Génération d'embeddings autonomes

Ce document explique comment utiliser la génération autonome d'embeddings pour vos données, ce qui permet à BigQuery de gérer une colonne d'embeddings sur une table en fonction d'une colonne source. La colonne source doit avoir un type de données STRING ou ObjectRef. Lorsque vous ajoutez ou modifiez des données dans la colonne source, BigQuery génère ou met à jour automatiquement la colonne des embeddings pour ces données à l'aide d'un modèle d'embedding Agent Platform. Cela est utile si vous souhaitez que BigQuery gère vos embeddings lorsque vos données sources sont mises à jour régulièrement.

Les embeddings sont utiles pour les applications d'IA générative modernes, telles que la génération augmentée par récupération (RAG), mais ils peuvent être complexes à créer, à gérer et à interroger. Vous pouvez utiliser la génération autonome d'embeddings pour simplifier le processus de création, de maintenance et d'interrogation des embeddings à utiliser dans les recherches de similarité et d'autres applications d'IA générative.

Par exemple, vous pouvez utiliser des requêtes semblables aux suivantes pour créer une table avec la génération d'embeddings autonome activée, insérer des données, puis effectuer une recherche sémantique :

CREATE TABLE mydataset.products (
  name STRING,
  description STRING,
  description_embedding STRUCT<result ARRAY<FLOAT64>, status STRING>
    GENERATED ALWAYS AS (
      AI.EMBED(description, connection_id => 'us.example_connection',
        endpoint => 'text-embedding-005')
      # Alternatively, you can use the syntax for a built-in model.
      # AI.EMBED(description, model => 'embeddinggemma-300m')
    ) STORED OPTIONS( asynchronous = TRUE ));

# Values in the description_embedding column are automatically generated.
INSERT INTO mydataset.products (name, description) VALUES
  ('Super slingers', 'An exciting board game for the whole family'), ...;

SELECT * FROM AI.SEARCH(TABLE mydataset.products, 'description', 'A really fun toy');

Avant de commencer

Pour activer la génération autonome d'embeddings sur une table, vous devez disposer des autorisations et de la connexion nécessaires, et activer l'API Vertex AI pour votre projet.

Rôles requis

Pour obtenir les autorisations nécessaires pour activer la génération autonome d'embeddings, demandez à votre administrateur de vous accorder les rôles IAM suivants :

• Pour utiliser une ressource de connexion : Utilisateur de connexions BigQuery (roles/bigquery.connectionUser) sur la connexion
• Pour créer ou modifier une table : Éditeur de données BigQuery (roles/bigquery.dataEditor) sur la table
• Attribuez au compte de service de la connexion le rôle suivant afin qu'il puisse accéder aux modèles hébergés dans les points de terminaison Agent Platform : Utilisateur Agent Platform (roles/aiplatform.user) sur le projet qui dispose de la connexion.

Pour en savoir plus sur l'attribution de rôles, consultez Gérer l'accès aux projets, aux dossiers et aux organisations.

Vous pouvez également obtenir les autorisations requises avec des rôles personnalisés ou d'autres rôles prédéfinis.

Créer une connexion et accorder une autorisation à un compte de service

Pour activer la génération d'embeddings autonomes sur une table, vous devez créer une connexion aux ressources Cloud. Ensuite, attribuez le rôle Utilisateur Agent Platform (roles/aiplatform.user) au compte de service créé lors de la création de la connexion.

Créer une colonne d'embeddings générée automatiquement

Vous pouvez créer une colonne d'embeddings générée automatiquement dans une nouvelle table ou en ajouter une à une table existante.

Lorsque vous définissez la fonction AI.EMBED pour une colonne d'embedding générée automatiquement, si vous ne spécifiez pas l'argument task_type et que votre modèle est compatible avec task_type, BigQuery définit task_type sur RETRIEVAL_DOCUMENT par défaut. Lorsque vous interrogez la table à l'aide de la fonction AI.SEARCH ou de la fonction VECTOR_SEARCH, BigQuery génère l'embedding de la requête à la volée en utilisant le comportement task_type suivant :

• Si la colonne d'embedding de la table utilise RETRIEVAL_DOCUMENT, par défaut ou de manière explicite, BigQuery utilise RETRIEVAL_QUERY pour intégrer la requête de recherche.
• Sinon, BigQuery utilise le même task_type configuré pour la colonne d'embedding de la table.

Créer une table avec une colonne d'embedding générée automatiquement

Vous pouvez utiliser la génération d'embeddings autonome pour générer des embeddings à l'aide de la fonction AI.EMBED dans une instruction CREATE TABLE.

