Vertex AI에서 원격 모델로 예측

Vertex AI 엔드포인트를 원격 모델로 등록하고 ML.PREDICT를 사용하여 BigQuery에서 바로 호출할 수 있습니다.

이는 모델이 BigQuery로 가져오기에 너무 큰 경우이거나, 온라인, 일괄, 마이크로 배치 사용 사례에 단일 추론 지점을 사용하려는 경우에 유용합니다.

이 튜토리얼에서는 일반 텍스트 IMDB 영화 리뷰로 BERT 모델을 미세 조정하여 맞춤설정된 감정 분석 모델을 사용합니다. 결과 모델은 텍스트 입력(영화 리뷰)을 사용하고 (0, 1) 사이의 감정 점수를 반환합니다. 모델은 Vertex AI Model Registry에 등록되고 Vertex AI 엔드포인트에 제공됩니다. 그러면 모델이 원격 모델로 BigQuery에 추가됩니다. BigQuery의 원격 모델을 사용하여 텍스트 열에 대한 감정 예측을 얻을 수 있습니다(100,000개 행 테이블의 bigquery-public-data.imdb.reviews 리뷰).

Python 버전 GitHub 튜토리얼은 BQML 원격 모델 튜토리얼을 참조하세요.

워크플로 개요

• 튜토리얼 설정
• ML 모델 만들기
• Vertex AI에 모델 배포
• BigQuery ML 원격 모델 만들기
• 삭제

튜토리얼 설정

이 튜토리얼에서는 Cloud Storage, Vertex AI, BigQuery와 같은 비용이 청구될 수 있는 Google Cloud 구성요소를 사용합니다. 이 튜토리얼을 마친 후 청구 가능한 구성요소를 삭제합니다.

1. Vertex AI, Cloud Storage, BigQuery Cloud 리소스 연결에 대해 API를 사용 설정하려면 여기를 클릭하세요.
2. Cloud Storage: 이 안내에 따라 기본 US 멀티 리전에서 버킷을 만듭니다.

ML 모델 만들기

BQML 원격 모델 튜토리얼을 사용하여 모델을 만듭니다. 여기에는 분류 레이어를 추가하는 동안 BERT 모델을 조정하여 만든 감정 분석 예측 모델이 포함됩니다.

샘플 모델을 이미 학습시킨 후 직접 사용할 수 있도록 gs://cloud-samples-data/bigquery/ml/remote_model_tutorial/에 업로드해 두었습니다.

Vertex AI에 모델 배포

안내에 따라 Vertex AI Model Registry에 모델을 등록합니다.

안내에 따라 Vertex AI Model Registry의 모델을 Vertex AI 엔드포인트에 배포합니다.

최대 컴퓨팅 노드 수를 설정하는 것이 좋습니다. 이렇게 하면 Vertex AI 측에서 자동 확장 기능이 사용 설정되고 BigQuery 데이터 테이블에 행이 많은 경우 엔드포인트에서 더 많은 요청을 처리할 수 있습니다.

BigQuery ML 원격 모델

BigQuery ML 원격 모델 생성 과정은 BigQuery Cloud 리소스 연결과 연결을 사용하는 BigQuery 원격 모델과 같은 두 가지 구성요소로 이루어집니다.

BigQuery Cloud 리소스 연결 만들기

Vertex AI에 연결하려면 Cloud 리소스 연결이 필요합니다.

다음 옵션 중 하나를 선택합니다.

# This queries the provider for project information.
data "google_project" "default" {}

# This creates a cloud resource connection in the US region named my_cloud_resource_connection.
# Note: The cloud resource nested object has only one output field - serviceAccountId.
resource "google_bigquery_connection" "default" {
  connection_id = "my_cloud_resource_connection"
  project       = data.google_project.default.project_id
  location      = "US"
  cloud_resource {}
}

액세스 설정

연결의 서비스 계정에 Vertex AI 사용자 역할을 부여합니다. BigQuery ML 원격 모델 만들기 섹션의 원격 모델 엔드포인트 URL(또는 짧은 버전 엔드포인트를 사용하는 경우 모델 프로젝트)에 지정할 동일한 프로젝트에서 이 역할을 부여해야 합니다. 다른 프로젝트에서 역할을 부여하면 bqcx-1234567890-xxxx@gcp-sa-bigquery-condel.iam.gserviceaccount.com does not have the permission to access resource 오류가 발생합니다.

역할을 부여하려면 다음 단계를 따르세요.

1. IAM 및 관리자 페이지로 이동합니다.

   IAM 및 관리자로 이동

2. person_add 액세스 권한 부여를 클릭합니다.

3. 새 주 구성원 필드에 앞에서 복사한 서비스 계정 ID를 입력합니다.

4. 역할 선택 필드에서 Vertex AI를 선택한 후 Vertex AI 사용자 역할을 선택합니다.

5. 저장을 클릭합니다.

데이터 세트 만들기

ML 모델을 저장할 BigQuery 데이터 세트를 만듭니다.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery 페이지로 이동

2. 탐색기 창에서 프로젝트 이름을 클릭합니다.

