在 Vertex AI 上使用遠端模型進行預測

---

在本教學課程中，您會在 BigQuery 中將 Vertex AI 端點註冊為遠端模型。接著，您可以使用 ML.PREDICT 函式，透過遠端模型進行預測。

當模型過大而無法匯入 BigQuery 時，您可以使用遠端模型。如要針對線上、批次和微批次用途使用單一推論點，這項功能也能派上用場。

注意： 如要查看使用 BigQuery 筆記本中 Python 的教學課程版本，請參閱 GitHub 中的 BQML 遠端模型教學課程。

目標

• 將預先訓練的 TensorFlow 模型匯入 Vertex AI Model Registry。
• 將模型部署至 Vertex AI 端點。
• 建立 Cloud 資源連線。
• 使用 CREATE MODEL 陳述式在 BigQuery 中建立遠端模型。
• 使用 ML.PREDICT 函式，透過遠端模型進行預測。

費用

在本文件中，您會使用 Google Cloud的下列計費元件：

• BigQuery
• BigQuery ML
• Vertex AI

如要根據預測用量估算費用，請使用 Pricing Calculator。

初次使用 Google Cloud 的使用者可能符合免費試用資格。

完成本文所述工作後，您可以刪除已建立的資源，避免繼續計費。詳情請參閱清除所用資源一節。

事前準備

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.

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

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

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

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

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

2. Enable the BigQuery, Vertex AI, Cloud Storage, and BigQuery Connection APIs.

   Enable the APIs

3. 請確認您具備必要權限，可以執行本文中的工作。

必要的角色

如果您建立新專案，您就是專案擁有者，並會獲得完成本教學課程所需的所有 IAM 權限。

如果您使用現有專案，請執行下列操作。

Make sure that you have the following role or roles on the project:

• BigQuery Studio Admin (roles/bigquery.studioAdmin)
• Vertex AI User (roles/aiplatform.user)
• BigQuery Connection Admin (roles/bigquery.connectionAdmin)

Check for the roles

1. In the Google Cloud console, go to the IAM page.

   Go to IAM
2. Select the project.

3. In the Principal column, find all rows that identify you or a group that you're included in. To learn which groups you're included in, contact your administrator.

4. For all rows that specify or include you, check the Role column to see whether the list of roles includes the required roles.

Grant the roles

1. In the Google Cloud console, go to the IAM page.

   前往「IAM」頁面
2. 選取專案。
3. 按一下「授予存取權」。

4. 在「New principals」(新增主體) 欄位中，輸入您的使用者 ID。 這通常是 Google 帳戶的電子郵件地址。

5. 在「Select a role」(選取角色) 清單中，選取角色。
6. 如要授予其他角色，請按一下 「新增其他角色」，然後新增每個其他角色。
7. 按一下 [Save]。

如要進一步瞭解 BigQuery 中的 IAM 權限，請參閱「BigQuery 權限」。

將模型匯入 Vertex AI Model Registry

在本教學課程中，您將使用 Cloud Storage 中 gs://cloud-samples-data/bigquery/ml/remote_model_tutorial/ 提供的預先訓練 TensorFlow 模型。Cloud Storage 值區位於 US 多區域位置。

模型是名為 saved_model.pb 的 TensorFlow 模型。這是自訂情緒分析模型，以純文字 IMDB 電影評論資料微調 BERT 模型而建立。模型會使用電影評論的文字輸入內容，並傳回介於 0 到 1 之間的情緒分數。將模型匯入 Model Registry 時，您會使用預先建構的 TensorFlow 容器。

注意： 如需建立範例模型的教學課程，請參閱 TensorFlow 說明文件中的「使用 BERT 分類文字」。

請按照下列步驟匯入模型。

1. 前往 Google Cloud 控制台的 Vertex AI「Model Registry」頁面。

   前往 Model Registry

2. 按一下「匯入」。

3. 在「步驟一：名稱和區域」中，執行下列操作：

   1. 選取「匯入為新模型」。

   2. 在「Name」(名稱) 中輸入 bert_sentiment。

   3. 在「Description」(說明) 中輸入 BQML tutorial model。

   4. 在「Region」(區域) 中選取 us-central1。您必須選擇美國境內的區域，因為 Cloud Storage bucket 位於US多區域US位置。

