從 Cloud SQL 執行個體叫用線上預測

透過集合功能整理內容 你可以依據偏好儲存及分類內容。

您可以透過呼叫 ml_predict_row() 函式，在 SQL 程式碼中取得線上預測結果。詳情請參閱「使用 Cloud SQL 建構生成式 AI 應用程式」。

事前準備

您必須先準備資料庫並選取合適的機器學習模型，才能從 Cloud SQL 執行個體叫用線上預測功能。

準備資料庫

1. 如要準備資料庫，請設定 Cloud SQL 與 Vertex AI 之間的整合。

2. 授予資料庫使用者權限，以便使用 ml_predict_row() 函式執行預測作業：

   1. 將 psql 用戶端連線至主要執行個體，如「使用 psql 用戶端連線」一文所述。

   2. 在 psql 命令提示字元中，連線至資料庫並授予權限：

      \c DB_NAME
      
      GRANT EXECUTE ON FUNCTION ml_predict_row TO USER_NAME;
      

      更改下列內容：

      • DB_NAME：您要授予權限的資料庫名稱

      • USER_NAME：您要授予權限的使用者名稱

選取機器學習模型

呼叫 ml_predict_row() 函式時，您必須指定機器學習模型的位置。您指定的模型可以是下列任一項：

• 在 Vertex AI Model Garden 中執行的模型。

  ml_predict_row() 函式僅支援在表格或自訂模型上叫用預測功能。

• Vertex AI 模型，其具備您具備 Identity and Access Management (IAM) 存取權的有效端點。

  Cloud SQL 不支援私人端點，無法用於取得線上預測結果。

叫用線上預測

您可以使用 ml_predict_row() SQL 函式，針對資料叫用線上預測功能。

函式初始引數的格式取決於您要使用的機器學習模型是在 Vertex AI Model Garden 中，還是在 Google Cloud 專案中執行的端點。

在 Vertex AI Model Garden 中使用模型

如要使用在 Vertex AI Model Garden 中執行的機器學習模型叫用線上預測，請使用下列語法呼叫 ml_predict_row() SQL 函式：

請將以下項目改為對應的值：

• MODEL_ID：要使用的 ML 模型 ID (例如 gemini-2.0)

• INSTANCES：預測呼叫的輸入內容，格式為 JSON

• PARAMETERS：預測呼叫的參數，格式為 JSON

SELECT ML_PREDICT_ROW('publishers/google/models/MODEL_ID', '{ "instances": [ INSTANCES ], "parameters":
PARAMETERS }');

使用 Vertex AI 模型端點

如要使用 Vertex AI 模型端點叫用線上預測，請使用以下語法呼叫 ml_predict_row() SQL 函式：

請將以下項目改為對應的值：

• ENDPOINT_ID：模型端點的 ID

• INSTANCES：預測呼叫的輸入內容，格式為 JSON

• PARAMETERS：預測呼叫的參數，格式為 JSON

如要瞭解模型的 JSON 回應訊息，請參閱 PredictResponse。

叫用範例

以下範例使用 Model Garden 提供的 文字專用 PaLM 2，根據提供給 ml_predict_row() 的文字引數，以簡短提示產生文字：

select ML_PREDICT_ROW('projects/PROJECT_ID/locations/us-central1/publishers/google/models/text-bison', '{"instances":[{"prompt": "What are three advantages of using Cloud SQL as my SQL database server?"}], "parameters":{"maxOutputTokens":1024, "topK": 40, "topP":0.8, "temperature":0.2}}');

回應為 JSON 物件。如要進一步瞭解物件格式，請參閱「回應主體」。

下一個範例會以以下方式修改先前的範例：

• 本範例會使用目前資料庫的 messages.message 欄內容做為輸入內容。

• 這個範例示範如何使用 json_build_object() 函式，協助設定函式的參數格式。

select ML_PREDICT_ROW('projects/PROJECT_ID/locations/us-central1/publishers/google/models/text-bison', json_build_object('instances', json_build_object('prompt', message), 'parameters', json_build_object('maxOutputTokens', 1024,'topK', 40,'topP', 0.8,'temperature', 0.2))) from messages;

對於 messages 資料表中的每個資料列，傳回的 JSON 物件現在會在其 predictions 陣列中包含一個項目。

由於回應是 JSON 物件，因此您可以從中提取特定欄位：

如需更多 ml_predict_row() 的引數範例，請參閱「試用 Vertex AI Gemini API」。

後續步驟

• 使用 Cloud SQL 建構生成式 AI 應用程式

• 將 Cloud SQL 與 Vertex AI 整合

• 瞭解嵌入工作流程範例

• 使用 LangChain 建構採用 LLM 的應用程式