Ajustar un modelo con tus datos

En este documento se explica cómo crear un modelo remoto de BigQuery ML que haga referencia a un modelo de Vertex AI y, a continuación, cómo configurar el modelo para realizar un ajuste supervisado. El modelo de Vertex AI debe ser uno de los siguientes:

  • gemini-2.5-pro
  • gemini-2.5-flash-lite
  • gemini-2.0-flash-001
  • gemini-2.0-flash-lite-001
  • gemini-1.5-pro-002
  • gemini-1.5-flash-002

Después de crear el modelo remoto, usa la función ML.EVALUATE para evaluar el modelo y confirmar que su rendimiento se adapta a tu caso de uso. Después, puedes usar el modelo junto con la función ML.GENERATE_TEXT para analizar texto en una tabla de BigQuery.

Para obtener más información, consulta Ajuste supervisado de modelos de la API de Gemini de Vertex AI.

Roles obligatorios

Para crear y evaluar un modelo ajustado, necesitas los siguientes roles de Gestión de Identidades y Accesos (IAM):

  • Crear y usar conjuntos de datos, tablas y modelos de BigQuery: Editor de datos de BigQuery (roles/bigquery.dataEditor) en tu proyecto.
  • Crear, delegar y usar conexiones de BigQuery: Administrador de conexiones de BigQuery (roles/bigquery.connectionsAdmin) en tu proyecto.

    Si no tiene configurada una conexión predeterminada, puede crear una y definirla al ejecutar la instrucción CREATE MODEL. Para ello, debes tener el rol Administrador de BigQuery (roles/bigquery.admin) en tu proyecto. Para obtener más información, consulta Configurar la conexión predeterminada.

  • Concede permisos a la cuenta de servicio de la conexión: administrador de gestión de identidades y accesos del proyecto (roles/resourcemanager.projectIamAdmin) en el proyecto que contiene el endpoint de Vertex AI. Este es el proyecto actual de los modelos remotos que creas especificando el nombre del modelo como endpoint. Es el proyecto identificado en la URL de los modelos remotos que creas especificando una URL como endpoint.

  • Crear tareas de BigQuery: Usuario de tareas de BigQuery (roles/bigquery.jobUser) en tu proyecto.

Estos roles predefinidos contienen los permisos necesarios para realizar las tareas descritas en este documento. Para ver los permisos exactos que se necesitan, despliega la sección Permisos necesarios:

Permisos obligatorios

  • Crea un conjunto de datos: bigquery.datasets.create
  • Crear, delegar y usar una conexión: bigquery.connections.*
  • Define los permisos de la cuenta de servicio: resourcemanager.projects.getIamPolicy y resourcemanager.projects.setIamPolicy
  • Crea un modelo y ejecuta la inferencia:
    • bigquery.jobs.create
    • bigquery.models.create
    • bigquery.models.getData
    • bigquery.models.updateData
    • bigquery.models.updateMetadata

También puedes obtener estos permisos con roles personalizados u otros roles predefinidos.

Antes de empezar

  1. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Roles required to select or create a project

    • Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
    • Create a project: To create a project, you need the Project Creator (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

    Go to project selector

  2. Verify that billing is enabled for your Google Cloud project.

  3. Enable the BigQuery, BigQuery Connection,Vertex AI, and Compute Engine APIs.

    Roles required to enable APIs

    To enable APIs, you need the Service Usage Admin IAM role (roles/serviceusage.serviceUsageAdmin), which contains the serviceusage.services.enable permission. Learn how to grant roles.

    Enable the APIs

Crear conjunto de datos

Crea un conjunto de datos de BigQuery para que contenga tus recursos:

Consola

  1. En la Google Cloud consola, ve a la página BigQuery.

    Ir a la página de BigQuery

  2. En el panel Explorador, haz clic en el nombre de tu proyecto.

  3. Haz clic en Ver acciones > Crear conjunto de datos.

  4. En la página Crear conjunto de datos, haz lo siguiente:

    • En ID del conjunto de datos, escribe un nombre para el conjunto de datos.

    • En Tipo de ubicación, seleccione una ubicación para el conjunto de datos.

    • Haz clic en Crear conjunto de datos.

bq

  1. Para crear un conjunto de datos, usa el comando bq mk con la marca --location:

    bq --location=LOCATION mk -d DATASET_ID

    Haz los cambios siguientes:

    • LOCATION: la ubicación del conjunto de datos.
    • DATASET_ID es el ID del conjunto de datos que vas a crear.
  2. Confirma que se ha creado el conjunto de datos:

    bq ls

Crear una conexión

Puedes saltarte este paso si tienes una conexión predeterminada configurada o si tienes el rol Administrador de BigQuery.

