Docs Menu
Docs Home
/ /

Utilice las extensiones Vertex AI para consultas MongoDB en lenguaje natural

Nota

Las extensiones de IA de Vertex están en versión preliminar y sujetas a cambios. Contacta con tu representante de Google Cloud para saber cómo acceder a esta función.

In addition to using Vertex AI with MongoDB Vector Search to implement RAG, you can use Extensiones de IA de Vertex to further customize how you use Vertex AI models to interact with Atlas. In this tutorial, you create a Vertex AI Extension that allows you to query your data in Atlas in real-time by using natural language.

Diagram of workflow with Vertex AI Extensions and MongoDB Atlas
haga clic para ampliar

Este tutorial utiliza los siguientes componentes para habilitar la consulta en lenguaje natural con Atlas:

  • SDK de Google Cloud Vertex AI para gestionar modelos de IA y habilitar extensiones personalizadas para Vertex AI. Este tutorial utiliza el 1.5 modelo Gemini Pro.

  • Google Cloud Run para implementar una función que sirva como punto final de API entre Vertex AI y Atlas.

  • Especificación OpenAPI para la API de MongoDB 3 que define cómo las consultas en lenguaje natural se asignan a las operaciones de MongoDB. Para obtener más información, consulte la Especificación OpenAPI.

  • Extensiones de Vertex AI para permitir la interacción en tiempo real con Atlas desde Vertex AI y configurar cómo se procesan las consultas en lenguaje natural.

  • Google Cloud Secrets Manager to store your MongoDB API keys.

Nota

Para obtener instrucciones detalladas de código y configuración, consulte el repositorio de GitHub para este ejemplo.

Antes de comenzar, debes tener lo siguiente:

  • A MongoDB Atlas account. To sign up, use the Google Cloud Marketplace or register a new account.

  • Un clúster Atlas con el conjunto de datos de muestra cargado. Para obtener más información, consulte Crear un clúster.

  • Un proyecto deGoogle Cloud.

  • Un depósito de Google Cloud Storage para almacenar la especificación OpenAPI.

  • Las siguientes API están habilitadas para su proyecto:

    • API de compilación en la nube

    • nube Functions API

    • nube Logging API

    • API de publicación y suscripción en la nube

  • Un entorno empresarial de Colab.

En esta sección, creará una función de Google Cloud Run que actúa como punto final de API entre Vertex AI Extension y su clúster Atlas. Esta función gestiona la autenticación, se conecta a su clúster Atlas y realiza operaciones de base de datos según las solicitudes de Vertex AI.

1

In the Google Cloud console, open the Cloud Run page and click Write a function.

2
  1. Especifique un nombre de función y una región de Google Cloud donde desea implementar su función.

  2. Seleccione la última versión Python disponible como Runtime.

  3. En el Authentication section, seleccione Allow unauthenticated invocations.

  4. Utilice los valores predeterminados para las configuraciones restantes y luego haga clic en Next.

Para obtener pasos detallados de configuración, consulta la documentación de Cloud Run.

3

Pegue el siguiente código en sus respectivos archivos:

4
  1. Cambie el nombre de Entry Point a mongodb_crud.

  2. Haga clic en Deploy para implementar la función.

  3. Copie y almacene el punto final HTTPS para activar la función en la nube localmente.

  4. Navegue a la página Details de la función y copie y almacene el nombre de la cuenta de servicio utilizada por la función.

En esta sección, creará una extensión Vertex AI que permite realizar consultas en lenguaje natural sobre sus datos en Atlas mediante el modelo Gemini 1.5 Pro. Esta extensión utiliza una especificación OpenAPI y la función Cloud Run que creó para asignar lenguaje natural a operaciones de base de datos y consultar sus datos en Atlas.

Para implementar esta extensión, se utiliza un cuaderno interactivo de Python, que permite ejecutar fragmentos de código de Python individualmente. En este tutorial, se crea un cuaderno llamado mongodb-vertex-ai-extension.ipynb en un entorno de Colab Enterprise.

Copia y pega el siguiente código en tu cuaderno.

