Alcune o tutte le informazioni in questa pagina potrebbero non essere applicabili a Trusted Cloud di S3NS. Per ulteriori dettagli, consulta la sezione Differenze rispetto a Google Cloud.

Questa pagina è stata tradotta dall'API Cloud Translation.

Registra e chiama i modelli di IA remota utilizzando la gestione degli endpoint dei modelli

MySQL | PostgreSQL | SQL Server

Questa pagina descrive come richiamare le previsioni o generare incorporamenti utilizzando un modello, quindi registrare l'endpoint del modello con la gestione degli endpoint del modello.

Per saperne di più sulla funzione google_ml.create_model(), consulta la documentazione di riferimento sulla gestione degli endpoint dei modelli.

Prima di iniziare

Se l'endpoint del modello richiede l'autenticazione, attiva l'estensione google_ml_integration.

In base al provider del modello, configura l'autenticazione.

Assicurati di utilizzare il nome utente predefinito postgres per accedere al database.

Attivare l'estensione

Imposta il flag di database google_ml_integration.enable_model_support su on per la tua istanza. Per saperne di più sull'impostazione dei flag di database, consulta Configurare i flag di database.
Connettiti all'istanza primaria utilizzando un client psql o Cloud SQL Studio.
Esegui questo comando per assicurarti che l'estensione google_ml_integration sia aggiornata alla versione 1.4.2:
```
    ALTER EXTENSION google_ml_integration UPDATE TO '1.4.2'
```
Aggiungi l'estensione google_ml_integration versione 1.4.2 utilizzando psql:
```
  CREATE EXTENSION google_ml_integration VERSION '1.4.2';
```
(Facoltativo) Concedi l'autorizzazione a un utente PostgreSQL non super amministratore per gestire i metadati del modello:
```
  GRANT SELECT, INSERT, UPDATE, DELETE ON ALL TABLES IN SCHEMA google_ml TO NON_SUPER_USER;
```
Sostituisci NON_SUPER_USER con il nome utente PostgreSQL non superutente.

Configura l'autenticazione

Le sezioni seguenti mostrano come configurare l'autenticazione prima di aggiungere un endpoint del modello Vertex AI o endpoint del modello ospitati in Trusted Cloud by S3NS.

Configura l'autenticazione per Vertex AI

Per utilizzare gli endpoint del modello Google Vertex AI, devi aggiungere le autorizzazioni Vertex AI all'account di servizio Cloud SQL basato su IAM che utilizzi per connetterti al database. Per ulteriori informazioni sull'integrazione con Vertex AI, consulta Integrare Cloud SQL con Vertex AI.

Configura l'autenticazione per i modelli ospitati personalizzati

Questa sezione spiega come configurare l'autenticazione se utilizzi Secret Manager. Per tutti i modelli, ad eccezione degli endpoint dei modelli Vertex AI, puoi archiviare le chiavi API o i token di autenticazione in Secret Manager.

Se l'endpoint del modello non gestisce l'autenticazione tramite Secret Manager, questa sezione è facoltativa. Ad esempio, se l'endpoint del modello utilizza intestazioni HTTP per trasmettere informazioni di autenticazione o non utilizza affatto l'autenticazione, non completare i passaggi di questa sezione.

Per creare e utilizzare una chiave API o un token di autenticazione, completa i seguenti passaggi:

Crea un secret in Secret Manager. Per saperne di più, vedi Creare un secret e accedere a una versione del secret.

Il nome e il percorso del secret vengono utilizzati nella funzione SQL google_ml.create_sm_secret().
Concedi le autorizzazioni all'istanza Cloud SQL per accedere al secret.
```
  gcloud secrets add-iam-policy-binding SECRET_ID \
      --member="serviceAccount:SERVICE_ACCOUNT_EMAIL" \
      --role="roles/secretmanager.secretAccessor"
```
Sostituisci quanto segue:
- SECRET_ID: l'ID del secret in Secret Manager.
- SERVICE_ACCOUNT_EMAIL: l'indirizzo email del account di servizio Cloud SQL basato su IAM. Per trovare questo indirizzo email, utilizza il comando gcloud sql instances describe INSTANCE_NAME e sostituisci INSTANCE_NAME con il nome dell'istanza. Il valore visualizzato accanto al parametro serviceAccountEmailAddress è l'indirizzo email.

