Neste tutorial, regista um ponto final do Vertex AI como um modelo remoto no BigQuery. Em seguida, usa a ML.PREDICT
função para fazer
previsões com o modelo remoto.
Pode usar modelos remotos quando um modelo é demasiado grande para importar para o BigQuery. Também são úteis quando quer ter um único ponto de inferência para exemplos de utilização online, em lote e em microlotes.
Objetivos
- Importe um modelo do TensorFlow pré-treinado para o Registo de modelos do Vertex AI.
- Implemente o modelo num ponto final do Vertex AI.
- Crie uma associação de recursos da nuvem.
- Use a declaração
CREATE MODEL
para criar um modelo remoto no BigQuery. - Use a função
ML.PREDICT
para fazer previsões com o modelo remoto.
Custos
Neste documento, usa os seguintes componentes faturáveis do Google Cloud:
Para gerar uma estimativa de custos com base na sua utilização projetada,
use a calculadora de preços.
Quando terminar as tarefas descritas neste documento, pode evitar a faturação contínua eliminando os recursos que criou. Para mais informações, consulte o artigo Limpe.
Antes de começar
- 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.
Roles required to select or create a project
- Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
-
Create a project: To create a project, you need the Project Creator
(
roles/resourcemanager.projectCreator
), which contains theresourcemanager.projects.create
permission. Learn how to grant roles.
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
Roles required to select or create a project
- Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
-
Create a project: To create a project, you need the Project Creator
(
roles/resourcemanager.projectCreator
), which contains theresourcemanager.projects.create
permission. Learn how to grant roles.
-
Verify that billing is enabled for your Google Cloud project.
-
Enable the BigQuery, Vertex AI, Cloud Storage, and BigQuery Connection APIs.
Roles required to enable APIs
To enable APIs, you need the Service Usage Admin IAM role (
roles/serviceusage.serviceUsageAdmin
), which contains theserviceusage.services.enable
permission. Learn how to grant roles. - Certifique-se de que tem as autorizações necessárias para realizar as tarefas descritas neste documento.
- BigQuery Studio Admin (
roles/bigquery.studioAdmin
) - Vertex AI User (
roles/aiplatform.user
) - BigQuery Connection Admin (
roles/bigquery.connectionAdmin
) -
In the Google Cloud console, go to the IAM page.
Go to IAM - Select the project.
-
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.
- For all rows that specify or include you, check the Role column to see whether the list of roles includes the required roles.
-
In the Google Cloud console, go to the IAM page.
Aceder ao IAM - Selecione o projeto.
- Clique em Conceder acesso.
-
No campo Novos responsáveis, introduza o identificador do utilizador. Normalmente, este é o endereço de email de uma Conta Google.
- Na lista Selecionar uma função, selecione uma função.
- Para conceder funções adicionais, clique em Adicionar outra função e adicione cada função adicional.
- Clique em Guardar.
Na Google Cloud consola, aceda à página Registo de modelos do Vertex AI.
Clique em Importar.
Para o Passo um: nome e região, faça o seguinte:
Selecione Importar como novo modelo.
Em Nome, introduza
bert_sentiment
.Em Descrição, introduza
BQML tutorial model
.Para Região, selecione
us-central1
. Tem de escolher uma região sediada nos EUA, porque o contentor do Cloud Storage está na localizaçãoUS
multirregional.Clique em Continuar.
Para o Passo dois: definições do modelo, faça o seguinte:
Selecione Importar artefactos do modelo para um novo contentor pré-criado.
Na secção Definições do contentor pré-criado, faça o seguinte:
Para Estrutura do modelo, escolha TensorFlow.
Para Versão da estrutura do modelo, escolha 2.15.
Para Tipo de acelerador, escolha GPU.
Para Localização do artefacto do modelo, introduza
gs://cloud-samples-data/bigquery/ml/remote_model_tutorial/
.Deixe os valores predefinidos para todas as opções restantes e clique em Importar.
Na Google Cloud consola, aceda à página Registo de modelos do Vertex AI.