   5. 按一下「繼續」。

4. 如要完成步驟二：模型設定，請執行下列操作：

   1. 選取「將模型構件匯入新的預建容器」。

   2. 在「預先建構的容器設定」部分，執行下列操作：

      1. 在「Model framework」(模型架構) 中選擇「TensorFlow」。

      2. 在「Model framework version」(模型架構版本) 中選擇「2.15」。

      3. 在「Accelerator type」(加速器類型) 部分，選擇「GPU」。

      4. 在「模型構件位置」中輸入 gs://cloud-samples-data/bigquery/ml/remote_model_tutorial/。

      5. 其餘選項均保留預設值，然後按一下「Import」(匯入)。

匯入完成後，模型會顯示在「模型登錄」頁面。

將模型部署至 Vertex AI 端點

請按照下列步驟將模型部署至端點。

1. 前往 Google Cloud 控制台的 Vertex AI「Model Registry」頁面。

   前往 Model Registry

2. 在「Name」(名稱) 欄中，按一下 bert_sentiment。

3. 按一下「Deploy & Test」(部署及測試) 分頁標籤。

4. 按一下「Deploy to endpoint」(部署至端點)。

5. 如要完成步驟一「定義端點」，請執行下列操作：

   1. 按一下「建立新端點」。

   2. 在「端點名稱」部分，輸入 bert sentiment endpoint。

   3. 保留其餘預設值，然後按一下「繼續」。

6. 在第二個步驟「模型設定」中，請執行下列操作：

   1. 在「Compute settings」(運算設定) 區段中，為「Minimum number of compute nodes」(運算節點數量下限) 輸入 1。這是模型隨時可用的節點數量。

      注意： 在正式版中，您應設定運算節點數量上限。 這個選項會啟用 Vertex AI 的自動調度功能，
      讓端點在 BigQuery 資料表有大量資料列時，可以處理更多要求。

   2. 在「Advanced scaling options」(進階縮放選項) 區段中，針對「Machine type」(機型)，選擇「Standard (n1-standard-2)」(標準 (n1-standard-2))。由於您在匯入模型時選擇 GPU 做為加速器類型，因此選擇機器類型後，系統會自動設定加速器類型和加速器數量。

   3. 保留其餘預設值，然後按一下「部署」。

      模型部署到端點後，狀態會變更為 Active。

   4. 複製「ID」欄中的數字端點 ID，以及「Region」欄中的值。稍後會用到。

建立資料集

建立 BigQuery 資料集來儲存機器學習模型。

控制台

1. 前往 Google Cloud 控制台的「BigQuery」頁面。

   前往 BigQuery 頁面

2. 在「Explorer」窗格中，按一下專案名稱。

3. 依序點按 「View actions」(查看動作) >「Create dataset」(建立資料集)。

   

4. 在「建立資料集」頁面中，執行下列操作：

   • 在「Dataset ID」(資料集 ID) 中輸入 bqml_tutorial。

   • 針對「Location type」(位置類型) 選取「Multi-region」(多區域)，然後選取「US (multiple regions in United States)」(us (多個美國區域))。

   • 其餘設定請保留預設狀態，然後按一下「Create dataset」(建立資料集)。

bq

如要建立新的資料集，請使用 bq mk 指令搭配 --location 旗標。如需可能的完整參數清單，請參閱 bq mk --dataset 指令參考資料。

1. 建立名為「bqml_tutorial」的資料集，並將資料位置設為「US」，以及說明設為「BigQuery ML tutorial dataset」：

   bq --location=US mk -d \
    --description "BigQuery ML tutorial dataset." \
    bqml_tutorial

   這個指令採用 -d 捷徑，而不是使用 --dataset 旗標。如果您省略 -d 和 --dataset，該指令預設會建立資料集。

2. 確認資料集已建立完成：

   bq ls

API

請呼叫 datasets.insert 方法，搭配已定義的資料集資源。

{
  "datasetReference": {
     "datasetId": "bqml_tutorial"
  }
}

BigQuery DataFrames

在嘗試這個範例之前，請按照使用 BigQuery DataFrames 的 BigQuery 快速入門導覽課程中的 BigQuery DataFrames 設定說明操作。 詳情請參閱 BigQuery DataFrames 參考說明文件。

如要向 BigQuery 進行驗證，請設定應用程式預設憑證。 詳情請參閱「為本機開發環境設定 ADC」。

import google.cloud.bigquery

bqclient = google.cloud.bigquery.Client()
bqclient.create_dataset("bqml_tutorial", exists_ok=True)