Crea una conexión de recursos de Cloud para que la use el modelo remoto y obtén la cuenta de servicio de la conexión. Crea la conexión en la misma ubicación que el conjunto de datos que has creado en el paso anterior.

Selecciona una de las opciones siguientes:

Consola

  1. Ve a la página BigQuery.

    Ir a BigQuery

  2. En el panel Explorador, haga clic en Añadir datos:

    El elemento de la interfaz de usuario para añadir datos.

    Se abrirá el cuadro de diálogo Añadir datos.

  3. En el panel Filtrar por, en la sección Tipo de fuente de datos, selecciona Aplicaciones empresariales.

    También puede introducir Vertex AI en el campo Buscar fuentes de datos.

  4. En la sección Fuentes de datos destacadas, haga clic en Vertex AI.

  5. Haz clic en la tarjeta de solución Modelos de Vertex AI: federación de BigQuery.

  6. En la lista Tipo de conexión, selecciona Modelos remotos, funciones remotas y BigLake (recurso de Cloud) de Vertex AI.

  7. En el campo ID de conexión, introduce un nombre para la conexión.

  8. Haga clic en Crear conexión.

  9. Haz clic en Ir a la conexión.

  10. En el panel Información de conexión, copia el ID de la cuenta de servicio para usarlo en un paso posterior.

bq

  1. En un entorno de línea de comandos, crea una conexión:

    bq mk --connection --location=REGION --project_id=PROJECT_ID \
        --connection_type=CLOUD_RESOURCE CONNECTION_ID

    El parámetro --project_id anula el proyecto predeterminado.

    Haz los cambios siguientes:

    • REGION: tu región de conexión
    • PROJECT_ID: tu ID de proyecto Google Cloud
    • CONNECTION_ID: un ID para tu conexión

    Cuando creas un recurso de conexión, BigQuery crea una cuenta de servicio del sistema única y la asocia a la conexión.

    Solución de problemas: si aparece el siguiente error de conexión, actualiza el SDK de Google Cloud:

    Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
    
  2. Obtén y copia el ID de la cuenta de servicio para usarlo en un paso posterior:

    bq show --connection PROJECT_ID.REGION.CONNECTION_ID

    El resultado debería ser similar al siguiente:

    name                          properties
    1234.REGION.CONNECTION_ID     {"serviceAccountId": "connection-1234-9u56h9@gcp-sa-bigquery-condel.iam.gserviceaccount.com"}
    

Terraform

Usa el recurso google_bigquery_connection.

Para autenticarte en BigQuery, configura las credenciales predeterminadas de la aplicación. Para obtener más información, consulta Configurar la autenticación para bibliotecas de cliente.

En el siguiente ejemplo se crea una conexión de recursos de Cloud llamada my_cloud_resource_connection en la región US:


# 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 {}
}

Para aplicar la configuración de Terraform en un proyecto, sigue los pasos que se indican en las siguientes secciones. Google Cloud

Preparar Cloud Shell

  1. Abre Cloud Shell.
  2. Define el Google Cloud proyecto Google Cloud predeterminado en el que quieras aplicar tus configuraciones de Terraform.

    Solo tiene que ejecutar este comando una vez por proyecto y puede hacerlo en cualquier directorio.

    export GOOGLE_CLOUD_PROJECT=PROJECT_ID

    Las variables de entorno se anulan si defines valores explícitos en el archivo de configuración de Terraform.

Preparar el directorio

Cada archivo de configuración de Terraform debe tener su propio directorio (también llamado módulo raíz).

  1. En Cloud Shell, crea un directorio y un archivo nuevo en ese directorio. El nombre del archivo debe tener la extensión .tf. Por ejemplo, main.tf. En este tutorial, nos referiremos al archivo como main.tf.
    mkdir DIRECTORY && cd DIRECTORY && touch main.tf
  2. Si estás siguiendo un tutorial, puedes copiar el código de ejemplo de cada sección o paso.

    Copia el código de ejemplo en el archivo main.tf que acabas de crear.

    También puedes copiar el código de GitHub. Se recomienda cuando el fragmento de Terraform forma parte de una solución integral.

  3. Revisa y modifica los parámetros de ejemplo para aplicarlos a tu entorno.
  4. Guarda los cambios.
  5. Inicializa Terraform. Solo tienes que hacerlo una vez por directorio.
    terraform init

    Si quieres usar la versión más reciente del proveedor de Google, incluye la opción -upgrade:

    terraform init -upgrade

Aplica los cambios

  1. Revisa la configuración y comprueba que los recursos que va a crear o actualizar Terraform se ajustan a tus expectativas:
    terraform plan

    Haga las correcciones necesarias en la configuración.

