das JSON-Format.
- Sie können das REST-Protokoll verwenden, um das Modell aufzurufen.
Wenn Sie einen Modellendpunkt bei der Modellendpunktverwaltung registrieren, registriert die Modellendpunktverwaltung jeden Endpunkt mit einer eindeutigen Modell-ID als Referenz auf das Modell. Mit dieser Modell-ID können Sie Modelle so abfragen:
Einbettungen generieren, um Text-Prompts in numerische Vektoren zu übersetzen. Sie können generierte Einbettungen als Vektordaten speichern, wenn die Erweiterung
pgvectorin der Datenbank aktiviert ist. Weitere Informationen finden Sie unter Einbettungen mit pgvector abfragen und indexieren.Vorhersagen aufrufen, um ein Modell mithilfe von SQL innerhalb einer Transaktion aufzurufen.
Ihre Anwendungen können ihre Modellendpunkte mit der Erweiterung google_ml_integration verwalten. Diese Erweiterung bietet die folgenden SQL-Funktionen:
google_ml.create_model(): Registriert den Modellendpunkt, der in der Vorhersage- oder Einbettungsfunktion verwendet wird.google_ml.create_sm_secret(): Verwendet Secrets in Google Cloud Secret Manager, in dem die API-Schlüssel gespeichert sindgoogle_ml.embedding(): Generiert Texteinbettungen.google_ml.predict_row(): Generiert Vorhersagen, wenn Sie generische Modelle aufrufen, die die JSON-Eingabe- und -Ausgabeformate unterstützen.
Wichtige Konzepte
Bevor Sie die Modellendpunktverwaltung verwenden, sollten Sie sich mit den Konzepten vertraut machen, die für die Verbindung mit den Modellen und deren Verwendung erforderlich sind.
Modellanbieter
Modellanbieter ist der unterstützte Anbieter des Modell-Hostings. In der folgenden Tabelle sehen Sie den Wert für den Modellanbieter, den Sie je nach verwendetem Modellanbieter festlegen müssen:
| Modellanbieter | In Funktion festlegen als… |
|---|---|
| Vertex AI (einschließlich Gemini) | google |
| Anthropic | anthropic |
| Hugging Face | hugging_face |
| OpenAI | open_ai |
| Andere Modelle, die außerhalb von Vertex AI, Anthropic, Hugging Face und OpenAI gehostet werden |
custom |
Der Standard-Modellanbieter ist custom.
Modelltypen
Modelltypen sind die Typen des KI-Modells. Wenn Sie einen Modellendpunkt registrieren, können Sie die Modelltypen text_embedding oder generic für den Endpunkt festlegen.
- Texteinbettungsmodelle mit integrierter Unterstützung
- Die Modellendpunktverwaltung bietet integrierte Unterstützung für alle Versionen des Modells
textembedding-gecko. Verwenden Sie die Funktiongoogle_ml.create_model(), um diese Modellendpunkte zu registrieren. Cloud SQL richtet für diese Modelle automatisch Standardtransformationsfunktionen ein. - Der Modelltyp für diese Modelle ist
text_embedding. - Andere Modelle zur Texteinbettung
- Für andere Texteinbettungsmodelle müssen Sie Transformationsfunktionen erstellen, um die vom Modell unterstützten Eingabe- und Ausgabeformate zu verarbeiten. Optional können Sie die Funktion zum Generieren von HTTP-Headern verwenden, die benutzerdefinierte Header generiert, die für Ihr Modell erforderlich sind.
- Der Modelltyp für diese Modelle ist
text_embedding. - Generische Modelle
- Die Modellendpunktverwaltung unterstützt auch die Registrierung aller anderen Modelltypen außer Texteinbettungsmodellen. Verwenden Sie die Funktion
google_ml.predict_row(), um Vorhersagen für generische Modelle aufzurufen. Sie können Metadaten für den Modellendpunkt festlegen, z. B. einen Anfrageendpunkt und HTTP-Header, die für Ihr Modell spezifisch sind. - Sie können keine Transformationsfunktionen übergeben, wenn Sie einen generischen Modellendpunkt registrieren. Achten Sie darauf, dass die Eingabe für die Funktion beim Aufrufen von Vorhersagen im JSON-Format vorliegt und dass Sie die JSON-Ausgabe parsen, um die endgültige Ausgabe zu erhalten.
- Der Modelltyp für diese Modelle ist
generic. Dagenericder Standardmodelltyp ist, ist das Festlegen des Modelltyps optional, wenn Sie Modellendpunkte für diesen Typ registrieren.