Na coluna Nome, clique em
bert_sentiment
.Clique no separador Implementar e testar.
Clique em Implementar no ponto final.
Para o passo um, Defina o seu ponto final, faça o seguinte:
Clique em Criar novo ponto final.
Para Nome do ponto final, introduza
bert sentiment endpoint
.Deixe os restantes valores predefinidos e clique em Continuar.
Para o passo dois, Definições do modelo, faça o seguinte:
Na secção Definições de computação, para Número mínimo de nós de computação, introduza
1
. Este é o número de nós que têm de estar disponíveis para o modelo em todos os momentos.Na secção Opções de escalabilidade avançadas, para Tipo de máquina, escolha Padrão (n1-standard-2). Uma vez que escolheu GPU como o tipo de acelerador quando importou o modelo, depois de escolher o tipo de máquina, o tipo de acelerador e a quantidade de aceleradores são definidos automaticamente.
Deixe os restantes valores predefinidos e clique em Implementar.
Quando o modelo é implementado no ponto final, o estado muda para
Active
.Copie o ID numérico do ponto final na coluna ID e o valor na coluna Região. Vai precisar delas mais tarde.
Na Google Cloud consola, aceda à página BigQuery.
No painel Explorador, clique no nome do projeto.
Clique em
Ver ações > Criar conjunto de dadosNa página Criar conjunto de dados, faça o seguinte:
Para o ID do conjunto de dados, introduza
bqml_tutorial
.Em Tipo de localização, selecione Várias regiões e, de seguida, selecione EUA (várias regiões nos Estados Unidos).
Deixe as restantes predefinições como estão e clique em Criar conjunto de dados.
Crie um conjunto de dados com o nome
bqml_tutorial
com a localização dos dados definida comoUS
e uma descrição deBigQuery ML tutorial dataset
:bq --location=US mk -d \ --description "BigQuery ML tutorial dataset." \ bqml_tutorial
Em vez de usar a flag
--dataset
, o comando usa o atalho-d
. Se omitir-d
e--dataset
, o comando cria um conjunto de dados por predefinição.Confirme que o conjunto de dados foi criado:
bq ls
Aceda à página do BigQuery.
No painel Explorador, clique em
Adicionar dados.É apresentada a caixa de diálogo Adicionar dados.
No painel Filtrar por, na secção Tipo de origem de dados, selecione Bases de dados.
Em alternativa, no campo Pesquisar origens de dados, pode introduzir
Vertex AI
.Na secção Origens de dados em destaque, clique em Vertex AI.
Clique no cartão da solução Modelos da Vertex AI: federação do BigQuery.
Na lista Tipo de ligação, selecione Modelos remotos da Vertex AI, funções remotas e BigLake (recurso da nuvem).
No campo ID da associação, introduza
bqml_tutorial
.Verifique se a opção Várias regiões: EUA está selecionada.
Clique em Criar associação.
Na parte inferior da janela, clique em Aceder à associação. Em alternativa, no painel Explorador, expanda Ligações externas e, de seguida, clique em
us.bqml_tutorial
.No painel Informações de associação, copie o ID da conta de serviço. Precisa deste ID quando configurar as autorizações para a associação. Quando cria um recurso de ligação, o BigQuery cria uma conta de serviço do sistema exclusiva e associa-a à ligação.
Crie uma associação:
bq mk --connection --location=US --project_id=PROJECT_ID \ --connection_type=CLOUD_RESOURCE bqml_tutorial
Substitua
PROJECT_ID
pelo ID do seu projeto.Google Cloud O parâmetro--project_id
substitui o projeto predefinido.Quando cria um recurso de ligação, o BigQuery cria uma conta de serviço do sistema única e associa-a à ligação.
Resolução de problemas: se receber o seguinte erro de ligação, atualize o SDK do Google Cloud:
Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
Obtenha e copie o ID da conta de serviço para utilização num passo posterior:
bq show --connection PROJECT_ID.us.bqml_tutorial
O resultado é semelhante ao seguinte:
name properties 1234.REGION.CONNECTION_ID {"serviceAccountId": "connection-1234-9u56h9@gcp-sa-bigquery-condel.iam.gserviceaccount.com"}
Aceda à página IAM e administrador.