  2. Aplica la configuración de Terraform ejecutando el siguiente comando e introduciendo yes en la petición:
    terraform apply

    Espera hasta que Terraform muestre el mensaje "Apply complete!".

  3. Abre tu Google Cloud proyecto para ver los resultados. En la Google Cloud consola, ve a tus recursos en la interfaz de usuario para asegurarte de que Terraform los ha creado o actualizado.

Dar acceso a la cuenta de servicio de la conexión

Asigna el rol Agente de servicio de Vertex AI a la cuenta de servicio de la conexión.

Si tiene previsto especificar el endpoint como una URL al crear el modelo remoto (por ejemplo, endpoint = 'https://us-central1-aiplatform.googleapis.com/v1/projects/myproject/locations/us-central1/publishers/google/models/gemini-2.0-flash'), asigne este rol en el mismo proyecto que especifique en la URL.

Si tienes previsto especificar el endpoint usando el nombre del modelo al crear el modelo remoto (por ejemplo, endpoint = 'gemini-2.0-flash'), otorga este rol en el mismo proyecto en el que vayas a crear el modelo remoto.

Si se asigna el rol en otro proyecto, se produce el error bqcx-1234567890-wxyz@gcp-sa-bigquery-condel.iam.gserviceaccount.com does not have the permission to access resource.

Para conceder el rol, sigue estos pasos:

Consola

  1. Ve a la página IAM y administración.

    Ir a IAM y administración

  2. Haz clic en Conceder acceso.

  3. En Principales nuevas, introduce el ID de la cuenta de servicio que has copiado anteriormente.

  4. Haz clic en Seleccionar un rol.

  5. En Filtro, escribe Vertex AI Service Agent y, a continuación, selecciona ese rol.

  6. Haz clic en Guardar.

gcloud

Usa el comando gcloud projects add-iam-policy-binding:

gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/aiplatform.serviceAgent' --condition=None

Haz los cambios siguientes:

  • PROJECT_NUMBER: tu número de proyecto.
  • MEMBER: el ID de la cuenta de servicio que has copiado anteriormente.

La cuenta de servicio asociada a tu conexión es una instancia de BigQuery Connection Delegation Service Agent, por lo que puedes asignarle un rol de agente de servicio.

Crear un modelo con ajuste supervisado

  1. En la Google Cloud consola, ve a la página BigQuery.

    Ir a BigQuery

  2. En el editor de consultas, ejecuta la siguiente consulta para crear un modelo remoto:

    CREATE OR REPLACE MODEL
    `PROJECT_ID.DATASET_ID.MODEL_NAME`
    REMOTE WITH CONNECTION {DEFAULT | `PROJECT_ID.REGION.CONNECTION_ID`}
    OPTIONS (
      ENDPOINT = 'ENDPOINT',
      MAX_ITERATIONS = MAX_ITERATIONS,
      LEARNING_RATE_MULTIPLIER = LEARNING_RATE_MULTIPLIER,
      DATA_SPLIT_METHOD = 'DATA_SPLIT_METHOD',
      DATA_SPLIT_EVAL_FRACTION = DATA_SPLIT_EVAL_FRACTION,
      DATA_SPLIT_COL = 'DATA_SPLIT_COL',
      EVALUATION_TASK = 'EVALUATION_TASK',
      PROMPT_COL = 'INPUT_PROMPT_COL',
      INPUT_LABEL_COLS = INPUT_LABEL_COLS)
    AS SELECT PROMPT_COLUMN, LABEL_COLUMN
    FROM `TABLE_PROJECT_ID.TABLE_DATASET.TABLE_NAME`;

    Haz los cambios siguientes:

    • PROJECT_ID: el ID del proyecto en el que se creará el modelo.
    • DATASET_ID: ID del conjunto de datos que contendrá el modelo. Este conjunto de datos debe estar en una región de Vertex AI admitida.
    • MODEL_NAME: el nombre del modelo.
    • REGION: la región que usa la conexión.
    • CONNECTION_ID: el ID de tu conexión de BigQuery. Esta conexión debe estar en la misma ubicación que el conjunto de datos que estés usando.

      Cuando consultas los detalles de la conexión en la consola de Google Cloud , este es el valor de la última sección del ID de conexión completo que se muestra en ID de conexión, por ejemplo, projects/myproject/locations/connection_location/connections/myconnection.

