Create an embeddings model and configure it to a Vertex AI model endpoint
/ 20
Create a new table and load the products data
/ 40
Generate and store text embeddings for the products data
/ 20
Perform vector search using text embeddings in Spanner
/ 20
Imagina que tus aplicaciones buscan en tu base de datos de Spanner y, además, identifican rápidamente los datos relacionados, incluso si la fase de búsqueda proporcionada no se incluye en el texto almacenado. Esto ahora es posible gracias a la potencia de los embeddings de texto de Vertex AI para realizar búsquedas vectoriales en Spanner.
Spanner es un servicio de bases de datos completamente administrado que ofrece coherencia en las transacciones a escala global y replicación automática síncrona para una alta disponibilidad. Además, puedes aprovechar la funcionalidad de Inteligencia Artificial (IA) en Spanner para realizar tareas como crear aplicaciones de IA generativa y mostrar datos en tu base de datos de Spanner en función de qué tan pertinentes son tus términos de búsqueda específicos.
La búsqueda de vectores es una metodología que se puede usar para encontrar rápidamente elementos similares en función de su significado semántico (en lugar de la coincidencia exacta de palabras clave) y se puede aplicar a muchos tipos de datos, incluidos audio, imágenes, videos y texto. En el caso del texto, la búsqueda de vectores te permite encontrar elementos de texto similares sin que su contenido coincida con el texto o la frase exactos que se usan en la búsqueda.
En este lab, aprenderás los aspectos básicos de la configuración de la búsqueda de vectores en Spanner. Para ello, primero generarás y almacenarás embeddings de texto (vectores que contienen representaciones numéricas del significado semántico del texto) y, luego, usarás esos embeddings de texto para realizar búsquedas de similitud rápidas. Este lab práctico se adaptó del codelab titulado Comienza a usar la Búsqueda de vectores de Spanner. Se usa un conjunto de datos de productos de bicicletas con el objetivo de destacar cómo aprovechar la búsqueda de vectores en Spanner para encontrar los productos más relevantes para una frase de búsqueda sin necesidad de una concordancia exacta en el texto.
En este lab, aprenderás a realizar las siguientes tareas:
Lee estas instrucciones. Los labs cuentan con un temporizador que no se puede pausar. El temporizador, que comienza a funcionar cuando haces clic en Comenzar lab, indica por cuánto tiempo tendrás a tu disposición los recursos de Google Cloud.
Este lab práctico te permitirá realizar las actividades correspondientes en un entorno de nube real, no en uno de simulación o demostración. Para ello, se te proporcionan credenciales temporales nuevas que utilizarás para acceder a Google Cloud durante todo el lab.
Para completar este lab, necesitarás lo siguiente:
Haz clic en el botón Comenzar lab. Si debes pagar por el lab, se abrirá un diálogo para que selecciones la forma de pago. A la izquierda, se encuentra el panel Detalles del lab, que tiene estos elementos:
Haz clic en Abrir la consola de Google Cloud (o haz clic con el botón derecho y selecciona Abrir el vínculo en una ventana de incógnito si ejecutas el navegador Chrome).
El lab inicia recursos y abre otra pestaña en la que se muestra la página de acceso.
Sugerencia: Ordena las pestañas en ventanas separadas, una junto a la otra.
De ser necesario, copia el nombre de usuario a continuación y pégalo en el diálogo Acceder.
También puedes encontrar el nombre de usuario en el panel Detalles del lab.
Haz clic en Siguiente.
Copia la contraseña que aparece a continuación y pégala en el diálogo Te damos la bienvenida.
También puedes encontrar la contraseña en el panel Detalles del lab.
Haz clic en Siguiente.
Haz clic para avanzar por las páginas siguientes:
Después de un momento, se abrirá la consola de Google Cloud en esta pestaña.
En este entorno de lab, se aprovisionó una instancia de Spanner llamada cymbal-retail y una base de datos llamada cymbal-bicycles.