3. more_vert 작업 보기 > 데이터 세트 만들기를 클릭합니다.

   

4. 데이터 세트 만들기 페이지에서 다음을 수행합니다.

   • 데이터 세트 ID에 bqml_tutorial를 입력합니다.

   • 위치 유형에 대해 멀티 리전을 선택한 다음 US(미국 내 여러 리전)를 선택합니다.

     공개 데이터 세트는 US 멀티 리전에 저장됩니다. 편의상 같은 위치에 데이터 세트를 저장합니다.

   • 나머지 기본 설정은 그대로 두고 데이터 세트 만들기를 클릭합니다.

     

BigQuery ML 원격 모델 만들기

엔드포인트에 요청을 전송하여 TensorFlow 모델의 입력 및 출력 스키마를 확인하려면 다음 단계를 따르세요.

요청 예시:

curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" -H "Content-Type: application/json" https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/endpoints/ENDPOINT_ID:predict -d "{'instances': [{ 'text': 'This is an amazing movie'}, { 'text': 'The movie was terrible'}]}"

응답의 예시:

{
  "predictions": [
    [
      [ 0.999410391 ]
    ],
    [
      [ 0.000628352049 ]
    ]
  ]
}

원격 모델을 만들 때 입력 및 출력 필드 이름과 유형은 Vertex AI 입력 및 출력과 정확히 동일해야 합니다.

단일 출력이 있는 모델의 경우 Vertex AI는 필드 이름을 반환하지 않습니다. CREATE MODEL에서 필드 이름을 지정할 수 있습니다.

다음 예시는 연결을 사용하여 원격 모델을 만드는 방법을 보여줍니다.

CREATE OR REPLACE MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`
    INPUT (text STRING)
    OUTPUT(scores ARRAY<FLOAT64>)
    REMOTE WITH CONNECTION `PROJECT_ID.REGION.CONNECTION_ID`
    OPTIONS(endpoint = 'ENDPOINT_URL')

ML.PREDICT로 예측 가져오기

ML.PREDICT 함수를 사용하여 BigQuery의 원격 모델에서 예측을 가져오세요. 여기에서는 10,000개의 레코드가 선택되고 예측을 위해 전송됩니다. 원격 모델의 배치 크기는 기본적으로 요청의 인스턴스 128개로 설정됩니다.

SELECT *
FROM ML.PREDICT (
    MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`,
    (
        SELECT review as text
        FROM `bigquery-public-data.imdb.reviews`
        LIMIT 10000
    )
)

지원되는 리전

BigQuery에는 두 가지 유형의 위치가 있습니다.

• 리전은 특정한 지리적 장소(예: 런던)입니다.
• 멀티 리전은 두 개 이상의 지리적 장소를 포함하는 넓은 지리적 지역(예: 미국)입니다.

단일 리전

BigQuery 단일 리전 데이터 세트의 경우 동일한 리전에 배포된 Vertex AI 엔드포인트를 사용하는 원격 모델만 만들 수 있습니다. BigQuery 단일 리전 us-central1의 원격 모델은 us-central1의 Vertex AI만 사용할 수 있습니다. 따라서 단일 리전의 경우 Vertex AI와 BigQuery를 모두 지원하는 리전에서만 원격 모델이 지원됩니다.

멀티 리전

BigQuery 멀티 리전(US, EU) 데이터 세트에서 동일한 대규모 지리적 영역(US, EU) 내 리전에 배포된 원격 모델을 사용하는 원격 모델만 만들 수 있습니다. 예를 들어, BigQuery 미국 멀티 리전의 원격 모델은 us-central1, us-east4, us-west2 등 미국 지리적 영역 내의 단일 리전에 배포된 Vertex AI 엔드포인트만 사용할 수 있습니다.

BigQuery EU 멀티 리전의 원격 모델은 유럽 연합 회원국에 속하는 단일 리전(예: europe-north1, europe-west3 등)에 배포된 Vertex AI 엔드포인트만 사용할 수 있습니다.

BigQuery 리전 및 멀티 리전에 대한 자세한 내용은 데이터 세트 위치 페이지를 참조하세요. Vertex AI 리전에 대한 자세한 내용은 Vertex AI 위치를 참조하세요.

VPC 서비스 제어 사용

VPC 서비스 제어는 데이터 무단 반출을 방지하기 위해 보안 경계를 설정할 수 있는 Google Cloud 기능입니다. 추가 보안을 위해 원격 모델과 함께 VPC 서비스 제어를 사용하려면 VPC 서비스 제어 가이드를 따라 서비스 경계를 만드세요.

원격 모델을 사용하여 쿼리의 BigQuery 프로젝트를 경계에 추가합니다. 엔드포인트 프로젝트를 경계에 추가하고 엔드포인트 유형에 따라 제한된 서비스에서 Vertex AI API를 설정합니다. 자세한 내용은 Vertex AI VPC 서비스 제어를 참조하세요.

삭제

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.