Comprendere il testo con la funzione ML.UNDERSTAND_TEXT

Questo documento descrive come utilizzare la funzione ML.UNDERSTAND_TEXT con un modello remoto per eseguire una funzione di analisi del testo in linguaggio naturale sul testo di una tabella standard BigQuery.

Per informazioni sull'inferenza del modello in BigQuery ML, consulta Panoramica dell'inferenza del modello.

Per informazioni sui tipi di modelli supportati di ogni istruzione e funzione SQL, nonché su tutte le istruzioni e le funzioni SQL supportate per ogni tipo di modello, consulta Percorso utente end-to-end per ogni modello.

Autorizzazioni obbligatorie

• Per creare una connessione, devi disporre del seguente ruolo:

  • roles/bigquery.connectionAdmin

• Per concedere le autorizzazioni all'account di servizio della connessione, devi disporre della seguente autorizzazione:

  • resourcemanager.projects.setIamPolicy

• Per creare il modello utilizzando BigQuery ML, sono necessarie le seguenti autorizzazioni:

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

• Per eseguire l'inferenza, devi disporre delle seguenti autorizzazioni:

  • bigquery.tables.getData sul tavolo
  • bigquery.models.getData sul modello
  • bigquery.jobs.create

Prima di iniziare

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

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

   Go to project selector

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

4. Enable the BigQuery, BigQuery Connection API, and Cloud Natural Language API APIs.

   Enable the APIs

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

   Go to project selector

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

7. Enable the BigQuery, BigQuery Connection API, and Cloud Natural Language API APIs.

   Enable the APIs

Crea una connessione

Crea una connessione della risorsa cloud e recupera il account di servizio della connessione.

Seleziona una delle seguenti opzioni:

# 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 {}
}

Concedi l'accesso all'account di servizio

Seleziona una delle seguenti opzioni:

gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/serviceusage.serviceUsageConsumer' --condition=None
gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/bigquery.connectionUser' --condition=None

Sostituisci quanto segue:

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

La mancata concessione dell'autorizzazione comporta un errore.

crea un modello

Crea un modello remoto con un REMOTE_SERVICE_TYPE di CLOUD_AI_NATURAL_LANGUAGE_V1:

CREATE OR REPLACE MODEL
`PROJECT_ID.DATASET_ID.MODEL_NAME`
REMOTE WITH CONNECTION PROJECT_ID.REGION.CONNECTION_ID
OPTIONS (REMOTE_SERVICE_TYPE = 'CLOUD_AI_NATURAL_LANGUAGE_V1');

Sostituisci quanto segue:

• PROJECT_ID: il tuo ID progetto.
• DATASET_ID: l'ID del set di dati che deve contenere il modello. Questo set di dati deve trovarsi nella stessa località della connessione che stai utilizzando.
• MODEL_NAME: il nome del modello.
• REGION: la regione utilizzata dalla connessione.
• CONNECTION_ID: l'ID connessione, ad esempio myconnection.

  Quando visualizzi i dettagli della connessione nella console Google Cloud, l'ID connessione è il valore nell'ultima sezione dell'ID connessione completo visualizzato in ID connessione, ad esempio projects/myproject/locations/connection_location/connections/myconnection.

Comprendere il testo

Comprendi il testo con la funzione ML.UNDERSTAND_TEXT:

SELECT *
FROM ML.UNDERSTAND_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  { TABLE PROJECT_ID.DATASET_ID.TABLE_NAME | (QUERY) },
  STRUCT('FEATURE_NAME' AS nlu_option)
);

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 testo da analizzare in una colonna denominata text_content. Se il testo si trova in una colonna con un nome diverso, specifica text_content come alias per la colonna.
• QUERY: una query contenente il testo da descrivere in una colonna denominata text_content. Se il testo si trova in una colonna con un nome diverso, specifica text_content come alias per quella colonna.
• FEATURE_NAME: il nome di una funzionalità dell'API Natural Language supportata.

Esempio 1

L'esempio seguente esamina il testo nella colonna text_content della tabella e identifica l'opinione emotiva prevalente al suo interno:

SELECT * FROM ML.UNDERSTAND_TEXT(
  MODEL `mydataset.mynlpmodel`,
  TABLE mydataset.mytable,
  STRUCT('analyze_sentiment' AS nlu_option)
);

Esempio 2

L'esempio seguente esamina il testo nella colonna comment della tabella e fornisce informazioni sintattiche sul testo:

SELECT * FROM ML.UNDERSTAND_TEXT(
  MODEL `mydataset.mynlpmodel`,
  (SELECT comment AS text_content from mydataset.mytable),
  STRUCT('analyze_syntax' AS nlu_option)
);

Passaggi successivi

Prova il notebook Analisi dei dati non strutturati con BigQuery ML e modelli pre-addestrati di Vertex AI.