Ottimizzare un modello utilizzando i tuoi dati

Console

1. Nella console Google Cloud , vai alla pagina BigQuery.

   Vai alla pagina BigQuery

2. Nel riquadro Explorer, fai clic sul nome del progetto.

3. Fai clic su more_vert Visualizza azioni > Crea set di dati.

4. Nella pagina Crea set di dati:

   • In ID set di dati, digita un nome per il set di dati.

   • Per Tipo di località, seleziona una località per il set di dati.

   • Fai clic su Crea set di dati.

bq

1. Per creare un nuovo set di dati, utilizza il comando bq mk con il flag --location:

   bq --location=LOCATION mk -d DATASET_ID

   Sostituisci quanto segue:

   • LOCATION: la posizione del set di dati.
   • DATASET_ID è l'ID del set di dati che stai creando.

2. Verifica che il set di dati sia stato creato:

   bq ls

Console

1. Vai alla pagina BigQuery.

   Vai a BigQuery

2. Nel riquadro Explorer, fai clic su add Aggiungi dati:

   

   Si apre la finestra di dialogo Aggiungi dati.

3. Nel riquadro Filtra per, seleziona Applicazioni aziendali nella sezione Tipo di origine dati.

   In alternativa, nel campo Cerca origini dati, puoi inserire Vertex AI.

4. Nella sezione Origini dati in evidenza, fai clic su Vertex AI.

5. Fai clic sulla scheda della soluzione Vertex AI Models: BigQuery Federation.

6. Nell'elenco Tipo di connessione, seleziona Modelli remoti di Vertex AI, funzioni remote e BigLake (risorsa Cloud).

7. Nel campo ID connessione, inserisci un nome per la connessione.

8. Fai clic su Crea connessione.

9. Fai clic su Vai alla connessione.

10. Nel riquadro Informazioni sulla connessione, copia l'ID del account di servizio da utilizzare in un passaggio successivo.

bq

1. In un ambiente a riga di comando, crea una connessione:

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

   Il parametro --project_id sostituisce il progetto predefinito.

   Sostituisci quanto segue:

   • REGION: la regione di connessione
   • PROJECT_ID: il tuo ID progetto Google Cloud
   • CONNECTION_ID: un ID per la tua connessione

   Quando crei una risorsa di connessione, BigQuery crea un account di serviziot di sistema univoco e lo associa alla connessione.

   Risoluzione dei problemi: se viene visualizzato il seguente errore di connessione, aggiorna Google Cloud SDK:

   Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
   

2. Recupera e copia l'ID account di servizio da utilizzare in un passaggio successivo:

   bq show --connection PROJECT_ID.REGION.CONNECTION_ID

   L'output è simile al seguente:

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

Terraform

Utilizza la risorsa google_bigquery_connection.

Per eseguire l'autenticazione in BigQuery, configura le Credenziali predefinite dell'applicazione. Per saperne di più, vedi Configurare l'autenticazione per le librerie client.

Il seguente esempio crea una connessione di risorsa Cloud denominata my_cloud_resource_connection nella regione 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 {}
}

Per applicare la configurazione di Terraform in un progetto Google Cloud , completa i passaggi nelle sezioni seguenti.

Prepara Cloud Shell

1. Avvia Cloud Shell.

2. Imposta il progetto Google Cloud predefinito in cui vuoi applicare le configurazioni Terraform.

   Devi eseguire questo comando una sola volta per progetto e puoi eseguirlo in qualsiasi directory.

   export GOOGLE_CLOUD_PROJECT=PROJECT_ID

   Le variabili di ambiente vengono sostituite se imposti valori espliciti nel file di configurazione Terraform.

Prepara la directory

Ogni file di configurazione di Terraform deve avere la propria directory (chiamata anche modulo radice).

1. In Cloud Shell, crea una directory e un nuovo file al suo interno. Il nome file deve avere l'estensione .tf, ad esempio main.tf. In questo tutorial, il file viene denominato main.tf.

   mkdir DIRECTORY && cd DIRECTORY && touch main.tf

2. Se stai seguendo un tutorial, puoi copiare il codice campione in ogni sezione o passaggio.

   Copia il codice campione nel file main.tf appena creato.

   (Facoltativo) Copia il codice da GitHub. Questa operazione è consigliata quando lo snippet Terraform fa parte di una soluzione end-to-end.

3. Rivedi e modifica i parametri di esempio da applicare al tuo ambiente.
4. Salva le modifiche.
5. Inizializza Terraform. Devi effettuare questa operazione una sola volta per directory.

   terraform init

   (Facoltativo) Per utilizzare l'ultima versione del provider Google, includi l'opzione -upgrade:

   terraform init -upgrade

Applica le modifiche

1. Rivedi la configurazione e verifica che le risorse che Terraform creerà o aggiornerà corrispondano alle tue aspettative:

   terraform plan

   Apporta le correzioni necessarie alla configurazione.

2. Applica la configurazione di Terraform eseguendo il comando seguente e inserendo yes al prompt:

   terraform apply

   Attendi che Terraform visualizzi il messaggio "Apply complete!" (Applicazione completata).

3. Apri il tuo Google Cloud progetto per visualizzare i risultati. Nella console Google Cloud , vai alle risorse nell'interfaccia utente per assicurarti che Terraform le abbia create o aggiornate.

Console

1. Vai alla pagina IAM e amministrazione.

   Vai a IAM e amministrazione

2. Fai clic su person_add Concedi l'accesso.

3. In Nuove entità, inserisci l'ID account di servizio che hai copiato in precedenza.

4. Fai clic su Seleziona un ruolo.

5. In Filtro, digita Vertex AI Service Agent e seleziona il ruolo.

6. Fai clic su Salva.

gcloud

Utilizza il comando gcloud projects add-iam-policy-binding:

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

Sostituisci quanto segue:

• PROJECT_NUMBER: il numero del progetto.
• MEMBER: l'ID account di servizio che hai copiato in precedenza.

Colonna Prompt

Genera testo utilizzando una colonna della tabella per fornire il prompt.

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)
);

Sostituisci quanto segue:

• PROJECT_ID: il tuo ID progetto.
• DATASET_ID: l'ID del set di dati che contiene il modello.
• MODEL_NAME: il nome del modello.
• TABLE_NAME: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna il cui nome corrisponda al nome della colonna delle funzionalità nel modello ottimizzato. Il nome della colonna delle funzionalità nel modello può essere impostato utilizzando l'opzione PROMPT_COL durante la creazione del modello. In caso contrario, il nome della colonna della funzionalità nel modello è prompt per impostazione predefinita oppure puoi utilizzare un alias per utilizzare una colonna con un nome diverso.
• TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,8192]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. Il valore predefinito è 128.
• TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. Il valore predefinito è 0.

  I valori più bassi per temperature sono ideali per i prompt che richiedono una risposta più deterministica e meno aperta o creativa, mentre i valori più alti per temperature possono portare a risultati più diversificati o creativi. Un valore di 0 per temperature è deterministico, il che significa che viene sempre selezionata la risposta con la probabilità più alta.

• TOP_P: un valore FLOAT64 nell'intervallo [0.0,1.0] contribuisce a determinare la probabilità dei token selezionati. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Il valore predefinito è 0.95.
• FLATTEN_JSON: un valore BOOL che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito è FALSE.
• STOP_SEQUENCES: un valore ARRAY<STRING> che rimuove le stringhe specificate se sono incluse nelle risposte del modello. Le stringhe vengono confrontate esattamente, comprese le maiuscole. Il valore predefinito è un array vuoto.
• GROUND_WITH_GOOGLE_SEARCH: un valore BOOL che determina se il modello Vertex AI utilizza Grounding con la Ricerca Google durante la generazione delle risposte. La fondatezza consente al modello di utilizzare informazioni aggiuntive da internet quando genera una risposta, in modo da rendere le risposte del modello più specifiche e basate su fatti reali. Quando sia flatten_json_output sia questo campo sono impostati su True, nei risultati viene inclusa una colonna ml_generate_text_grounding_result aggiuntiva, che fornisce le fonti utilizzate dal modello per raccogliere informazioni aggiuntive. Il valore predefinito è FALSE.
• SAFETY_SETTINGS: un valore ARRAY<STRUCT<STRING AS category, STRING AS threshold>> che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento della struct specifica una categoria di danni, mentre il secondo elemento specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ogni categoria una sola volta. Ad esempio, non puoi specificare sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) che STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non è presente un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza BLOCK_MEDIUM_AND_ABOVE.

  Le categorie supportate sono le seguenti:

  • HARM_CATEGORY_HATE_SPEECH
  • HARM_CATEGORY_DANGEROUS_CONTENT
  • HARM_CATEGORY_HARASSMENT
  • HARM_CATEGORY_SEXUALLY_EXPLICIT

  Le soglie supportate sono le seguenti:

  • BLOCK_NONE (con accesso limitato)
  • BLOCK_LOW_AND_ABOVE
  • BLOCK_MEDIUM_AND_ABOVE (valore predefinito)
  • BLOCK_ONLY_HIGH
  • HARM_BLOCK_THRESHOLD_UNSPECIFIED

  Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e soglia di blocco.

• REQUEST_TYPE: un valore STRING che specifica il tipo di richiesta di inferenza da inviare al modello Gemini. Il tipo di richiesta determina la quota utilizzata dalla richiesta. I valori validi sono:
  • DEDICATED: La funzione ML.GENERATE_TEXT utilizza solo la quota di throughput di cui è stato eseguito il provisioning. La funzione ML.GENERATE_TEXT restituisce l'errore Provisioned throughput is not purchased or is not active se la quota di throughput con provisioning non è disponibile.
  • SHARED: La funzione ML.GENERATE_TEXT utilizza solo la quota condivisa dinamica (DSQ), anche se hai acquistato una quota di throughput di cui è stato eseguito il provisioning.
  • UNSPECIFIED: La funzione ML.GENERATE_TEXT utilizza la quota nel seguente modo:
    • Se non hai acquistato la quota di throughput di cui è stato eseguito il provisioning, la funzione ML.GENERATE_TEXT utilizza la quota DSQ.
    • Se hai acquistato una quota di throughput di cui è stato eseguito il provisioning, la funzione ML.GENERATE_TEXT utilizza prima la quota di throughput di cui è stato eseguito il provisioning. Se le richieste superano la quota di throughput di cui è stato eseguito il provisioning, il traffico in eccesso utilizza la quota DSQ.

  Il valore predefinito è UNSPECIFIED.

  Per ulteriori informazioni, consulta la sezione Utilizzare il throughput di Vertex AI di cui è stato eseguito il provisioning.

  L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza la colonna prompt della tabella prompts per il prompt.
  • Restituisce una risposta breve e moderatamente probabile.
  • Restituisce il testo generato e gli attributi di sicurezza in colonne separate.

  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));

Query prompt

Genera testo utilizzando una query per fornire il prompt.

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)
);

Sostituisci quanto segue:

• PROJECT_ID: il tuo ID progetto.
• DATASET_ID: l'ID del set di dati che contiene il modello.
• MODEL_NAME: il nome del modello.
• PROMPT_QUERY: una query che fornisce i dati del prompt.
• TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,8192]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. Il valore predefinito è 128.
• TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. Il valore predefinito è 0.

  I valori più bassi per temperature sono ideali per i prompt che richiedono una risposta più deterministica e meno aperta o creativa, mentre i valori più alti per temperature possono portare a risultati più diversificati o creativi. Un valore di 0 per temperature è deterministico, il che significa che viene sempre selezionata la risposta con la probabilità più alta.

• TOP_P: un valore FLOAT64 nell'intervallo [0.0,1.0] contribuisce a determinare la probabilità dei token selezionati. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Il valore predefinito è 0.95.
• FLATTEN_JSON: un valore BOOL che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito è FALSE.
• STOP_SEQUENCES: un valore ARRAY<STRING> che rimuove le stringhe specificate se sono incluse nelle risposte del modello. Le stringhe vengono confrontate esattamente, comprese le maiuscole. Il valore predefinito è un array vuoto.
• GROUND_WITH_GOOGLE_SEARCH: un valore BOOL che determina se il modello Vertex AI utilizza Grounding con la Ricerca Google durante la generazione delle risposte. La fondatezza consente al modello di utilizzare informazioni aggiuntive da internet quando genera una risposta, in modo da rendere le risposte del modello più specifiche e basate su fatti reali. Quando sia flatten_json_output sia questo campo sono impostati su True, nei risultati viene inclusa una colonna ml_generate_text_grounding_result aggiuntiva, che fornisce le fonti utilizzate dal modello per raccogliere informazioni aggiuntive. Il valore predefinito è FALSE.
• SAFETY_SETTINGS: un valore ARRAY<STRUCT<STRING AS category, STRING AS threshold>> che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento della struct specifica una categoria di danni, mentre il secondo elemento specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ogni categoria una sola volta. Ad esempio, non puoi specificare sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) che STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non è presente un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza BLOCK_MEDIUM_AND_ABOVE.

  Le categorie supportate sono le seguenti:

  • HARM_CATEGORY_HATE_SPEECH
  • HARM_CATEGORY_DANGEROUS_CONTENT
  • HARM_CATEGORY_HARASSMENT
  • HARM_CATEGORY_SEXUALLY_EXPLICIT

  Le soglie supportate sono le seguenti:

  • BLOCK_NONE (con accesso limitato)
  • BLOCK_LOW_AND_ABOVE
  • BLOCK_MEDIUM_AND_ABOVE (valore predefinito)
  • BLOCK_ONLY_HIGH
  • HARM_BLOCK_THRESHOLD_UNSPECIFIED

  Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e soglia di blocco.

• REQUEST_TYPE: un valore STRING che specifica il tipo di richiesta di inferenza da inviare al modello Gemini. Il tipo di richiesta determina la quota utilizzata dalla richiesta. I valori validi sono:
  • DEDICATED: La funzione ML.GENERATE_TEXT utilizza solo la quota di throughput di cui è stato eseguito il provisioning. La funzione ML.GENERATE_TEXT restituisce l'errore Provisioned throughput is not purchased or is not active se la quota di throughput con provisioning non è disponibile.
  • SHARED: La funzione ML.GENERATE_TEXT utilizza solo la quota condivisa dinamica (DSQ), anche se hai acquistato una quota di throughput di cui è stato eseguito il provisioning.
  • UNSPECIFIED: La funzione ML.GENERATE_TEXT utilizza la quota nel seguente modo:
    • Se non hai acquistato la quota di throughput di cui è stato eseguito il provisioning, la funzione ML.GENERATE_TEXT utilizza la quota DSQ.
    • Se hai acquistato una quota di throughput di cui è stato eseguito il provisioning, la funzione ML.GENERATE_TEXT utilizza prima la quota di throughput di cui è stato eseguito il provisioning. Se le richieste superano la quota di throughput di cui è stato eseguito il provisioning, il traffico in eccesso utilizza la quota DSQ.

  Il valore predefinito è UNSPECIFIED.

  Per ulteriori informazioni, consulta la sezione Utilizzare il throughput di Vertex AI di cui è stato eseguito il provisioning.

  Esempio 1

  L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Richiede un riepilogo del testo nella colonna body della tabella articles.
  • Restituisce una risposta moderatamente lunga e più probabile.
  • Restituisce il testo generato e gli attributi di sicurezza in colonne separate.

  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));

  Esempio 2

  L'esempio seguente mostra una richiesta con queste caratteristiche:

  • Utilizza una query per creare i dati del prompt concatenando stringhe che forniscono prefissi del prompt con le colonne della tabella.
  • Restituisce una risposta breve e moderatamente probabile.
  • Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.

  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));