    • ENDPOINT: un valor STRING que especifica el nombre del modelo que se va a usar.
    • MAX_ITERATIONS: un valor de INT64 que especifica el número de pasos que se deben ejecutar para la optimización supervisada. El valor de MAX_ITERATIONS debe estar entre 1 y .

      Los modelos de Gemini se entrenan mediante épocas en lugar de pasos, por lo que BigQuery ML convierte el valor de MAX_ITERATIONS en épocas. El valor predeterminado de MAX_ITERATIONS es el número de filas de los datos de entrada, que equivale a una época. Para usar varias épocas, especifica un múltiplo del número de filas de tus datos de entrenamiento. Por ejemplo, si tienes 100 filas de datos de entrada y quieres usar dos épocas, especifica 200 como valor del argumento. Si proporciona un valor que no es múltiplo del número de filas de los datos de entrada, BigQuery ML redondea al número de épocas más cercano. Por ejemplo, si tiene 100 filas de datos de entrada y especifica 101 para el valor MAX_ITERATIONS, el entrenamiento se realiza con dos épocas.

      Para obtener más información sobre los parámetros que se usan para ajustar los modelos de Gemini, consulta Crear un trabajo de ajuste.

    • DATA_SPLIT_METHOD: un valor STRING que especifica el método usado para dividir los datos de entrada en conjuntos de entrenamiento y evaluación. Las opciones válidas son las siguientes:
      • AUTO_SPLIT: BigQuery ML divide los datos automáticamente. La forma en que se dividen los datos varía en función del número de filas de la tabla de entrada. Este es el valor predeterminado.
      • RANDOM: los datos se aleatorizan antes de dividirse en conjuntos. Para personalizar la división de datos, puedes usar esta opción junto con la opción DATA_SPLIT_EVAL_FRACTION.
      • CUSTOM: los datos se dividen mediante la columna proporcionada en la opción DATA_SPLIT_COL. El valor de DATA_SPLIT_COL debe ser el nombre de una columna de tipo BOOL. Las filas con el valor TRUE o NULL se usan como datos de evaluación, y las filas con el valor FALSE se usan como datos de entrenamiento.
      • SEQ: divide los datos usando la columna proporcionada en la opción DATA_SPLIT_COL. El valor de DATA_SPLIT_COL debe ser el nombre de una columna de uno de los siguientes tipos:
        • NUMERIC
        • BIGNUMERIC
        • STRING
        • TIMESTAMP

        Los datos se ordenan de menor a mayor en función de la columna especificada.

        Las primeras n filas se usan como datos de evaluación, donde n es el valor especificado para DATA_SPLIT_EVAL_FRACTION. Las filas restantes se usan como datos de entrenamiento.

      • NO_SPLIT: no se dividen los datos; todos los datos de entrada se usan como datos de entrenamiento.

      Para obtener más información sobre estas opciones de división de datos, consulta DATA_SPLIT_METHOD.

    • DATA_SPLIT_EVAL_FRACTION: un valor de FLOAT64 que especifica la fracción de los datos que se va a usar como datos de evaluación al realizar el ajuste supervisado. Debe ser un valor del intervalo [0, 1.0]. El valor predeterminado es 0.2.

      Usa esta opción cuando especifiques RANDOM o SEQ como valor de la opción DATA_SPLIT_METHOD. Para personalizar la división de datos, puede usar la opción DATA_SPLIT_METHOD con la opción DATA_SPLIT_EVAL_FRACTION.

    • DATA_SPLIT_COL: un valor de STRING que especifica el nombre de la columna que se va a usar para ordenar los datos de entrada en el conjunto de entrenamiento o de evaluación. Usa cuando especifiques CUSTOM o SEQ como valor de la opción DATA_SPLIT_METHOD.
    • EVALUATION_TASK: un valor STRING que especifica el tipo de tarea para la que quieres optimizar el modelo. Las opciones válidas son las siguientes:
      • TEXT_GENERATION
      • CLASSIFICATION
      • SUMMARIZATION
      • QUESTION_ANSWERING
      • UNSPECIFIED

      El valor predeterminado es UNSPECIFIED.