Remplacez les éléments suivants :

• DATASET_ID : nom de l'ensemble de données dans lequel vous souhaitez créer la table.
• TABLE : nom de la table sur laquelle créer la génération autonome d'embeddings.
• COLUMN, ... : toutes les colonnes que votre table doit contenir en plus de celle que vous souhaitez intégrer automatiquement.
• STRING_COL : nom de la colonne STRING que vous souhaitez intégrer automatiquement.
• EMBEDDING_COL_NAME : nom de la colonne d'embeddings générée automatiquement.
• CONNECTION_ID : valeur STRING contenant le nom d'une connexion à utiliser, par exemple my_project.us.example_connection. Vous devez attribuer le rôle Utilisateur Agent Platform au compte de service de la connexion dans le projet dans lequel vous créez la table.
• ENDPOINT : valeur STRING qui spécifie un point de terminaison de modèle d'embedding textuel Agent Platform compatible à utiliser pour le modèle d'embedding textuel. La valeur de point de terminaison que vous spécifiez doit inclure la version du modèle, par exemple text-embedding-005. Si vous spécifiez le nom du modèle plutôt qu'une URL, BigQuery ML identifie automatiquement le modèle et utilise son point de terminaison complet.

• MODEL (preview) : valeur STRING qui spécifie un modèle d'embedding textuel intégré. La seule valeur acceptée est le modèle embeddinggemma-300m. Si vous spécifiez ce paramètre, vous ne pouvez pas spécifier les paramètres endpoint ou connection_id.

  Lorsque vous spécifiez le paramètre MODEL, vos données restent dans BigQuery et vos emplacements sont utilisés pour créer les embeddings. Aucune donnée n'est envoyée à Agent Platform et aucuns frais ne sont facturés dans Agent Platform.

Ajouter une colonne d'embeddings générée automatiquement à une table existante

Vous pouvez également ajouter une colonne d'embeddings générée automatiquement à une table existante à l'aide d'une instruction ALTER TABLE ADD COLUMN.

Le job de génération d'embeddings en arrière-plan démarre peu de temps après la création ou la modification de votre table, ou après la mise à jour des données dans la colonne source.

Pour suivre la progression de la génération des embeddings, vous pouvez utiliser une requête semblable à celle-ci :

SELECT
  COUNT(*) AS total_num_rows,
  COUNTIF(description_embedding IS NOT NULL
          AND description_embedding.status = '') AS total_num_generated_embeddings
FROM
  PROJECT_ID.DATASET_ID.TABLE;

Une fois que vous disposez de la table avec les embeddings, vous pouvez créer un index vectoriel sur la colonne STRUCT qui contient l'embedding généré automatiquement.

Exemple

Supposons que vous soyez un grand marchand qui vend de nombreux produits différents. Vous disposez d'un tableau de noms et de descriptions de produits, et vous souhaitez aider vos clients à trouver les produits qu'ils recherchent. Les requêtes suivantes vous montrent comment configurer la génération autonome d'embeddings pour faciliter la recherche sémantique de vos descriptions de produits.

Commencez par créer un ensemble de données :

CREATE SCHEMA mydataset;

Ensuite, créez une table avec la génération d'embeddings autonomes activée pour stocker les informations produit. La colonne générée automatiquement s'appelle description_embedding et est basée sur la colonne description.

# Create a table of products and descriptions with a generated embedding column.
CREATE TABLE mydataset.products (
  name STRING,
  description STRING,
  description_embedding STRUCT<result ARRAY<FLOAT64>, status STRING>
    GENERATED ALWAYS AS (
      AI.EMBED(description, connection_id => 'us.example_connection',
        endpoint => 'text-embedding-005')
      # Alternatively, you can use the syntax for a built-in model.
      # AI.EMBED(description, model => 'embeddinggemma-300m')
    ) STORED OPTIONS( asynchronous = TRUE )
);

La requête suivante insère des noms et des descriptions de produits dans la table. Vous ne spécifiez pas de valeur pour description_embedding, car elle est générée automatiquement.

# Insert product descriptions into the table.
# The description_embedding column is automatically updated.
INSERT INTO mydataset.products (name, description) VALUES
  ("Lounger chair", "A comfortable chair for relaxing in."),
  ("Super slingers", "An exciting board game for the whole family."),
  ("Encyclopedia set", "A collection of informational books.");

Vous pouvez éventuellement créer un index vectoriel sur la table pour accélérer la recherche. Un index vectoriel nécessite plus de trois lignes. La requête suivante suppose donc que vous avez inséré des données supplémentaires. Chaque fois que vous insérez des données, la colonne description_embedding est automatiquement mise à jour.