En esta tarea, iniciarás el flujo de trabajo general en Spanner creando y configurando el modelo de embeddings que se usa para generar los embeddings de texto, lo que también inicia automáticamente la creación de la cuenta de servicio de Spanner necesaria para tareas posteriores. Específicamente, crearás un modelo de embeddings llamado EmbeddingsModel y lo configurarás en un endpoint para el modelo de embeddings de texto de Vertex AI llamado
En la consola de Google Cloud, haz clic en el menú de navegación (
En la página Instancias, haz clic en la instancia llamada Cymbal Retail Spanner Instance para examinar sus detalles.
En Bases de datos, haz clic en la base de datos llamada cymbal-bicycles.
En el menú de Spanner, en Base de datos, haz clic en Spanner Studio.
En la página de Spanner Studio, haz clic en Nueva pestaña del editor de SQL para abrir una nueva ventana de consulta.
Para crear y configurar el modelo de embeddings en un endpoint de modelo de Vertex AI, copia y pega la siguiente consulta en la ventana correspondiente y haz clic en Ejecutar.
Haz clic en Revisar mi progreso para verificar el objetivo.
Cuando la consulta se ejecuta correctamente, se muestra un mensaje que dice Actualización completada.
Permanece en Spanner Studio y continúa con la siguiente tarea.
Ahora que creaste y configuraste el modelo de embeddings, necesitas los datos para los que quieres generar los embeddings de texto de búsqueda de vectores.
En esta tarea, crearás una nueva tabla que contenga columnas descriptivas para los productos (como nombres de productos y recuento de inventario) de una empresa ficticia llamada Cymbal Bicycles, junto con una columna adicional para los embeddings de vectores de las descripciones de los productos (que se generarán en la siguiente tarea). Por último, cargarás una muestra de los datos de productos de Cymbal Bicycles en la tabla de Spanner.
En el editor de consultas de Spanner, haz clic en Borrar (en la misma barra de menú que Ejecutar) para quitar la consulta anterior.
Para crear una tabla nueva llamada products, copia y pega la siguiente consulta en la ventana de consultas y haz clic en Ejecutar.
La columna llamada productDescriptionEmbedding es del tipo ARRAY<FLOAT32>, que admite el almacenamiento de los valores de vector que crearás en la siguiente tarea.
Cuando la consulta se ejecuta correctamente, se muestra un mensaje que dice Actualización completada.
Haz clic en Borrar de nuevo (en la misma barra de menú que Ejecutar) para quitar la consulta anterior.
Para cargar datos en la tabla, copia y pega la siguiente consulta en la ventana de consultas y haz clic en Ejecutar.
Ten en cuenta que esta consulta carga una pequeña muestra de productos, pero incluye toda la información necesaria para cada uno de los 10 productos cargados en la tabla.
Cuando la consulta se ejecuta correctamente, se muestra un mensaje que dice Esta declaración ejecutó correctamente 10 filas y no mostró ninguna fila.
Haz clic en Revisar mi progreso para verificar el objetivo.
Con la creación del modelo de embeddings en la Tarea 1, también iniciaste la creación de la cuenta de servicio de Spanner que se usa para acceder a este a través del endpoint de modelo de Vertex AI.
En esta tarea, primero te asegurarás de que esta cuenta de servicio tenga el rol necesario para acceder al endpoint de Vertex AI. Luego, ejecutarás una consulta para generar los embeddings de las descripciones de los productos y los almacenarás en la tabla products.
En el menú de navegación (
Haz clic en Otorgar acceso.
En Entidades nuevas, ingresa el ID de la cuenta de servicio de Spanner: service-
En Seleccionar un rol, busca Agente de servicio de la API de Cloud Spanner con el filtro y selecciónalo para completar el cuadro Rol.
Haz clic en Guardar.
Sin cambios: La entidad ya existe en la política, puedes pasar a la siguiente sección sin intentar otorgar el rol de nuevo.
Ahora que te aseguraste de que la cuenta de servicio de Spanner tenga el rol adecuado, puedes generar los embeddings de texto para las descripciones de productos y agregarlos a la tabla products.
Vuelve a Spanner Studio y sigue los pasos del 1 a 4 de la tarea 1.
Copia y pega la siguiente consulta en la ventana de consultas para actualizar la columna llamada productDescriptionEmbedding con los embeddings generados y haz clic en Ejecutar.