    • INPUT_PROMPT_COL: un valor STRING que contiene el nombre de la columna de peticiones de la tabla de datos de entrenamiento que se va a usar al realizar el ajuste supervisado. El valor predeterminado es prompt.
    • INPUT_LABEL_COLS: un valor ARRAY<<STRING> que contiene el nombre de la columna de etiquetas de la tabla de datos de entrenamiento que se va a usar en el ajuste supervisado. Solo puedes especificar un elemento en la matriz. El valor predeterminado es un array vacío. Esto hace que label sea el valor predeterminado del argumento LABEL_COLUMN.
    • PROMPT_COLUMN: columna de la tabla de datos de entrenamiento que contiene la petición para evaluar el contenido de la columna LABEL_COLUMN. Esta columna debe ser de tipo STRING o convertirse a STRING. Si especificas un valor para la opción INPUT_PROMPT_COL, debes especificar el mismo valor para PROMPT_COLUMN. De lo contrario, este valor debe ser prompt. Si tu tabla no tiene una columna prompt, usa un alias para especificar una columna de tabla. Por ejemplo, AS SELECT hint AS prompt, label FROM mydataset.mytable.
    • LABEL_COLUMN: columna de la tabla de datos de entrenamiento que contiene los ejemplos con los que se entrenará el modelo. Esta columna debe ser de tipo STRING o convertirse a STRING. Si especificas un valor para la opción INPUT_LABEL_COLS, debes especificar el mismo valor para LABEL_COLUMN. De lo contrario, este valor debe ser label. Si tu tabla no tiene una columna label, usa un alias para especificar una columna de tabla. Por ejemplo, AS SELECT prompt, feature AS label FROM mydataset.mytable.
    • TABLE_PROJECT_ID: el ID del proyecto que contiene la tabla de datos de entrenamiento.
    • TABLE_DATASET: el nombre del conjunto de datos que contiene la tabla de datos de entrenamiento.
    • TABLE_NAME: el nombre de la tabla que contiene los datos que se usarán para entrenar el modelo.

Evaluar el modelo optimizado

  1. En la Google Cloud consola, ve a la página BigQuery.

    Ir a BigQuery

  2. En el editor de consultas, ejecuta la siguiente consulta para evaluar el modelo ajustado:

    SELECT
    *
    FROM
    ML.EVALUATE(
      MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
      TABLE `TABLE_PROJECT_ID.TABLE_DATASET.TABLE_NAME`,
      STRUCT('TASK_TYPE' AS task_type, TOKENS AS max_output_tokens,
        TEMPERATURE AS temperature, TOP_K AS top_k,
        TOP_P AS top_p));

    Haz los cambios siguientes:

    • PROJECT_ID: el ID del proyecto que contiene el modelo.
    • DATASET_ID: el ID del conjunto de datos que contiene el modelo.
    • MODEL_NAME: el nombre del modelo.
    • TABLE_PROJECT_ID: el ID del proyecto que contiene la tabla de datos de evaluación.
    • TABLE_DATASET: el nombre del conjunto de datos que contiene la tabla de datos de evaluación.
    • TABLE_NAME: el nombre de la tabla que contiene los datos de evaluación.

      La tabla debe tener una columna cuyo nombre coincida con el nombre de la columna de petición que se proporciona durante el entrenamiento del modelo. Puede proporcionar este valor mediante la opción prompt_col durante el entrenamiento del modelo. Si no se especifica prompt_col, se usa la columna llamada prompt en los datos de entrenamiento. Se devuelve un error si no hay ninguna columna llamada prompt.

      La tabla debe tener una columna cuyo nombre coincida con el nombre de la columna de etiquetas que se proporciona durante el entrenamiento del modelo. Puede proporcionar este valor mediante la opción input_label_cols durante el entrenamiento del modelo. Si no se especifica input_label_cols, se usa la columna llamada label en los datos de entrenamiento. Se devuelve un error si no hay ninguna columna llamada label.

    • TASK_TYPE: un valor STRING que especifica el tipo de tarea para la que quieres evaluar el modelo. Las opciones válidas son las siguientes:
      • TEXT_GENERATION
      • CLASSIFICATION
      • SUMMARIZATION
      • QUESTION_ANSWERING
      • UNSPECIFIED
    • TOKENS: un valor INT64 que define el número máximo de tokens que se pueden generar en la respuesta. Este valor debe estar en el intervalo [1,1024]. Especifica un valor inferior para las respuestas más cortas y un valor superior para las respuestas más largas. El valor predeterminado es 128.
    • TEMPERATURE: un valor FLOAT64 en el intervalo [0.0,1.0] que controla el grado de aleatoriedad en la selección de tokens. El valor predeterminado es 0.

      Los valores más bajos de temperature son adecuados para las peticiones que requieren una respuesta más determinista y menos abierta o creativa, mientras que los valores más altos de temperature pueden dar lugar a resultados más diversos o creativos. El valor de 0 para temperature es determinista, lo que significa que siempre se selecciona la respuesta con la probabilidad más alta.