1
  1. Autentica tu cuenta de Google Cloud y configura el ID del proyecto.

    from google.colab import auth
    auth.authenticate_user("GCP project id")
    !gcloud config set project {"GCP project id"}
  2. Instale las dependencias necesarias.

    !pip install --force-reinstall --quiet google_cloud_aiplatform
    !pip install --force-reinstall --quiet langchain==0.0.298
    !pip install --upgrade google-auth
    !pip install bigframes==0.26.0
  3. Reinicie el kernel.

    import IPython
    app = IPython.Application.instance()
    app.kernel.do_shutdown(True)
  4. Establecer las variables de entorno.

    Reemplace los valores de muestra con los valores correctos que correspondan a su proyecto.

    import os
    # These are sample values; replace them with the correct values that correspond to your project
    os.environ['PROJECT_ID'] = 'gcp project id' # GCP Project ID
    os.environ['REGION'] = "us-central1" # Project Region
    os.environ['STAGING_BUCKET'] = "gs://vertexai_extensions" # GCS Bucket location
    os.environ['EXTENSION_DISPLAY_HOME'] = "MongoDb Vertex API Interpreter" # Extension Config Display Name
    os.environ['EXTENSION_DESCRIPTION'] = "This extension makes api call to mongodb to do all crud operations" # Extension Config Description
    os.environ['MANIFEST_NAME'] = "mdb_crud_interpreter" # OPEN API Spec Config Name
    os.environ['MANIFEST_DESCRIPTION'] = "This extension makes api call to mongodb to do all crud operations" # OPEN API Spec Config Description
    os.environ['OPENAPI_GCS_URI'] = "gs://vertexai_extensions/mongodbopenapispec.yaml" # OPEN API GCS URI
    os.environ['API_SECRET_LOCATION'] = "projects/787220387490/secrets/mdbapikey/versions/1" # API KEY secret location
    os.environ['LLM_MODEL'] = "gemini-1.5-pro" # LLM Config
2

Descargue la especificación de API abierta desde GitHub y cargue el archivo YAML en el depósito de Google Cloud Storage.

from google.cloud import aiplatform
from google.cloud.aiplatform.private_preview import llm_extension
PROJECT_ID = os.environ['PROJECT_ID']
REGION = os.environ['REGION']
STAGING_BUCKET = os.environ['STAGING_BUCKET']
aiplatform.init(
project=PROJECT_ID,
location=REGION,
staging_bucket=STAGING_BUCKET,
)
3

El siguiente manifiesto es un objeto JSON estructurado que configura los componentes clave de la extensión. Reemplace <service-account> por el nombre de la cuenta de servicio que utiliza su función de Cloud Run.

from google.cloud import aiplatform
from vertexai.preview import extensions
mdb_crud = extensions.Extension.create(
display_name = os.environ['EXTENSION_DISPLAY_HOME'],
# Optional.
description = os.environ['EXTENSION_DESCRIPTION'],
manifest = {
"name": os.environ['MANIFEST_NAME'],
"description": os.environ['MANIFEST_DESCRIPTION'],
"api_spec": {
"open_api_gcs_uri": (
os.environ['OPENAPI_GCS_URI']
),
},
"authConfig": {
"authType": "OAUTH",
"oauthConfig": {"service_account": "<service-account>"}
},
},
)
mdb_crud
4

Valida la extensión e imprime el esquema y los parámetros de la operación:

print("Name:", mdb_crud.gca_resource.name)
print("Display Name:", mdb_crud.gca_resource.display_name)
print("Description:", mdb_crud.gca_resource.description)
import pprint
pprint.pprint(mdb_crud.operation_schemas())

En Vertex AI, Extensions haga clic en en el menú de navegación izquierdo. Su nueva extensión, llamada,MongoDB Vertex API Interpreter aparecerá en la lista de extensiones.

Los siguientes ejemplos demuestran dos consultas de lenguaje natural diferentes que puede utilizar para consultar sus datos en Atlas:

Volver

Google Vertex AI

En esta página