CREATE VECTOR INDEX my_index
ON mydataset.products(description_embedding)
OPTIONS(index_type = 'IVF');

Enfin, vous pouvez utiliser la fonction AI.SEARCH pour effectuer une recherche sémantique sur vos produits afin de trouver un jouet amusant :

# Search for products that are fun to play with.
SELECT base.name, base.description, distance
FROM AI.SEARCH(TABLE mydataset.products, 'description', "A really fun toy");

/*------------------+----------------------------------------------+----------------------+
 | name             | description                                  | distance             |
 +------------------+----------------------------------------------+----------------------+
 | Super slingers   | An exciting board game for the whole family. | 0.80954913893618929  |
 | Lounger chair    | A comfortable chair for relaxing in.         | 0.938933930620146    |
 | Encyclopedia set | A collection of informational books.         | 1.1119297739353384   |
 +------------------+----------------------------------------------+----------------------*/

Embeddings générés à partir de ObjectRef colonnes

Vous pouvez ajouter des colonnes d'embeddings générées pour une colonne ObjectRef d'une table.

L'exemple suivant montre comment créer une table avec une colonne ObjectRef, puis ajouter une colonne d'embedding générée pour cette colonne :

# Create a table with ObjectRef columns.
CREATE TABLE mydataset.images AS
SELECT
  REGEXP_EXTRACT(ref.uri, r'.*/(.*).jpg$') AS name,
  ref
FROM mydataset.object_table;

# Add a generated embedding column for the ObjectRef column.
ALTER TABLE mydataset.images
ADD COLUMN image_embedding STRUCT<result ARRAY<FLOAT64>, status STRING>
GENERATED ALWAYS AS (
  AI.EMBED(
    ref,
    connection_id => "us.my_connection",
    endpoint => "multimodalembedding@001")
)
STORED OPTIONS (asynchronous = true);

Obtenir des informations sur les colonnes d'embedding générées automatiquement

Pour vérifier qu'une colonne est une colonne d'embeddings générée automatiquement, interrogez la vue INFORMATION_SCHEMA.COLUMNS.

La requête suivante affiche des informations sur toutes vos colonnes d'embeddings générées automatiquement :

SELECT *
FROM PROJECT_ID.DATASET_ID.INFORMATION_SCHEMA.COLUMNS
WHERE is_generated = 'ALWAYS';

Le champ generation_expression affiche l'appel à la fonction AI.EMBED utilisée pour générer les embeddings sur la colonne, y compris l'argument task_type => 'RETRIEVAL_DOCUMENT' par défaut si vous n'avez pas spécifié de task_type pour un modèle compatible.

Utiliser votre propre réservation

Par défaut, BigQuery utilise des emplacements à la demande pour gérer le traitement requis pour gérer la colonne d'embeddings générée. Pour garantir des performances prévisibles et cohérentes, vous pouvez éventuellement créer une réservation et définir job_type sur BACKGROUND. Lorsqu'une réservation en arrière-plan est présente, BigQuery l'utilise pour gérer la colonne d'embeddings générée.

Quotas

Lorsque vous utilisez un point de terminaison Agent Platform pour générer des embeddings en spécifiant le paramètre endpoint dans la fonction AI.EMBED, BigQuery envoie des requêtes à Agent Platform pour générer des embeddings. Ces requêtes sont soumises aux quotas d'Agent Platform. Le quota de requêtes par minute pour votre modèle d'embedding affecte directement le débit des jobs de génération d'embeddings en arrière-plan. Si la génération d'embeddings est lente, demandez une limite de quota plus élevée pour Agent Platform en suivant les instructions de la section Demander un quota plus élevé. Si vous spécifiez le paramètre model dans la fonction AI.EMBED, les embeddings sont générés dans BigQuery et aucune requête n'est envoyée à Agent Platform. Les quotas d'Agent Platform ne s'appliquent donc pas.

Dépannage

La colonne d'embedding générée contient deux champs : result et status. Si une erreur se produit lorsque BigQuery tente de générer un embedding pour une ligne particulière de votre table, le champ result est NULL et le champ status décrit l'erreur. Par exemple, si la colonne source est NULL, l'embedding result est également NULL et l'état est NULL value is not supported for embedding generation.

Une erreur plus grave peut bloquer la génération d'embeddings. Dans ce cas, vous pouvez interroger la colonne async_generation_status dans la vue INFORMATION_SCHEMA.COLUMNS pour identifier l'erreur de blocage.