Modelli di text embedding con supporto integrato

Questa sezione mostra come registrare gli endpoint del modello per la gestione degli endpoint del modello.

Modelli di embedding Vertex AI

La gestione degli endpoint dei modelli fornisce il supporto integrato per tutte le versioni dei modelli text-embedding-gecko, text-embedding e gemini-embedding di Vertex AI. Utilizza il nome completo per impostare la versione del modello su textembedding-gecko@001 o textembedding-gecko@002.

Poiché gli ID endpoint del modello di incorporamento di Vertex AI sono supportati per impostazione predefinita con la gestione degli endpoint del modello, puoi utilizzarne uno qualsiasi direttamente come ID modello. Per questi modelli, l'estensione configura automaticamente le funzioni di trasformazione predefinite.

Assicurati che sia l'istanza Cloud SQL sia il modello Vertex AI che stai interrogando si trovino nella stessa regione.

Per registrare l'endpoint del modello textembedding-gecko@002, chiama la funzione create_model:

  CALL
    google_ml.create_model(
      model_id => 'textembedding-gecko@002',
      model_provider => 'google',
      model_qualified_name => 'textembedding-gecko@002',
      model_type => 'text_embedding',
      model_auth_type => 'cloudsql_service_agent_iam');

Modelli di text embedding ospitati personalizzati

Questa sezione mostra come registrare gli endpoint dei modelli personalizzati ospitati nelle reti all'interno di Trusted Cloud by S3NS.

L'aggiunta di endpoint del modello di incorporamento di testo ospitato personalizzato prevede la creazione di funzioni di trasformazione e, facoltativamente, di intestazioni HTTP personalizzate. D'altra parte, l'aggiunta di endpoint del modello generico ospitato personalizzato prevede la generazione facoltativa di intestazioni HTTP personalizzate e l'impostazione dell'URL della richiesta del modello.

L'esempio seguente aggiunge l'endpoint del modello di incorporamento di testo custom-embedding-model ospitato da Cymbal, che è ospitato all'interno di Trusted Cloud by S3NS. Le funzioni di trasformazione cymbal_text_input_transform e cymbal_text_output_transform vengono utilizzate per trasformare il formato di input e output del modello nel formato di input e output della funzione di previsione.

Per registrare gli endpoint del modello di incorporamento di testo ospitato personalizzato, completa i seguenti passaggi:

Chiama il secret archiviato in Secret Manager:
```
CALL
  google_ml.create_sm_secret(
    secret_id => 'SECRET_ID',
    secret_path => 'projects/project-id/secrets/SECRET_MANAGER_SECRET_ID/versions/VERSION_NUMBER');
```
Sostituisci quanto segue:
- SECRET_ID: l'ID secret impostato e utilizzato successivamente durante la registrazione di un endpoint del modello, ad esempio key1.
- SECRET_MANAGER_SECRET_ID: l'ID secret impostato in Secret Manager quando hai creato il secret.
- PROJECT_ID: l'ID del tuo Trusted Cloud by S3NS progetto.
- VERSION_NUMBER: il numero di versione dell'ID secret.
Nota:Secret Manager genera un'intestazione Authorization: Bearer SECRET_VALUE_FROM_SECRET_MANAGER per l'autenticazione per impostazione predefinita. Se questo formato corrisponde al formato del token di autenticazione bearer dell'endpoint del modello, non devi generare intestazioni di autenticazione utilizzando la funzione di generazione delle intestazioni.

Crea le funzioni di trasformazione di input e output in base alla seguente firma per la funzione di previsione per gli endpoint del modello di incorporamento di testo. Per saperne di più su come creare funzioni di trasformazione, consulta Esempio di funzioni di trasformazione.