Authentifizierungsmethoden
Mit der Erweiterunggoogle_ml_integration können Sie verschiedene Authentifizierungsmethoden für den Zugriff auf Ihr Modell angeben.
Das Festlegen dieser Methoden ist optional und nur erforderlich, wenn Sie sich authentifizieren müssen, um auf Ihr Modell zuzugreifen.
Für Vertex AI-Modelle wird das Cloud SQL-Dienstkonto zur Authentifizierung verwendet. Für andere Modelle kann der API-Schlüssel oder das Inhabertoken, das als Secret in Secret Manager gespeichert ist, mit der SQL-Funktion google_ml.create_sm_secret() verwendet werden.
In der folgenden Tabelle sind die Authentifizierungsmethoden aufgeführt, die Sie festlegen können:
| Authentifizierungsmethode | In Funktion festlegen als… | Modellanbieter |
|---|---|---|
| Cloud SQL-Dienst-Agent | cloudsql_service_agent_iam |
Vertex AI-Anbieter |
| Secret Manager | secret_manager |
Außerhalb von Vertex AI gehostete Modelle |
Vorhersagefunktionen
Die google_ml_integration-Erweiterung enthält die folgenden Vorhersagefunktionen:
google_ml.embedding()- Ruft einen registrierten Modellendpunkt zur Texteinbettung auf, um Einbettungen zu generieren. Sie bietet integrierte Unterstützung für das Modell
textembedding-geckovon Vertex AI. - Bei Texteinbettungsmodellen ohne integrierte Unterstützung sind die Eingabe- und Ausgabeparameter für ein Modell eindeutig und müssen transformiert werden, damit die Funktion das Modell aufrufen kann. Erstellen Sie eine Funktion zum Transformieren der Eingabe der Vorhersagefunktion in die modellspezifische Eingabe und eine Funktion zum Transformieren der modellspezifischen Ausgabe in die Ausgabe der Vorhersagefunktion.
google_ml.predict_row()- Ruft einen registrierten generischen Modellendpunkt auf, wenn der Endpunkt JSON-basierte APIs zum Aufrufen von Vorhersagen unterstützt.
Transformationsfunktionen
Transformationsfunktionen ändern die Eingabe in ein Format, das das Modell versteht, und konvertieren die Modellantwort in das Format, das die Vorhersagefunktion erwartet. Die Transformationsfunktionen werden verwendet, wenn der Modellendpunkt text-embedding ohne integrierte Unterstützung registriert wird. Die Signatur der Transformationsfunktionen hängt von der Vorhersagefunktion für den Modelltyp ab.
Sie können keine Transformationsfunktionen verwenden, wenn Sie einen generic-Modellendpunkt registrieren.
Im Folgenden sehen Sie die Signaturen für die Vorhersagefunktion für Texteinbettungsmodelle:
// define custom model specific input/output transform functions.
CREATE OR REPLACE FUNCTION input_transform_function(model_id VARCHAR(100), input_text TEXT) RETURNS JSON;
CREATE OR REPLACE FUNCTION output_transform_function(model_id VARCHAR(100), response_json JSON) RETURNS real[];
Weitere Informationen zum Erstellen von Transformationsfunktionen finden Sie unter Beispiel für Transformationsfunktionen.
Funktion zum Generieren von HTTP-Headern
Die Funktion zum Generieren von HTTP-Headern generiert die Ausgabe in JSON-Schlüssel/Wert-Paaren, die als HTTP-Header verwendet werden. Die Signatur der Vorhersagefunktion definiert die Signaturen der Header-Generierungsfunktion.
Das folgende Beispiel zeigt die Signatur für die Vorhersagefunktion google_ml.embedding():
CREATE OR REPLACE FUNCTION generate_headers(model_id VARCHAR(100), input TEXT) RETURNS JSON;
Für die Vorhersagefunktion google_ml.predict_row() lautet die Signatur so:
CREATE OR REPLACE FUNCTION generate_headers(model_id VARCHAR(100), input JSON) RETURNS JSON;
Weitere Informationen zum Erstellen einer Funktion zum Generieren von Headern finden Sie unter Beispiel für eine Funktion zum Generieren von Headern.
Beschränkungen
- Wenn Sie KI-Modelle mit Ihrer Cloud SQL-Instanz verwenden möchten, muss die Wartungsversion Ihrer Instanz
R20240910.01_02oder höher sein. Informationen zum Upgrade Ihrer Instanz auf diese Version finden Sie unter Selfservice-Wartung durchführen.
Nächste Schritte
- Richten Sie die Authentifizierung für Modellanbieter ein.
- Modellendpunkt bei der Modellendpunktverwaltung registrieren
- Referenz zur Verwaltung von Modellendpunkten