ML.UNDERSTAND_TEXT 함수를 사용하여 텍스트 이해

이 문서에서는 ML.UNDERSTAND_TEXT 함수를 원격 모델과 함께 사용하여 BigQuery 표준 테이블의 텍스트에 자연어 텍스트 분석 함수를 수행하는 방법을 설명합니다.

BigQuery ML의 모델 추론에 대한 자세한 내용은 모델 추론 개요를 참조하세요.

각 SQL 문 및 함수의 지원되는 모델 유형과 각 모델 유형에 지원되는 모든 SQL 문 및 함수에 대한 자세한 내용은 각 모델의 엔드 투 엔드 사용자 경험을 참조하세요.

필수 권한

• 연결을 만들려면 다음 역할의 멤버십이 필요합니다.

  • roles/bigquery.connectionAdmin

• 연결의 서비스 계정에 권한을 부여하려면 다음 권한이 필요합니다.

  • resourcemanager.projects.setIamPolicy

• BigQuery ML을 사용하여 모델을 만들려면 다음 권한이 필요합니다.

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

• 추론을 실행하려면 다음 권한이 필요합니다.

  • 테이블에 대한 bigquery.tables.getData
  • 모델에 대한 bigquery.models.getData
  • bigquery.jobs.create

시작하기 전에

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

연결 만들기

클라우드 리소스 연결을 만들고 연결의 서비스 계정을 가져옵니다.

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 {}
}

서비스 계정에 액세스 권한 부여

다음 옵션 중 하나를 선택합니다.

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

다음을 바꿉니다.

• PROJECT_NUMBER: 프로젝트 번호
• MEMBER: 이전에 복사한 서비스 계정 ID

권한을 부여하지 않으면 오류가 발생합니다.

모델 만들기

CLOUD_AI_NATURAL_LANGUAGE_V1의 REMOTE_SERVICE_TYPE을 사용하여 원격 모델을 만듭니다.

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');

다음을 바꿉니다.

• PROJECT_ID: 프로젝트 ID
• DATASET_ID: 모델을 포함할 데이터 세트의 ID입니다. 이 데이터 세트는 사용 중인 연결과 동일한 위치에 있어야 합니다.
• MODEL_NAME: 모델의 이름
• REGION: 연결에 사용되는 리전
• CONNECTION_ID: 연결 ID(예: myconnection)

  Google Cloud 콘솔에서 연결 세부정보를 볼 때 연결 ID는 연결 ID에 표시되는 정규화된 연결 ID의 마지막 섹션에 있는 값입니다(예: projects/myproject/locations/connection_location/connections/myconnection).

텍스트 이해

ML.UNDERSTAND_TEXT 함수를 사용하여 텍스트 이해하기:

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)
);

다음을 바꿉니다.

• PROJECT_ID: 프로젝트 ID
• DATASET_ID: 모델이 포함된 데이터 세트의 ID
• MODEL_NAME: 모델의 이름
• TABLE_NAME: text_content라는 열을 분석하기 위한 텍스트가 포함된 테이블의 이름. 텍스트가 다른 이름의 열에 있으면 해당 열의 별칭으로 text_content를 지정합니다.
• QUERY: text_content라는 열에 설명할 텍스트가 포함된 쿼리. 텍스트가 다른 이름의 열에 있으면 해당 열의 별칭으로 text_content를 지정합니다.
• FEATURE_NAME: 지원되는 Natural Language API 기능의 이름

예시 1

다음 예시에서는 테이블의 text_content 열에서 텍스트를 검사하고 텍스트 내에서 우세한 감정의 의도를 식별합니다.

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

예시 2

다음 예시에서는 테이블의 comment 열에서 텍스트를 검사하고 텍스트에 대한 구문 정보를 제공합니다.

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

다음 단계

BigQuery ML 및 Vertex AI 선행 학습된 모델로 비정형 데이터 분석 노트북 사용해 보기