Voici quelques exemples d'erreurs bloquantes :

• Erreurs de type autorisation refusée
• Erreurs "Introuvable"
• Erreurs de point de terminaison de modèle d'embedding non compatible
• Erreurs "API Vertex AI non activée"

Une fois le job de génération d'embeddings suivant réussi, la colonne async_generation_status est effacée.

La requête suivante vous montre comment rechercher les erreurs de blocage :

SELECT
  column_name,
  async_generation_status
FROM
  mydataset.INFORMATION_SCHEMA.COLUMNS
WHERE
  table_name = 'images';

Si la colonne image_embedding comporte une erreur de blocage, le résultat ressemble à ce qui suit :

[
  {
    "column_name": "image_embedding",
    "async_generation_status": {
      "blocking_error": {
        "message": "<service_account> does not have the permission to access resources used by AI.EMBED. Please follow https://docs.cloud.google.com/bigquery/docs/permissions-for-ai-functions to set up permissions.",
        ...
      }
    }
  }
]

Vous pouvez également interroger la vue INFORMATION_SCHEMA.JOBS pour le job en arrière-plan et consulter les informations du champ error_result. L'ID d'un job d'embedding en arrière-plan est précédé du préfixe gc_. Par exemple, la requête suivante extrait tous les jobs en arrière-plan dont le résultat d'erreur n'est pas NULL :

SELECT * FROM `region-REGION.INFORMATION_SCHEMA.JOBS` j
WHERE EXISTS (
  SELECT 1
  FROM unnest(j.referenced_tables) t
  WHERE
    j.project_id = 'PROJECT_ID'
    AND t.dataset_id = 'DATASET_ID'
    AND t.table_id = 'TABLE'
)
AND starts_with(job_id, 'gc')
AND error_result IS NOT NULL
ORDER BY j.creation_time DESC;

Suivre les coûts

Les coûts de génération d'embeddings autonomes se répartissent dans les catégories suivantes.

Coûts du LMD en arrière-plan BigQuery

Les embeddings générés sont écrits dans votre table à l'aide de jobs LMD en arrière-plan. Par défaut, BigQuery utilise des emplacements à la demande pour gérer ces jobs. Le projet de la table est facturé selon le modèle de facturation à la demande du LMD.

Pour garantir des performances prévisibles et cohérentes, vous pouvez également créer une réservation et définir job_type sur BACKGROUND. Lorsqu'une réservation en arrière-plan est présente, BigQuery l'utilise pour exécuter les jobs LMD en arrière-plan. La réservation en arrière-plan sera facturée pour l'utilisation du temps d'emplacement des jobs LMD en arrière-plan.

Pour suivre les valeurs total_slot_ms et total_bytes_billed des jobs LMD en arrière-plan sur une table, interrogez la vue INFORMATION_SCHEMA.JOBS pour les jobs avec un préfixe job_id de gc_ :

SELECT
  job_id,
  creation_time,
  reservation_id,
  total_slot_ms,
  total_bytes_processed,
  total_bytes_billed
FROM
  `region-REGION.INFORMATION_SCHEMA.JOBS` j
WHERE
  EXISTS (
    SELECT 1
    FROM UNNEST(j.referenced_tables) t
    WHERE
      j.project_id = 'PROJECT_ID'
      AND t.dataset_id = 'DATASET_ID'
      AND t.table_id = 'TABLE'
  )
  AND STARTS_WITH(job_id, 'gc_')
ORDER BY
  j.creation_time DESC;

Remplacez les éléments suivants :

• REGION : région de l'ensemble de données qui contient votre table, par exemple us.
• PROJECT_ID : ID du projet contenant votre table.
• DATASET_ID : nom de l'ensemble de données contenant votre table.
• TABLE : nom de la table pour laquelle la génération autonome d'embeddings est activée.

Si vous spécifiez le modèle embeddinggemma-300m intégré à l'aide du paramètre model dans la fonction AI.EMBED, BigQuery génère également les embeddings directement dans ces jobs LMD en arrière-plan à l'aide d'emplacements BigQuery. Aucune requête n'est envoyée à Agent Platform et aucuns frais Agent Platform ne sont facturés. Pour en savoir plus, consultez Choisir un modèle.

Coûts de Gemini Enterprise Agent Platform

Lorsque vous spécifiez un modèle Gemini Enterprise Agent Platform à l'aide du paramètre endpoint dans la fonction AI.EMBED, la génération d'embeddings autonome envoie des requêtes à Gemini Enterprise Agent Platform, ce qui peut entraîner des coûts. Pour suivre les coûts d'Agent Platform générés par les jobs d'embedding en arrière-plan, procédez comme suit :

1. Affichez vos rapports de facturation dans Cloud Billing.

2. Utilisez des filtres pour affiner vos résultats.

   Pour les services, sélectionnez Vertex AI.

