GSP1334

Descripción general

Imagina que deseas buscar en un catálogo de imágenes de productos almacenadas en Cloud Storage para determinar si se vendió un producto similar en el pasado. Para ello, puedes utilizar la búsqueda de vectores en BigQuery.

BigQuery es una plataforma de datos completamente administrada y preparada para la IA que admite la integración continua de fuentes de datos externas (como metadatos de imágenes en un bucket de Cloud Storage) y conexiones a modelos remotos para la búsqueda de vectores con el objetivo de mejorar tus flujos de trabajo de análisis de datos con IA generativa.

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 imágenes, videos y texto. La búsqueda de vectores usa embeddings, que son vectores numéricos de alta dimensión que representan una entidad, como texto o una imagen. Estos embeddings codifican la semántica de estas entidades para facilitar su comparación. Esto tiene muchas aplicaciones, como mejorar la capacidad para buscar ventas históricas de artículos similares en un conjunto de datos de inventario o un catálogo de imágenes de productos.

Con el nombre o la descripción de un producto, puedes usar la búsqueda de vectores en una tabla de objetos de BigQuery que contenga metadatos para las imágenes del producto y, luego, identificar los productos más relacionados con tus términos de búsqueda. Este flujo de trabajo integra la potencia de Vertex AI en BigQuery para la búsqueda de vectores, lo que te permite analizar datos multimodales (incluidas imágenes y texto) en BigQuery para extraer estadísticas prácticas y, así, mejorar las capacidades de toma de decisiones.

En este lab, obtendrás una introducción rápida sobre cómo funciona la búsqueda de vectores multimodal en BigQuery. Comenzarás por otorgar algunos permisos y crear una conexión a un modelo de embeddings en BigQuery. Luego, llamarás al modelo para generar una tabla de embeddings que almacene representaciones vectoriales de imágenes de productos en un bucket de Cloud Storage. Por último, ejecutarás una búsqueda de vectores en las imágenes de productos almacenadas en Cloud Storage para identificar los productos más similares a tus términos de búsqueda según los atributos y los metadatos de las imágenes.

Actividades

En este lab, aprenderás a realizar las siguientes tareas:

• Otorgar roles de Identity and Access Management (IAM) a la cuenta de servicio de BigQuery
• Conectarse a un modelo de embeddings remoto en BigQuery
• Generar embeddings y guardarlos en una tabla de BigQuery
• Ejecutar una búsqueda vectorial en las imágenes de productos en Cloud Storage

Configuración y requisitos

Antes de hacer clic en el botón Comenzar lab

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:

• Acceso a un navegador de Internet estándar. Se recomienda el navegador Chrome.

• Tiempo para completar el lab (recuerda que, una vez que comienzas un lab, no puedes pausarlo).

Cómo iniciar tu lab y acceder a la consola de Google Cloud

1. 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:

   • El botón para abrir la consola de Google Cloud
   • El tiempo restante
   • Las credenciales temporales que debes usar para el lab
   • Otra información para completar el lab, si es necesaria

2. 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.

   Nota: Si ves el diálogo Elegir una cuenta, haz clic en Usar otra cuenta.

3. De ser necesario, copia el nombre de usuario a continuación y pégalo en el diálogo Acceder.

   {{{user_0.username | "Username"}}}

   También puedes encontrar el nombre de usuario en el panel Detalles del lab.

4. Haz clic en Siguiente.

5. Copia la contraseña que aparece a continuación y pégala en el diálogo Te damos la bienvenida.

   {{{user_0.password | "Password"}}}

   También puedes encontrar la contraseña en el panel Detalles del lab.

6. Haz clic en Siguiente.

   Importante: Debes usar las credenciales que te proporciona el lab. No uses las credenciales de tu cuenta de Google Cloud. Nota: Usar tu propia cuenta de Google Cloud para este lab podría generar cargos adicionales.