Se denegó el permiso en el recurso, espera unos minutos para que los permisos que asignaste en los pasos anteriores se propaguen por completo y, luego, vuelve a ejecutar la consulta.
Cuando la consulta se ejecuta correctamente, se muestra un mensaje que dice Tu consulta actualizó 10 filas.
Haz clic en Revisar mi progreso para verificar el objetivo.
Permanece en Spanner Studio y continúa con la siguiente tarea.
Después de generar y almacenar los embeddings de texto para las descripciones de productos, tus datos ya están listos para tu primera búsqueda de vectores en tiempo real.
En esta tarea, ejecutarás una consulta para realizar una búsqueda de similitudes basada en la frase Quiero comprar una bicicleta de principiante para mi hijo de 3 años y se devolverán rápidamente los 5 productos más pertinentes, a pesar de que no haya una concordancia exacta para este texto en los datos de productos.
En el editor de consultas de Spanner, haz clic en Borrar (en la misma barra de menú que Ejecutar) para quitar la consulta anterior.
Para realizar una búsqueda de vectores con los embeddings de texto, copia y pega la siguiente consulta en la ventana de consultas y haz clic en Ejecutar.
Esta consulta usa los valores de la columna productDescriptionEmbedding para encontrar las 5 filas de la base de datos más similares desde el punto de vista semántico a la frase de búsqueda Quiero comprar una bicicleta de principiante para mi hijo de 3 años.
Ten en cuenta que el embedding para la fase de búsqueda se genera de forma dinámica en la consulta. Si quieres explorar más esta consulta, reemplaza Quiero comprar una bicicleta de principiante para mi hijo de 3 años en el código anterior por un nuevo término de búsqueda de tu elección.
El resultado se ve de la manera siguiente:
| productName | productDescription | inventoryCount | distance |
|---|---|---|---|
| Cymbal Sprout | Que el recorrido en bicicleta de tus hijos comience con la Cymbal Sprout, la bicicleta de equilibrio ideal para principiantes de 2 a 4 años… | 10 | 0.3094387191860244 |
| Cymbal Spark Jr. | Ligera, llamativa y lista para la aventura, la Spark Jr. es perfecta como primera bicicleta para ciclistas jóvenes (de 5 a 8 años)… | 34 | 0.3412342902117166 |
| Casco Cymbal Helios | La seguridad y el estilo se unen en el casco de bicicleta infantil Cymbal… | 100 | 0.4197863319656684 |
| Cymbal Breeze | Pasea con estilo y pedalea sin esfuerzo con la bicicleta eléctrica Breeze… | 72 | 0.485231776523978 |
| Luces Cymbal Phoenix | Ilumina tu entorno y hazte notar con las luces para bicicleta Phoenix… | 87 | 0.5251486508206732 |
Haz clic en Revisar mi progreso para verificar el objetivo.
En este lab, aprendiste a crear un modelo de embeddings en Spanner y configurarlo en un endpoint de modelo de Vertex AI, generar y almacenar embeddings de texto en una tabla de Spanner y realizar una búsqueda de vectores en Spanner con los embeddings de texto almacenados.
Recibe la formación que necesitas para aprovechar al máximo las tecnologías de Google Cloud. Nuestras clases incluyen habilidades técnicas y recomendaciones para ayudarte a avanzar rápidamente y a seguir aprendiendo. Para que puedas realizar nuestros cursos cuando más te convenga, ofrecemos distintos tipos de capacitación de nivel básico a avanzado: a pedido, presenciales y virtuales. Las certificaciones te ayudan a validar y demostrar tus habilidades y tu conocimiento técnico respecto a las tecnologías de Google Cloud.
Actualización más reciente del manual: 28 de octubre de 2025
Prueba más reciente del lab: 28 de octubre de 2025
Copyright 2026 Google LLC. All rights reserved. Google y el logotipo de Google son marcas de Google LLC. Los demás nombres de productos y empresas pueden ser marcas de las respectivas empresas a las que estén asociados.
Este contenido no está disponible en este momento
Te enviaremos una notificación por correo electrónico cuando esté disponible
¡Genial!
Nos comunicaremos contigo por correo electrónico si está disponible
Un lab a la vez
Confirma para finalizar todos los labs existentes y comenzar este