3. Pour afficher les frais d'un job spécifique, filtrez par étiquette.

   Définissez la clé sur bigquery_ml_job et la valeur sur l'ID de job du job d'embedding. Les jobs d'embedding en arrière-plan ont tous le préfixe gc_.

L'affichage de certains frais dans Cloud Billing peut prendre jusqu'à 24 heures.

Limites

• Chaque table n'accepte qu'une seule colonne d'embeddings générée automatiquement.
• Les opérations LMD simultanées peuvent entraîner des retards et des échecs temporaires lors de la génération d'embeddings. Pour améliorer les performances et réduire les coûts, nous vous recommandons d'injecter des données par lots et d'éviter les mises à jour LMD fréquentes.
• Si vous utilisez l'ancienne API de streaming pour ingérer des données, il peut y avoir des retards avant le début de la génération des embeddings.
• Lorsque vous utilisez l'API BigQuery Storage Write (gRPC), les jobs de génération d'embeddings en arrière-plan peuvent échouer si un job d'écriture en flux continu est en cours d'exécution. Dans ce cas, le quota Agent Platform et les coûts de LMD en arrière-plan sont gaspillés. L'utilisation de l'API Storage Write (gRPC) entraîne également des jobs de génération d'embeddings simultanés sur la table, mais cela est géré par BigQuery et aucun quota de la plate-forme d'agent ni coût de LMD en arrière-plan n'est gaspillé.
• Pour un débit plus élevé sur les points de terminaison distants Agent Platform, nous vous recommandons d'utiliser des modèles d'embedding textuel plutôt que des modèles Gemini. Pour en savoir plus, consultez la page consacrée aux quotas.
• Rien n'indique qu'une colonne est générée automatiquement lorsque vous affichez le schéma d'une table à l'aide de la console Cloud de Confiance ou du champ ddl de la vue INFORMATION_SCHEMA.TABLES.
• Si vous créez une copie, un clone ou un instantané d'une table comportant une colonne d'embedding générée, seules les données sont copiées. La configuration de génération ne s'applique pas à la nouvelle table, et les mises à jour de la colonne source de la nouvelle table n'entraîneront pas de nouveaux embeddings.
• Si vous restaurez une table pour laquelle la génération autonome d'embeddings était activée à partir d'un instantané, la configuration de la génération d'embeddings n'est pas restaurée.
• Lorsque vous utilisez l'API BigQuery, vous ne pouvez spécifier la propriété generatedColumn que lorsque vous créez une colonne. Vous ne pouvez pas ajouter, mettre à jour ni supprimer la propriété generatedColumn sur une colonne existante.

• Une fois que vous avez créé la colonne d'embeddings générée, les limites suivantes s'appliquent :

  • Vous ne pouvez pas supprimer ni renommer la colonne source, mais vous pouvez toujours supprimer ou renommer la colonne d'embedding générée. Si vous supprimez la colonne d'embedding, vous pouvez supprimer ou renommer la colonne source.
  • Vous ne pouvez pas modifier le type de données de la colonne source ni de la colonne d'embedding générée.

• Vous ne pouvez pas spécifier de valeurs par défaut pour les colonnes d'embedding générées automatiquement.

• Vous ne pouvez pas écrire directement dans les colonnes d'embeddings générées à l'aide des méthodes suivantes :

  • LMD
  • Écritures en flux continu
  • bq insert
  • bq load
  • bq copy -a

• Les tables avec des colonnes d'embeddings générés ne sont pas compatibles avec les règles de sécurité au niveau des colonnes, telles que les tags avec stratégie.

• Lorsque vous appelez une fonction de recherche, telle que VECTOR_SEARCH ou AI.SEARCH, les lignes avec des embeddings manquants dans la table de base sont ignorées lors de la recherche.

• Vous ne pouvez pas créer d'index vectoriel partitionné sur une table pour laquelle la génération autonome d'embeddings est activée.

• Si vous créez un index vectoriel sur la colonne d'embeddings générée automatiquement, l'entraînement de l'index commence une fois qu'au moins 80% des lignes ont généré des embeddings. Pour vérifier la progression de la génération des embeddings, procédez comme suit :

  Interrogez le pourcentage d'embeddings générés sur votre table :

  SELECT
    COUNTIF(description_embedding IS NOT NULL
    AND description_embedding.status = '') * 100.0 / COUNT(*) AS percent
  FROM PROJECT_ID.DATASET_ID.TABLE;
  

Étapes suivantes

• Découvrez comment créer et gérer des index vectoriels.
• Consultez la Présentation de la recherche vectorielle.