Clique em
Conceder acesso.No campo Novos membros, introduza o ID da conta de serviço da associação de recursos do Google Cloud que copiou anteriormente.
No campo Selecionar uma função, escolha Vertex AI e, de seguida, selecione Utilizador da Vertex AI.
Clique em Guardar.
Na Google Cloud consola, aceda à página BigQuery.
Para Criar novo, clique em Consulta SQL.
No editor de consultas, introduza esta declaração
CREATE MODEL
e, de seguida, clique em Executar: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')
Substitua o seguinte:
- PROJECT_ID: o nome do seu projeto.
- ENDPOINT_ID: o ID do ponto final que copiou anteriormente.
Quando a operação estiver concluída, é apresentada uma mensagem semelhante a
Successfully created model named bert_sentiment
.O novo modelo é apresentado no painel Recursos. Os modelos são indicados pelo ícone de modelo:
.
Se selecionar o novo modelo no painel Recursos, as informações sobre o modelo aparecem abaixo do Editor de consultas.
Crie o modelo remoto introduzindo a seguinte
CREATE MODEL
declaração: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')"
Substitua o seguinte:
- PROJECT_ID: o nome do seu projeto.
- ENDPOINT_ID: o ID do ponto final que copiou anteriormente.
Depois de criar o modelo, verifique se o modelo aparece no conjunto de dados:
bq ls -m bqml_tutorial
O resultado é semelhante ao seguinte:
Id Model Type Labels Creation Time ---------------- ------------ -------- ----------------- bert_sentiment 28 Jan 17:39:43
Na Google Cloud consola, aceda à página BigQuery.
Na secção Criar novo, clique em Consulta SQL.
No editor de consultas, introduza esta consulta que usa a função
ML.PREDICT
e, de seguida, clique em Executar.SELECT * FROM ML.PREDICT ( MODEL `PROJECT_ID.bqml_tutorial.bert_sentiment`, ( SELECT review as text FROM `bigquery-public-data.imdb.reviews` LIMIT 10000 ) )
Os resultados da consulta devem ter um aspeto semelhante ao seguinte:
- In the Google Cloud console, go to the Manage resources page.
- In the project list, select the project that you want to delete, and then click Delete.
- In the dialog, type the project ID, and then click Shut down to delete the project.
- In the Google Cloud console, go to the Manage resources page.
- In the project list, select the project that you want to delete, and then click Delete.
- In the dialog, type the project ID, and then click Shut down to delete the project.
- Para uma vista geral do BigQuery ML, consulte o artigo Introdução à IA e ao ML no BigQuery ML.
- Para mais informações sobre a utilização da declaração
CREATE MODEL
para modelos remotos, consulte o artigo A declaração CREATE MODEL para modelos remotos em relação a modelos personalizados. - Para mais informações sobre a utilização de um bloco de notas do BigQuery, consulte o artigo Introdução aos blocos de notas.
- Para mais informações sobre as regiões e as multirregiões do BigQuery, consulte a página Localizações suportadas.
- Para saber como importar modelos no Registo de modelos Vertex AI, consulte o artigo Importe modelos para o Vertex AI.
- Para saber mais acerca do controlo de versões de modelos no Registo de modelos Vertex AI, consulte o artigo Controlo de versões de modelos com o Registo de modelos.
- Para obter informações sobre a utilização dos VPC Service Controls da Vertex AI, consulte o artigo VPC Service Controls com a Vertex AI.
Funções necessárias
Se criar um novo projeto, é o proprietário do projeto e recebe todas as autorizações de IAM necessárias para concluir este tutorial.
Se estiver a usar um projeto existente, faça o seguinte.
Make sure that you have the following role or roles on the project:
Check for the roles
Grant the roles
Para mais informações acerca das autorizações da IAM no BigQuery, consulte Autorizações do BigQuery.