Di seguito sono riportate funzioni di trasformazione di esempio specifiche per l'endpoint del modello di incorporamento di testo custom-embedding-model:

-- Input Transform Function corresponding to the custom model endpoint
CREATE OR REPLACE FUNCTION cymbal_text_input_transform(model_id VARCHAR(100), input_text TEXT)
RETURNS JSON
LANGUAGE plpgsql
AS $$
DECLARE
  transformed_input JSON;
  model_qualified_name TEXT;
BEGIN
  SELECT json_build_object('prompt', json_build_array(input_text))::JSON INTO transformed_input;
  RETURN transformed_input;
END;
$$;
-- Output Transform Function corresponding to the custom model endpoint
CREATE OR REPLACE FUNCTION cymbal_text_output_transform(model_id VARCHAR(100), response_json JSON)
RETURNS REAL[]
LANGUAGE plpgsql
AS $$
DECLARE
  transformed_output REAL[];
BEGIN
  SELECT ARRAY(SELECT json_array_elements_text(response_json->0)) INTO transformed_output;
  RETURN transformed_output;
END;
$$;

Chiama la funzione di creazione del modello per registrare l'endpoint del modello di incorporamento personalizzato:

  CALL
    google_ml.create_model(
      model_id => 'MODEL_ID',
      model_request_url => 'REQUEST_URL',
      model_provider => 'custom',
      model_type => 'text_embedding',
      model_auth_type => 'secret_manager',
      model_auth_id => 'SECRET_ID',
      model_qualified_name => 'MODEL_QUALIFIED_NAME',
      model_in_transform_fn => 'cymbal_text_input_transform',
      model_out_transform_fn => 'cymbal_text_output_transform');

Sostituisci quanto segue:

MODEL_ID: obbligatorio. Un ID univoco per l'endpoint del modello che definisci (ad esempio, custom-embedding-model). Questo ID modello viene utilizzato come riferimento per i metadati necessari all'endpoint del modello per generare incorporamenti o richiamare previsioni.
REQUEST_URL: obbligatorio. L'endpoint specifico del modello quando aggiungi l'incorporamento di testo personalizzato e gli endpoint del modello generico, ad esempio https://cymbal.com/models/text/embeddings/v1. Assicurati che l'endpoint del modello sia accessibile tramite un indirizzo IP interno. La gestione degli endpoint del modello non supporta gli indirizzi IP esterni.
MODEL_QUALIFIED_NAME: obbligatorio se l'endpoint del modello utilizza un nome qualificato. Il nome completo nel caso in cui l'endpoint del modello abbia più versioni.
SECRET_ID: l'ID segreto che hai utilizzato in precedenza nella procedura google_ml.create_sm_secret().

Modelli generici

Questa sezione mostra come registrare un endpoint modello gemini-pro generico da Vertex AI Model Garden, che non ha supporto integrato. Puoi registrare qualsiasi endpoint del modello generico ospitato in Trusted Cloud by S3NS.

Cloud SQL supporta solo gli endpoint dei modelli disponibili tramite Model Garden di Vertex AI e gli endpoint dei modelli ospitati nelle reti all'interno di Trusted Cloud by S3NS.

Modello Gemini

L'esempio seguente aggiunge l'endpoint del modello gemini-1.0-pro da Vertex AI Model Garden.

Per registrare l'endpoint del modello gemini-1.0-pro, chiama la funzione create model:

    CALL
      google_ml.create_model(
        model_id => 'MODEL_ID',
        model_request_url => 'https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/publishers/google/models/gemini-1.0-pro:streamGenerateContent',
        model_provider => 'google',
        model_auth_type => 'cloudsql_service_agent_iam');

Sostituisci quanto segue:

MODEL_ID: un ID univoco per l'endpoint del modello che definisci (ad esempio,
gemini-1). Questo ID modello viene utilizzato come riferimento per i metadati necessari all'endpoint del modello per generare incorporamenti o richiamare previsioni.
PROJECT_ID: l'ID del tuo Trusted Cloud by S3NS progetto.

Per saperne di più, scopri come richiamare le previsioni per gli endpoint del modello generico.

Passaggi successivi

Scopri di più sul riferimento alla gestione degli endpoint del modello.