建立 BigQuery Cloud 資源連線

您必須建立 Cloud 資源連線，才能連至 Vertex AI 端點。

主控台

1. 前往「BigQuery」頁面

   前往 BigQuery

2. 在「Explorer」窗格中，按一下 「新增資料」。

   「新增資料」對話方塊隨即開啟。

3. 在「Filter By」(依條件篩選) 窗格的「Data Source Type」(資料來源類型) 區段中，選取「Databases」(資料庫)。

   或者，您也可以在「Search for data sources」(搜尋資料來源) 欄位中輸入 Vertex AI。

4. 在「精選資料來源」部分，按一下「Vertex AI」。

5. 按一下「Vertex AI Models: BigQuery Federation」解決方案資訊卡。

6. 在「連線類型」清單中，選取「Vertex AI 遠端模型、遠端函式和 BigLake (Cloud 資源)」。

7. 在「連線 ID」欄位中輸入 bqml_tutorial。

8. 確認已選取「Multi-region—US」(多區域 - 美國)。

9. 點選「建立連線」。

10. 按一下視窗底部的「前往連線」。或者，在「Explorer」窗格中，展開「外部連線」，然後點選 us.bqml_tutorial。

11. 在「連線資訊」窗格，複製服務帳戶 ID。設定連線的權限時，您需要這個 ID。建立連線資源時，BigQuery 會建立專屬的系統服務帳戶，並將其與連線建立關聯。

bq

1. 建立連線：

   bq mk --connection --location=US --project_id=PROJECT_ID \
       --connection_type=CLOUD_RESOURCE bqml_tutorial

   將 PROJECT_ID 替換為您的專案 ID。Google Cloud --project_id 參數會覆寫預設專案。

   建立連線資源時，BigQuery 會建立專屬的系統服務帳戶，並將其與連線建立關聯。

   疑難排解：如果收到下列連線錯誤訊息，請更新 Google Cloud SDK：

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

2. 擷取並複製服務帳戶 ID，以供後續步驟使用：

   bq show --connection PROJECT_ID.us.bqml_tutorial

   輸出結果會與下列內容相似：

   name                          properties
   1234.REGION.CONNECTION_ID {"serviceAccountId": "[e-mail]"}
   

設定連線存取權

為 Cloud 資源連線的服務帳戶授予 Vertex AI 使用者角色。您必須在建立遠端模型端點的專案中授予這個角色。

注意： 如果連線位於其他專案中，系統會傳回以下錯誤： [e-mail] does not have the permission to access resource。

如要授予角色，請按照下列步驟操作：

1. 前往「IAM & Admin」(IAM 與管理) 頁面。

   前往「IAM & Admin」(IAM 與管理)

2. 按一下 「授予存取權」。

3. 在「新增主體」欄位，輸入先前複製的 Cloud 資源連結服務帳戶 ID。

4. 在「請選擇角色」欄位中，依序選取「Vertex AI」和「Vertex AI 使用者」。

5. 按一下 [儲存]。

建立 BigQuery ML 遠端模型

您可以使用 REMOTE WITH CONNECTION 子句搭配 CREATE MODEL 陳述式，建立 BigQuery ML 遠端模型。如要進一步瞭解 CREATE MODEL 陳述式，請參閱「透過自訂模型建立遠端模型的 CREATE MODEL 陳述式」。

您在 US 多地區位置建立模型。在 BigQuery 多區域 (US、EU) 資料集中，您只能建立連結至端點的遠端模型，該端點部署在相同多區域位置 (US、EU) 內的區域。

建立遠端模型時，需要將模型部署至 Vertex AI 時產生的端點 ID。此外，輸入和輸出欄位名稱與類型必須與 Vertex AI 模型的輸入和輸出完全相同。在這個範例中，輸入內容為文字 STRING，輸出內容則為 FLOAT64 類型的 ARRAY。

控制台

1. 前往 Google Cloud 控制台的「BigQuery」頁面。

   前往 BigQuery

2. 如要建立新查詢，請按一下「SQL 查詢」。

3. 在查詢編輯器中輸入這項 CREATE MODEL 陳述式，然後按一下「執行」：

   CREATE OR REPLACE MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`
   INPUT (text STRING)
   OUTPUT(scores ARRAY<FLOAT64>)
   REMOTE WITH CONNECTION `PROJECT_ID.us.bqml_tutorial`
   OPTIONS(ENDPOINT = 'https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/endpoints/ENDPOINT_ID')

   更改下列內容：

   • PROJECT_ID：您的專案名稱。
   • ENDPOINT_ID：您先前複製的端點 ID。

   作業完成後，您會看到類似 Successfully created model named bert_sentiment 的訊息。

   新模型會顯示在「資源」面板中。模型會以模型圖示 來表示。

   在「Resources」(資源) 面板中選取新模型，「Query editor」(查詢編輯器) 下方就會顯示該模型的相關資訊。

bq

1. 輸入下列 CREATE MODEL 陳述式，建立遠端模型：

   bq query --use_legacy_sql=false \
   "CREATE OR REPLACE MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`
   INPUT (text STRING)
   OUTPUT(scores ARRAY<FLOAT64>)
   REMOTE WITH CONNECTION `PROJECT_ID.us.bqml_tutorial`
   OPTIONS(ENDPOINT = 'https://us-central1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/us-central1/endpoints/ENDPOINT_ID')"