Importe o modelo para o Registo de modelos do Vertex AI
Neste tutorial, vai usar um modelo do TensorFlow pré-formado que está disponível no Cloud Storage em gs://cloud-samples-data/bigquery/ml/remote_model_tutorial/
. O contentor do Cloud Storage está na localização US
multirregional.
O modelo é um modelo do TensorFlow com o nome saved_model.pb
. É um modelo de análise de sentimentos personalizado que foi criado através da otimização de um modelo BERT com críticas cinematográficas do IMDB em texto simples. O modelo usa a entrada de texto das críticas de filmes e devolve pontuações de sentimento entre zero e um. Quando importa o modelo para o Model Registry, usa um contentor do TensorFlow pré-criado.
Siga estes passos para importar o modelo.
Após a conclusão da importação, o modelo é apresentado na página Registo de modelos.
Implemente o modelo num ponto final do Vertex AI
Siga estes passos para implementar o modelo num ponto final.
Crie um conjunto de dados
Crie um conjunto de dados do BigQuery para armazenar o seu modelo de ML.
Consola
bq
Para criar um novo conjunto de dados, use o comando
bq mk
com a flag --location
. Para uma lista completa de parâmetros possíveis, consulte a referência do comando bq mk --dataset
.
API
Chame o método datasets.insert
com um recurso de conjunto de dados definido.
{ "datasetReference": { "datasetId": "bqml_tutorial" } }
DataFrames do BigQuery
Antes de experimentar este exemplo, siga as instruções de configuração dos DataFrames do BigQuery no início rápido do BigQuery com os DataFrames do BigQuery. Para mais informações, consulte a documentação de referência do BigQuery DataFrames.
Para se autenticar no BigQuery, configure as Credenciais padrão da aplicação. Para mais informações, consulte o artigo Configure o ADC para um ambiente de desenvolvimento local.
Crie uma ligação de recursos do Google Cloud ao BigQuery
Tem de ter uma ligação de recursos da nuvem para se ligar a um ponto final do Vertex AI.
Consola
bq
Configure o acesso à ligação
Conceda a função de utilizador do Vertex AI à conta de serviço da ligação de recursos da nuvem. Tem de conceder esta função no mesmo projeto onde criou o ponto final do modelo remoto.
Para conceder a função, siga estes passos:
Crie um modelo remoto do BigQuery ML
Crie um modelo remoto do BigQuery ML usando a declaração CREATE MODEL
com a cláusula REMOTE WITH CONNECTION
. Para mais informações sobre a declaração CREATE MODEL
, consulte o artigo A declaração CREATE MODEL para modelos remotos
sobre modelos personalizados.
Cria o modelo na US
localização com várias regiões. Num conjunto de dados multirregional do BigQuery (US
, EU
), só pode criar um modelo remoto que se ligue a um ponto final implementado numa região na mesma localização multirregional (US
, EU
).
Quando cria o modelo remoto, precisa do ID do ponto final que foi gerado quando implementou o modelo no Vertex AI. Além disso, os nomes e os tipos dos campos de entrada e saída têm de ser exatamente iguais aos da entrada e saída do modelo do Vertex AI. Neste exemplo, a entrada é um texto STRING
e a saída é um ARRAY
do tipo FLOAT64
.
Consola
bq
Receba previsões através de ML.PREDICT
Use a função ML.PREDICT
para obter previsões de sentimento do modelo remoto. A entrada é uma coluna de texto (review
) que contém críticas de filmes da tabela bigquery-public-data.imdb.reviews
.
Neste exemplo, são selecionados e enviados 10 000 registos para previsão. O modelo remoto tem por predefinição um tamanho do lote de 128 instâncias para pedidos.
Consola
bq
Introduza este comando para executar a consulta que usa ML.PREDICT
.
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 ) )'
Limpar
Para evitar incorrer em custos na sua conta do Google Cloud pelos recursos usados neste tutorial, elimine o projeto que contém os recursos ou mantenha o projeto e elimine os recursos individuais.
Elimine o projeto
Consola
gcloud
Elimine recursos individuais
Em alternativa, para remover os recursos individuais usados neste tutorial: