使用数据调优模型

本文档介绍了如何创建引用 Vertex AI 模型的 BigQuery ML 远程模型，然后配置该模型以执行监督调优。Vertex AI 模型必须是以下模型之一：

• gemini-1.5-pro-002
• gemini-1.5-flash-002
• gemini-1.0-pro-002（预览版）

创建远程模型后，您可以使用 ML.EVALUATE 函数来评估模型并确认模型的性能是否适合您的应用场景。然后，您可以将该模型与 ML.GENERATE_TEXT 函数结合使用来分析 BigQuery 表中的文本。

如需了解详情，请参阅 Vertex AI Gemini API 模型监督式调优。

所需权限

• 如需创建连接，您需要拥有以下 Identity and Access Management (IAM) 角色的成员资格：

  • roles/bigquery.connectionAdmin

• 如需向连接的服务账号授予权限，您需要以下权限：

  • resourcemanager.projects.setIamPolicy

• 如需使用 BigQuery ML 创建模型，您需要以下 IAM 权限：

  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData
  • bigquery.models.updateMetadata

• 如需运行推理，您需要以下权限：

  • 表的 bigquery.tables.getData 权限
  • 模型的 bigquery.models.getData 权限
  • bigquery.jobs.create

准备工作

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

   Go to project selector

2. Make sure that billing is enabled for your Google Cloud project.

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

   Enable the APIs

创建连接

创建 Cloud 资源连接并获取连接的服务账号。

从下列选项中选择一项：

# 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 {}
}

向连接的服务账号授予访问权限

向您的服务账号授予访问 Vertex AI 的权限。未授予权限会导致错误。从下列选项中选择一项：

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

与您的连接关联的服务账号是 BigQuery 连接委托服务代理的实例，因此可以为其分配服务代理角色。

创建使用监督式调优的模型

1. 在 Google Cloud 控制台中，转到 BigQuery 页面。

   转到 BigQuery

2. 在查询编辑器中，运行以下查询以创建远程模型：

   CREATE OR REPLACE MODEL
   `PROJECT_ID.DATASET_ID.MODEL_NAME`
   REMOTE WITH CONNECTION `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`;

   替换以下内容：

   • PROJECT_ID：要在其中创建模型的项目的项目 ID。
   • DATASET_ID：包含模型的数据集的 ID。 此数据集必须位于支持的流水线作业和模型上传区域中。
   • MODEL_NAME：模型的名称。
   • REGION：连接使用的区域。
   • CONNECTION_ID：BigQuery 连接的 ID。此连接必须与您使用的数据集位于同一位置。

     当您在 Google Cloud 控制台中查看连接详情时，它是连接 ID 中显示的完全限定连接 ID 的最后一部分中的值，例如 projects/myproject/locations/connection_location/connections/myconnection。

   • ENDPOINT：STRING 值，指定要使用的模型的名称。
   • MAX_ITERATIONS：INT64 值，指定为进行监督式调优而运行的步数。MAX_ITERATIONS 值必须在 1 到 ∞ 之间。

     Gemini 模型使用周期而非步骤进行训练，因此 BigQuery ML 会将 MAX_ITERATIONS 值转换为周期。MAX_ITERATIONS 的默认值为输入数据的行数，相当于一个 epoch。如需使用多个 epoch，请指定训练数据中行数的倍数。例如，如果您有 100 行输入数据，并且您想使用两个 epoch，请为参数值指定 200。如果您提供的值不是输入数据行数的倍数，BigQuery ML 会向上舍入到最近的纪元。 例如，如果您有 100 行输入数据，并为 MAX_ITERATIONS 值指定 101，则系统会进行两次迭代来执行训练。

     如需详细了解用于调优 Gemini 模型的参数，请参阅创建调优作业。

   • DATA_SPLIT_METHOD：STRING 值，指定将输入数据拆分为训练集和评估集的方法。有效选项如下：
     • AUTO_SPLIT：BigQuery ML 会自动拆分数据。数据的拆分方式因输入表中的行数而异。此设置为默认值。
     • RANDOM：数据在拆分为各个集之前会随机化。如需自定义数据拆分，您可以将此选项与 DATA_SPLIT_EVAL_FRACTION 选项结合使用。
     • CUSTOM：使用 DATA_SPLIT_COL 选项中提供的列拆分数据。DATA_SPLIT_COL 值必须是 BOOL 类型的列的名称。值为 TRUE 或 NULL 的行用作评估数据，值为 FALSE 的行用作训练数据。
     • SEQ：使用 DATA_SPLIT_COL 选项中提供的列拆分数据。DATA_SPLIT_COL 值必须是以下任一类型的列的名称：
       • NUMERIC
       • BIGNUMERIC
       • STRING
       • TIMESTAMP

       数据根据指定列从小到大排序。

       前 n 行用作评估数据，其中 n 是为 DATA_SPLIT_EVAL_FRACTION 指定的值。其余行用作训练数据。

     • NO_SPLIT：不拆分数据；所有输入数据都用作训练数据。

     如需详细了解这些数据拆分选项，请参阅 DATA_SPLIT_METHOD。

   • DATA_SPLIT_EVAL_FRACTION：FLOAT64 值，指定在执行监督式调优时用作评估数据的数据比例。必须是 [0, 1.0] 范围内的值。默认值为 0.2。

     当您指定 RANDOM 或 SEQ 作为 DATA_SPLIT_METHOD 选项的值时，请使用此选项。如需自定义数据拆分，您可以将 DATA_SPLIT_METHOD 选项与 DATA_SPLIT_EVAL_FRACTION 选项结合使用。

   • DATA_SPLIT_COL：STRING 值，指定用于将输入数据分类到训练集或评估集中的列的名称。在指定 CUSTOM 或 SEQ 作为 DATA_SPLIT_METHOD 选项的值时使用。
   • EVALUATION_TASK：STRING 值，指定您要对模型进行调优以执行的任务类型。有效选项包括：
     • TEXT_GENERATION
     • CLASSIFICATION
     • SUMMARIZATION
     • QUESTION_ANSWERING
     • UNSPECIFIED

     默认值为 UNSPECIFIED。

   • INPUT_PROMPT_COL：STRING 值，包含执行监督式调优时使用的训练数据表中提示列的名称。默认值为 prompt。
   • INPUT_LABEL_COLS：ARRAY<<STRING> 值，包含要在监督式调优中使用的训练数据表中标签列的名称。只能在数组中指定一个元素。默认值为空数组。这会使 label 成为 LABEL_COLUMN 参数的默认值。
   • PROMPT_COLUMN：训练数据表中包含用于评估 LABEL_COLUMN 列中内容的提示的列。此列必须是 STRING 类型或转换为 STRING。如果您为 INPUT_PROMPT_COL 选项指定了值，则必须为 PROMPT_COLUMN 指定相同的值。否则，此值必须为 prompt。如果您的表没有 prompt 列，请使用别名指定现有表列。例如 AS SELECT hint AS prompt, label FROM mydataset.mytable。
   • LABEL_COLUMN：训练数据表中包含用于训练模型的样本的列。此列必须是 STRING 类型或转换为 STRING。如果您为 INPUT_LABEL_COLS 选项指定了值，则必须为 LABEL_COLUMN 指定相同的值。否则，此值必须为 label。如果您的表没有 label 列，请使用别名指定现有表列。例如 AS SELECT prompt, feature AS label FROM mydataset.mytable。
   • TABLE_PROJECT_ID：包含训练数据表的项目的项目 ID。
   • TABLE_DATASET：包含训练数据表的数据集的名称。
   • TABLE_NAME：包含用于训练模型的数据的表的名称。

评估调优后的模型

1. 在 Google Cloud 控制台中，转到 BigQuery 页面。

   转到 BigQuery

2. 在查询编辑器中，运行以下查询以评估调优后模型：

   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));

   替换以下内容：

   • PROJECT_ID：包含该模型的项目的 ID。
   • DATASET_ID：包含该模型的数据集的 ID。
   • MODEL_NAME：模型的名称。
   • TABLE_PROJECT_ID：包含评估数据表的项目的项目 ID。
   • TABLE_DATASET：包含训练数据表的数据集的名称。
   • TABLE_NAME：包含评估数据的表的名称。

     表中必须有一列的名称与模型训练期间提供的提示列名称匹配。您可以在模型训练期间使用 prompt_col 选项提供此值。如果未指定 prompt_col，系统会使用训练数据中名为 prompt 的列。如果没有名为 prompt 的列，则会返回错误。

     表中必须有一列的名称与模型训练期间提供的标签列名称匹配。您可以在模型训练期间使用 input_label_cols 选项提供此值。如果未指定 input_label_cols，系统会使用训练数据中名为 label 的列。如果没有名为 label 的列，则会返回错误。

   • TASK_TYPE：一个 STRING 值，用于指定要为其评估模型的任务类型。有效选项包括：
     • TEXT_GENERATION
     • CLASSIFICATION
     • SUMMARIZATION
     • QUESTION_ANSWERING
     • UNSPECIFIED
   • TOKENS：一个 INT64 值，用于设置回答中可生成的词元数上限。此值必须在范围 [1,1024] 内。 指定较低的值可获得较短的回答，指定较高的值可获得较长的回答。默认值为 128。
   • TEMPERATURE：[0.0,1.0] 范围内的一个 FLOAT64 值，用于控制词元选择中的随机程度。默认值为 0。

     较低的 temperature 值适合需要更具确定性和较少开放性或创造性响应的提示，而较高的 temperature 值可以产生更具多样性或创造性的结果。temperature 的值为 0 表示确定性，即始终选择概率最高的回答。

   • TOP_K：[1,40] 范围内的一个 INT64 值，用于确定模型考虑选择的初始词元池。指定较低的值可获得随机程度较低的响应，指定较高的值可获得随机程度较高的响应。默认值为 40。
   • TOP_P：[0.0,1.0] 范围内的 FLOAT64 值有助于确定选择了 TOP_K 确定的池中的哪些词元。指定较低的值可获得随机程度较低的响应，指定较高的值可获得随机程度较高的响应。默认值为 0.95。

生成文本

使用 ML.GENERATE_TEXT 函数生成文本：

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)
);

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));

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)
);

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));

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));