    • TOP_K: un valor INT64 del intervalo [1,40] que determina el conjunto inicial de tokens que el modelo tiene en cuenta para la selección. Especifica un valor más bajo para obtener respuestas menos aleatorias y un valor más alto para obtener respuestas más aleatorias. El valor predeterminado es 40.
    • TOP_P: un valor FLOAT64 del intervalo [0.0,1.0] ayuda a determinar qué tokens del grupo determinado por TOP_K se seleccionan. Especifica un valor más bajo para obtener respuestas menos aleatorias y un valor más alto para obtener respuestas más aleatorias. El valor predeterminado es 0.95.

Generar texto

Generar texto con la función ML.GENERATE_TEXT:

Columna de petición

Genera texto usando una columna de una tabla para proporcionar la petición.

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE PROJECT_ID.DATASET_ID.TABLE_NAME,
  STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output,
  STOP_SEQUENCES AS stop_sequences)
);

Haz los cambios siguientes:

  • PROJECT_ID: tu ID de proyecto.
  • DATASET_ID: el ID del conjunto de datos que contiene el modelo.
  • MODEL_NAME: el nombre del modelo.
  • TABLE_NAME: el nombre de la tabla que contiene la petición. Esta tabla debe tener una columna cuyo nombre coincida con el nombre de la columna de características del modelo optimizado. El nombre de la columna de características del modelo se puede definir mediante la opción PROMPT_COL al crear el modelo. De lo contrario, el nombre de la columna de características del modelo es prompt de forma predeterminada, o bien puedes usar un alias para usar una columna con otro nombre.
  • TOKENS: un valor INT64 que define el número máximo de tokens que se pueden generar en la respuesta. Este valor debe estar en el intervalo [1,8192]. Especifica un valor inferior para las respuestas más cortas y un valor superior para las respuestas más largas. El valor predeterminado es 128.
  • TEMPERATURE: un valor FLOAT64 en el intervalo [0.0,1.0] que controla el grado de aleatoriedad en la selección de tokens. El valor predeterminado es 0.

    Los valores más bajos de temperature son adecuados para las peticiones que requieren una respuesta más determinista y menos abierta o creativa, mientras que los valores más altos de temperature pueden dar lugar a resultados más diversos o creativos. El valor de 0 para temperature es determinista, lo que significa que siempre se selecciona la respuesta con la probabilidad más alta.

  • TOP_P: un valor FLOAT64 en el intervalo [0.0,1.0] ayuda a determinar la probabilidad de los tokens seleccionados. Especifica un valor más bajo para obtener respuestas menos aleatorias y un valor más alto para obtener respuestas más aleatorias. El valor predeterminado es 0.95.
  • FLATTEN_JSON: valor BOOL que determina si se deben devolver el texto generado y los atributos de seguridad en columnas independientes. El valor predeterminado es FALSE.
  • STOP_SEQUENCES: un valor ARRAY<STRING> que elimina las cadenas especificadas si se incluyen en las respuestas del modelo. Las cadenas deben coincidir exactamente, incluidas las mayúsculas y las minúsculas. El valor predeterminado es un array vacío.
  • GROUND_WITH_GOOGLE_SEARCH: un valor BOOL que determina si el modelo de Vertex AI usa Grounding con la Búsqueda de Google al generar respuestas. La fundamentación permite que el modelo use información adicional de Internet al generar una respuesta para que las respuestas del modelo sean más específicas y factuales. Si tanto flatten_json_output como este campo tienen el valor True, se incluye una columna ml_generate_text_grounding_result adicional en los resultados, que proporciona las fuentes que ha usado el modelo para obtener información adicional. El valor predeterminado es FALSE.
  • SAFETY_SETTINGS: valor ARRAY<STRUCT<STRING AS category, STRING AS threshold>> que configura los umbrales de seguridad del contenido para filtrar las respuestas. El primer elemento de la estructura especifica una categoría de contenido dañino y el segundo elemento especifica un umbral de bloqueo correspondiente. El modelo filtra el contenido que infringe estos ajustes. Solo puedes especificar cada categoría una vez. Por ejemplo, no puedes especificar STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) y STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Si no hay ningún ajuste de seguridad para una categoría determinada, se utiliza el ajuste de seguridad BLOCK_MEDIUM_AND_ABOVE.

    Las categorías admitidas son las siguientes:

    • HARM_CATEGORY_HATE_SPEECH
    • HARM_CATEGORY_DANGEROUS_CONTENT
    • HARM_CATEGORY_HARASSMENT
    • HARM_CATEGORY_SEXUALLY_EXPLICIT

    Los umbrales admitidos son los siguientes:

    • BLOCK_NONE (Restringido)
    • BLOCK_LOW_AND_ABOVE
    • BLOCK_MEDIUM_AND_ABOVE (predeterminado)
    • BLOCK_ONLY_HIGH
    • HARM_BLOCK_THRESHOLD_UNSPECIFIED

    Para obtener más información, consulta la definición de categoría de seguridad y umbral de bloqueo.

  • REQUEST_TYPE: un valor STRING que especifica el tipo de solicitud de inferencia que se enviará al modelo de Gemini. El tipo de solicitud determina qué cuota usa la solicitud. Estos son los valores válidos:
    • DEDICATED: la función ML.GENERATE_TEXT solo usa la cuota de rendimiento aprovisionado. La función ML.GENERATE_TEXT devuelve el error Provisioned throughput is not purchased or is not active si no hay cuota de capacidad de procesamiento aprovisionada disponible.
    • SHARED: La función ML.GENERATE_TEXT solo usa la cuota compartida dinámica (DSQ), aunque hayas comprado cuota de rendimiento aprovisionado.
    • UNSPECIFIED: La función ML.GENERATE_TEXT usa la cuota de la siguiente manera:
      • Si no has comprado cuota de rendimiento aprovisionado, la función ML.GENERATE_TEXT usa la cuota de DSQ.
      • Si has comprado cuota de capacidad de procesamiento aprovisionada, la función ML.GENERATE_TEXT usará primero esa cuota. Si las solicitudes superan la cuota de capacidad de procesamiento aprovisionada, el tráfico de desbordamiento utiliza la cuota de DSQ.
    • El valor predeterminado es UNSPECIFIED.

      Para obtener más información, consulta Usar el rendimiento aprovisionado de Vertex AI.

    En el ejemplo siguiente se muestra una solicitud con estas características:

    • Usa la columna prompt de la tabla prompts para la petición.
    • Devuelve una respuesta breve y moderadamente probable.
    • Devuelve el texto generado y los atributos de seguridad en columnas independientes.
    SELECT *
    FROM
      ML.GENERATE_TEXT(
        MODEL `mydataset.mymodel`,
        TABLE mydataset.prompts,
        STRUCT(
          0.4 AS temperature, 100 AS max_output_tokens, 0.5 AS top_p,
          TRUE AS flatten_json_output));

Consulta de petición

Genera texto mediante una consulta para proporcionar la petición.

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  (PROMPT_QUERY),
  STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output,
  STOP_SEQUENCES AS stop_sequences)
);

Haz los cambios siguientes:

  • PROJECT_ID: tu ID de proyecto.
  • DATASET_ID: el ID del conjunto de datos que contiene el modelo.
  • MODEL_NAME: el nombre del modelo.
  • PROMPT_QUERY: una consulta que proporciona los datos de la petición.
  • TOKENS: un valor INT64 que define el número máximo de tokens que se pueden generar en la respuesta. Este valor debe estar en el intervalo [1,8192]. Especifica un valor inferior para las respuestas más cortas y un valor superior para las respuestas más largas. El valor predeterminado es 128.
  • TEMPERATURE: un valor FLOAT64 en el intervalo [0.0,1.0] que controla el grado de aleatoriedad en la selección de tokens. El valor predeterminado es 0.

    Los valores más bajos de temperature son adecuados para las peticiones que requieren una respuesta más determinista y menos abierta o creativa, mientras que los valores más altos de temperature pueden dar lugar a resultados más diversos o creativos. El valor de 0 para temperature es determinista, lo que significa que siempre se selecciona la respuesta con la probabilidad más alta.

  • TOP_P: un valor FLOAT64 en el intervalo [0.0,1.0] ayuda a determinar la probabilidad de los tokens seleccionados. Especifica un valor más bajo para obtener respuestas menos aleatorias y un valor más alto para obtener respuestas más aleatorias. El valor predeterminado es 0.95.
  • FLATTEN_JSON: valor BOOL que determina si se deben devolver el texto generado y los atributos de seguridad en columnas independientes. El valor predeterminado es FALSE.
  • STOP_SEQUENCES: un valor ARRAY<STRING> que elimina las cadenas especificadas si se incluyen en las respuestas del modelo. Las cadenas deben coincidir exactamente, incluidas las mayúsculas y las minúsculas. El valor predeterminado es un array vacío.
  • GROUND_WITH_GOOGLE_SEARCH: un valor BOOL que determina si el modelo de Vertex AI usa Grounding con la Búsqueda de Google al generar respuestas. La fundamentación permite que el modelo use información adicional de Internet al generar una respuesta para que las respuestas del modelo sean más específicas y factuales. Si tanto flatten_json_output como este campo tienen el valor True, se incluye una columna ml_generate_text_grounding_result adicional en los resultados, que proporciona las fuentes que ha usado el modelo para obtener información adicional. El valor predeterminado es FALSE.
  • SAFETY_SETTINGS: valor ARRAY<STRUCT<STRING AS category, STRING AS threshold>> que configura los umbrales de seguridad del contenido para filtrar las respuestas. El primer elemento de la estructura especifica una categoría de contenido dañino y el segundo elemento especifica un umbral de bloqueo correspondiente. El modelo filtra el contenido que infringe estos ajustes. Solo puedes especificar cada categoría una vez. Por ejemplo, no puedes especificar STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) y STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Si no hay ningún ajuste de seguridad para una categoría determinada, se utiliza el ajuste de seguridad BLOCK_MEDIUM_AND_ABOVE.

    Las categorías admitidas son las siguientes:

    • HARM_CATEGORY_HATE_SPEECH
    • HARM_CATEGORY_DANGEROUS_CONTENT
    • HARM_CATEGORY_HARASSMENT
    • HARM_CATEGORY_SEXUALLY_EXPLICIT

    Los umbrales admitidos son los siguientes:

    • BLOCK_NONE (Restringido)
    • BLOCK_LOW_AND_ABOVE
    • BLOCK_MEDIUM_AND_ABOVE (predeterminado)
    • BLOCK_ONLY_HIGH
    • HARM_BLOCK_THRESHOLD_UNSPECIFIED

    Para obtener más información, consulta la definición de categoría de seguridad y umbral de bloqueo.

  • REQUEST_TYPE: un valor STRING que especifica el tipo de solicitud de inferencia que se enviará al modelo de Gemini. El tipo de solicitud determina qué cuota usa la solicitud. Estos son los valores válidos:
    • DEDICATED: la función ML.GENERATE_TEXT solo usa la cuota de rendimiento aprovisionado. La función ML.GENERATE_TEXT devuelve el error Provisioned throughput is not purchased or is not active si no hay cuota de capacidad de procesamiento aprovisionada disponible.
    • SHARED: La función ML.GENERATE_TEXT solo usa la cuota compartida dinámica (DSQ), aunque hayas comprado cuota de rendimiento aprovisionado.
    • UNSPECIFIED: La función ML.GENERATE_TEXT usa la cuota de la siguiente manera:
      • Si no has comprado cuota de rendimiento aprovisionado, la función ML.GENERATE_TEXT usa la cuota de DSQ.
      • Si has comprado cuota de capacidad de procesamiento aprovisionada, la función ML.GENERATE_TEXT usará primero esa cuota. Si las solicitudes superan la cuota de capacidad de procesamiento aprovisionada, el tráfico de desbordamiento utiliza la cuota de DSQ.
    • El valor predeterminado es UNSPECIFIED.

      Para obtener más información, consulta Usar el rendimiento aprovisionado de Vertex AI.

    Ejemplo 1

    En el ejemplo siguiente se muestra una solicitud con estas características:

    • Pide un resumen del texto de la columna body de la tabla articles.
    • Devuelve una respuesta moderadamente larga y más probable.
    • Devuelve el texto generado y los atributos de seguridad en columnas independientes.
    SELECT *
    FROM
      ML.GENERATE_TEXT(
        MODEL `mydataset.mymodel`,
        (
          SELECT CONCAT('Summarize this text', body) AS prompt
          FROM mydataset.articles
        ),
        STRUCT(
          0.2 AS temperature, 650 AS max_output_tokens, 0.2 AS top_p,
          TRUE AS flatten_json_output));

    Ejemplo 2

    En el ejemplo siguiente se muestra una solicitud con estas características:

    • Usa una consulta para crear los datos de la petición concatenando cadenas que proporcionan prefijos de la petición con columnas de la tabla.
    • Devuelve una respuesta breve y moderadamente probable.
    • No devuelve el texto generado ni los atributos de seguridad en columnas independientes.
    SELECT *
    FROM
      ML.GENERATE_TEXT(
        MODEL `mydataset.mytuned_model`,
        (
          SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
          FROM mydataset.input_table
        ),
        STRUCT(
          0.4 AS temperature, 100 AS max_output_tokens, 0.5 AS top_p,
          FALSE AS flatten_json_output));