   更改下列內容：

   • PROJECT_ID：您的專案名稱。
   • ENDPOINT_ID：您先前複製的端點 ID。

2. 建立模型後，請確認模型是否顯示在資料集中：

   bq ls -m bqml_tutorial

   輸出結果會與下列內容相似：

   Id               Model Type   Labels    Creation Time
   ---------------- ------------ -------- -----------------
   bert_sentiment                         28 Jan 17:39:43

使用 ML.PREDICT 取得預測結果

您可以使用 ML.PREDICT 函式，從遠端模型取得情緒預測結果。輸入內容是文字資料欄 (review)，內含 bigquery-public-data.imdb.reviews 資料表的電影評論。

在本例中，我們選取了 10,000 筆記錄，並傳送這些記錄進行預測。遠端模型預設會為要求提供 128 個執行個體的批次大小。

控制台

1. 前往 Google Cloud 控制台的「BigQuery」頁面。

   前往 BigQuery

2. 在「建立新項目」部分，按一下「SQL 查詢」。

3. 在查詢編輯器中，輸入使用 ML.PREDICT 函式的查詢，然後按一下「執行」。

   SELECT *
   FROM ML.PREDICT (
       MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`,
       (
           SELECT review as text
           FROM `bigquery-public-data.imdb.reviews`
           LIMIT 10000
       )
   )

   查詢結果應與下列內容類似：

   

bq

輸入下列指令，執行使用 ML.PREDICT 的查詢。

bq query --use_legacy_sql=false \
'SELECT *
FROM ML.PREDICT (
MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`,
  (
    SELECT review as text
    FROM `bigquery-public-data.imdb.reviews`
    LIMIT 10000
  )
)'

清除所用資源

如要避免系統向您的 Google Cloud 帳戶收取本教學課程中所用資源的相關費用，請刪除含有該項資源的專案，或者保留專案但刪除個別資源。

刪除專案

控制台

注意：刪除專案會造成以下結果：

• 專案中的所有內容都會遭到刪除。 如果您使用現有專案來進行本文中的工作，刪除專案將一併刪除其中已完成的所有工作。
• 自訂的專案 ID 會消失。當您之前建立這個專案時，可能建立了想要在日後使用的自訂專案 ID。如要保留使用該專案 ID 的網址 (例如 appspot.com 網址)，請刪除在該專案中選取的資源，而不是刪除整個專案。

如果打算探索多種架構、教學課程或快速入門導覽課程，重複使用專案有助於避免超出專案配額限制。

1. In the Google Cloud console, go to the Manage resources page.

   Go to Manage resources

2. In the project list, select the project that you want to delete, and then click Delete.
3. In the dialog, type the project ID, and then click Shut down to delete the project.

gcloud

注意：刪除專案會造成以下結果：

• 專案中的所有內容都會遭到刪除。 如果您使用現有專案來進行本文中的工作，刪除專案將一併刪除其中已完成的所有工作。
• 自訂的專案 ID 會消失。當您之前建立這個專案時，可能建立了想要在日後使用的自訂專案 ID。如要保留使用該專案 ID 的網址 (例如 appspot.com 網址)，請刪除在該專案中選取的資源，而不是刪除整個專案。

如果打算探索多種架構、教學課程或快速入門導覽課程，重複使用專案有助於避免超出專案配額限制。

Delete a Google Cloud project:

gcloud projects delete PROJECT_ID

刪除個別資源

或者，如要移除本教學課程中使用的個別資源，請按照下列步驟操作：

1. 刪除模型。

2. 選用：刪除資料集。

3. 取消部署模型並刪除端點。

4. 從 Model Registry 刪除模型。

5. 刪除 Cloud 資源連線。

後續步驟

• 如需 BigQuery ML 的總覽，請參閱 BigQuery ML 中的 AI 和 ML 簡介。
• 如要進一步瞭解如何使用 CREATE MODEL 陳述式建立遠端模型，請參閱透過自訂模型建立遠端模型的 CREATE MODEL 陳述式。
• 如要進一步瞭解如何使用 BigQuery 筆記本，請參閱筆記本簡介。
• 如要進一步瞭解 BigQuery 地區和多重地區，請參閱「支援的地區」頁面。
• 如要進一步瞭解如何在 Vertex AI Model Registry 中匯入模型，請參閱「將模型匯入 Vertex AI」。
• 如要進一步瞭解 Vertex AI Model Registry 中的模型版本控管，請參閱「使用 Model Registry 進行模型版本控管」。
• 如要瞭解如何使用 Vertex AI VPC Service Controls，請參閱「搭配使用 VPC Service Controls 與 Vertex AI」。