Ottenere incorporamenti di testo

REST

Per ottenere gli incorporamenti di testo, invia una richiesta POST specificando l'endpoint del modello.

Per presentare una richiesta:

1. Salva i contenuti della richiesta in un file JSON denominato request.json. Il file deve essere simile al seguente esempio:

   {
     "instances": [
       {
         "content": "What is life?",
         "task_type": "",
         "title": ""
       }
     ]
   }
   

2. Invia la richiesta utilizzando lo strumento curl:

   curl -X POST \
   -H "Authorization: Bearer TOKEN"\
   -H "Content-Type: application/json; charset=utf-8" \
   -d @request.json \
   "https://ENDPOINT:443/v1/projects/PROJECT/locations/PROJECT/endpoints/MODEL:predict"
   

   Sostituisci quanto segue:

   • TOKEN: il token di autenticazione che hai ottenuto.
   • ENDPOINT: l'endpoint Text Embedding o Text Embedding Multilingual che utilizzi per la tua organizzazione. Per saperne di più, visualizza lo stato e gli endpoint del servizio.
   • PROJECT: il nome del progetto.

   • MODEL: il modello che vuoi utilizzare. Di seguito sono riportati i valori disponibili:

     • endpoint-text-embedding per il modello Text Embedding.
     • endpoint-text-embedding-multilingual per il modello Text Embedding Multilingual.

Devi ottenere una risposta JSON simile alla seguente:

{"predictions":[[-0.00668720435,3.20804138e-05,-0.0281705819,-0.00954890903,-0.0818724185,0.0150693133,-0.00677698106, …. ,0.0167487375,-0.0534791686,0.00208711182,0.032938987,-0.01491543]],"deployedModelId":"text-embedding","model":"models/text-embedding/1","modelDisplayName":"text-embedding","modelVersionId":"1"}

Python

Per ottenere gli incorporamenti di testo da uno script Python:

1. Installa la libreria client di Vertex AI Platform.

2. Salva i contenuti della richiesta in un file JSON denominato request.json. Il file deve essere simile al seguente esempio:

   {
     "instances": [
       {
         "content": "What is life?",
         "task_type": "",
         "title": ""
       }
     ]
   }
   

3. Installa le librerie Python richieste:

   pip install absl-py
   

4. Crea un file Python denominato client.py. Il file deve essere simile all'esempio seguente:

   import json
   import os
   from typing import Sequence
   
   import grpc
   from absl import app
   from absl import flags
   
   from google.protobuf import json_format
   from google.protobuf.struct_pb2 import Value
   from google.cloud.aiplatform_v1.services import prediction_service
   
   _INPUT = flags.DEFINE_string("input", None, "input", required=True)
   _HOST = flags.DEFINE_string("host", None, "Prediction endpoint", required=True)
   _ENDPOINT_ID = flags.DEFINE_string("endpoint_id", None, "endpoint id", required=True)
   _TOKEN = flags.DEFINE_string("token", None, "STS token", required=True)
   
   # ENDPOINT_RESOURCE_NAME is a placeholder value that doesn't affect prediction behavior.
   ENDPOINT_RESOURCE_NAME="projects/PROJECT/locations/PROJECT/endpoints/MODEL"
   
   os.environ["GRPC_DEFAULT_SSL_ROOTS_FILE_PATH"] = CERT_NAME
   
   # predict_client_secure builds a client that requires TLS
   def predict_client_secure(host):
     with open(os.environ["GRPC_DEFAULT_SSL_ROOTS_FILE_PATH"], 'rb') as f:
         creds = grpc.ssl_channel_credentials(f.read())
   
     channel_opts = ()
     channel_opts += (('grpc.ssl_target_name_override', host),)
     client = prediction_service.PredictionServiceClient(
         transport=prediction_service.transports.grpc.PredictionServiceGrpcTransport(
             channel=grpc.secure_channel(target=host+":443", credentials=creds, options=channel_opts)))
     return client
   
   def predict_func(client, instances, token):
     resp = client.predict(
         endpoint=ENDPOINT_RESOURCE_NAME,
         instances=instances,
         metadata=[ ("x-vertex-ai-endpoint-id", _ENDPOINT_ID.value), ("authorization", "Bearer " + token),])
     print(resp)
   
   def main(argv: Sequence[str]):
     del argv  # Unused.
     with open(_INPUT.value) as json_file:
         data = json.load(json_file)
         instances = [json_format.ParseDict(s, Value()) for s in data["instances"]]
   
     client = predict_client_secure(_HOST.value,)
   
     predict_func(client=client, instances=instances, token=_TOKEN.value)
   
   if __name__=="__main__":
     app.run(main)
   

   Sostituisci quanto segue:

   • PROJECT: il nome del progetto.
   • MODEL: il modello che vuoi utilizzare. Di seguito sono riportati i valori disponibili:
     • endpoint-text-embedding per il modello Text Embedding.
     • endpoint-text-embedding-multilingual per il modello Text Embedding Multilingual.
   • CERT_NAME: il nome del file del certificato dell'autorità di certificazione (CA), ad esempio org-1-trust-bundle-ca.cert. Hai bisogno di questo valore solo se ti trovi in un ambiente di sviluppo. In caso contrario, omettilo.

5. Invia una richiesta:

   python client.py --token=TOKEN --host=ENDPOINT --input=request.json --endpoint_id=MODEL
   

   Sostituisci quanto segue:

   • TOKEN: il token di autenticazione che hai ottenuto.
   • ENDPOINT: l'endpoint Text Embedding o Text Embedding Multilingual che utilizzi per la tua organizzazione. Per saperne di più, visualizza lo stato e gli endpoint del servizio.

   • MODEL: il modello che vuoi utilizzare. Di seguito sono riportati i valori disponibili:

     • endpoint-text-embedding per il modello Text Embedding.
     • endpoint-text-embedding-multilingual per il modello Text Embedding Multilingual.

Devi ottenere una risposta JSON simile alla seguente:

{"predictions":[[-0.00668720435,3.20804138e-05,-0.0281705819,-0.00954890903,-0.0818724185,0.0150693133,-0.00677698106, …. ,0.0167487375,-0.0534791686,0.00208711182,0.032938987,-0.01491543]],"deployedModelId":"text-embedding","model":"models/text-embedding/1","modelDisplayName":"text-embedding","modelVersionId":"1"}