7. Haz clic para avanzar por las páginas siguientes:

   • Acepta los Términos y Condiciones.
   • No agregues opciones de recuperación o autenticación de dos factores (esta es una cuenta temporal).
   • No te registres para obtener pruebas gratuitas.

Después de un momento, se abrirá la consola de Google Cloud en esta pestaña.

Nota: Para acceder a los productos y servicios de Google Cloud, haz clic en el menú de navegación o escribe el nombre del servicio o producto en el campo Buscar.

Tarea 1: Otorga roles de IAM a la cuenta de servicio de BigQuery

En este entorno de lab, se crearon previamente varios recursos, incluida una conexión externa de BigQuery llamada remote-models-connection y una tabla de objetos de BigQuery llamada image_object_table. Estos recursos te permiten acceder a datos no estructurados en Cloud Storage, como imágenes, y consultarlos. Cuando se creó la conexión externa, también se generó automáticamente una cuenta de servicio de BigQuery, que se puede usar para controlar el acceso a los recursos.

En esta tarea, otorgarás roles de IAM específicos a la cuenta de servicio de BigQuery generada automáticamente para acceder a los archivos de imagen en Cloud Storage y a los recursos de Vertex AI necesarios para la búsqueda de vectores.

Cómo abrir la consola de BigQuery

1. En la consola de Google Cloud, selecciona el menú de navegación > BigQuery.

Se abrirá el cuadro de mensaje Te damos la bienvenida a BigQuery en la consola de Cloud. Este cuadro de mensaje contiene un vínculo a la guía de inicio rápido y las notas de la versión.

2. Haz clic en Listo.

Se abrirá la consola de BigQuery.

Identifica la cuenta de servicio de BigQuery generada automáticamente

1. Expande la flecha junto al ID del proyecto () y, luego, expande la flecha que se encuentra junto a Conexiones.

2. Haz clic en la conexión llamada .remote-models-connection.

3. En la página Información de conexión, copia el ID de la cuenta de servicio para usarlo en el siguiente paso.

Por ejemplo: bqcx-1054723899402-whbp@gcp-sa-bigquery-condel.iam.gserviceaccount.com

Otorga roles de IAM a la cuenta de servicio de BigQuery

1. En el menú de navegación () de la consola de Google Cloud, selecciona IAM y administración > IAM.

2. Haz clic en Otorgar acceso.

3. En Entidades nuevas, ingresa el ID de la cuenta de servicio que copiaste en la sección anterior (por ejemplo, bqcx-1054723899402-whbp@gcp-sa-bigquery-condel.iam.gserviceaccount.com).

4. En Selecciona un rol, filtra por Usuario de Vertex AI y selecciónalo en los resultados.

5. Haz clic en Agregar otro rol.

6. En Selecciona un rol, filtra por Visualizador de objetos de Storage y selecciónalo en los resultados.

7. Haz clic en Guardar.

Haz clic en Revisar mi progreso para verificar el objetivo. Otorgar roles de IAM a la cuenta de servicio de BigQuery

Tarea 2: Crea un modelo remoto de BigQuery

Ahora que otorgaste los roles necesarios a la cuenta de servicio de BigQuery, puedes crear un modelo remoto en BigQuery para acceder a las funcionalidades de Vertex AI, como las funciones potenciadas por IA generativa.

En esta tarea, usarás la conexión externa de BigQuery llamada remote-models-connection para crear un modelo remoto llamado embeddings_model que se conecte a un modelo de embeddings disponible en Vertex AI. Dado que los datos de imagen se almacenan en un bucket de Cloud Storage en un formato no estructurado, debes designar un modelo multimodal como el extremo para controlar este tipo de datos de manera eficaz.

1. En el menú de navegación () de la consola de Google Cloud, selecciona BigQuery > Studio.

2. En la ventana de consulta en SQL, pega la siguiente consulta en SQL para crear el modelo remoto de BigQuery en el conjunto de datos existente de BigQuery llamado products y haz clic en Ejecutar:

Haz clic en Revisar mi progreso para verificar el objetivo. Crear un modelo remoto de BigQuery

Tarea 3: Crea una tabla de embeddings para las imágenes que se enumeran en una tabla de objetos

Después de crear un modelo remoto en BigQuery, el siguiente paso es llamar al modelo para generar los embeddings basados en los archivos de imagen almacenados en Cloud Storage. Como se mencionó en la tarea 1, se creó previamente una tabla de objetos llamada image_object_table para este entorno de lab, que se puede usar para consultar los archivos de imagen.

En esta tarea, llamarás al modelo de embeddings para que se ejecute en product_image_object_table y almacenarás los resultados en una nueva tabla llamada product_embeddings. Cuando se ejecuta la consulta, BigQuery envía los datos de la tabla de objetos al modelo de embeddings multimodales, que devuelve los embeddings que se pueden usar en las búsquedas de vectores para encontrar entidades semánticamente similares.

1. En la ventana de consulta en SQL, ejecuta la siguiente consulta para crear la tabla de embeddings:

2. En la ventana de consulta en SQL, ejecuta la siguiente consulta para revisar los datos en la nueva tabla de embeddings:

Haz clic en Revisar mi progreso para verificar el objetivo. Crear una tabla de embeddings para las imágenes que se enumeran en una tabla de objetos

Tarea 4: Ejecuta una búsqueda de vectores en imágenes de productos en Cloud Storage

Como se menciona en la descripción general de este lab, la búsqueda de vectores en BigQuery te permite usar embeddings calculados (que son vectores numéricos) para encontrar objetos semánticamente similares. En particular, la búsqueda de vectores usa métricas de distancia que representan la distancia entre los vectores en un espacio de embeddings para compararlos y clasificarlos según su similitud. En BigQuery, la función de búsqueda de vectores admite tres tipos de distancia, incluidos el euclidiano (que es el predeterminado), el coseno y el producto escalar.

En esta tarea, usarás la similitud de coseno (que es el coseno del ángulo entre dos vectores) para identificar las 3 imágenes de productos más similares en Google Cloud Storage para una frase de búsqueda específica: colorful sweaters for women.

• En la ventana de consultas en SQL, ejecuta la siguiente consulta que usa la función VECTOR_SEARCH para buscar en la tabla de embeddings de productos y encontrar las imágenes más similares al término de búsqueda proporcionado:

Revisa las imágenes que mejor coinciden en Cloud Storage

[Opcional] Para ver las imágenes específicas que se devolvieron como las coincidencias más altas, puedes ir al bucket de Cloud Storage y abrir cada imagen.

1. En el menú de navegación () de la consola de Google Cloud, selecciona Cloud Storage > Buckets.

2. Haz clic en el bucket llamado y, luego, en el nombre de una imagen (por ejemplo, Onesie.jpg).

3. Haz clic en la URL autenticada para ver la imagen (por ejemplo, https://storage.cloud.google.com/qwiklabs-gcp-04-dc2812426125/Onesie.jpg).

Haz clic en Revisar mi progreso para verificar el objetivo. Ejecutar una búsqueda de vectores en imágenes de productos en Cloud Storage

¡Felicitaciones!

En este lab, accediste a una introducción rápida a la búsqueda de vectores en BigQuery y aplicaste estos conocimientos para encontrar en Cloud Storage las imágenes más relevantes con un término de búsqueda deseado.

Próximos pasos y más información

• Para obtener más información sobre las tablas de objetos en BigQuery, consulta la documentación titulada Crea tablas de objetos.

• Para obtener más información sobre los embeddings de vectores, consulta el curso titulado Búsqueda de vectores y embeddings.

• Para obtener más experiencia práctica con los embeddings y la búsqueda de vectores en BigQuery, explora los labs del curso Implementa la búsqueda de vectores multimodal con BigQuery.

Capacitación y certificación de Google Cloud

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.

Última actualización del manual: 16 de marzo de 2026

Prueba más reciente del lab: 16 de marzo de 2026

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.