Generare incorporamenti di testo utilizzando la funzione ML.GENERATE_YOURDING

Questo documento mostra come creare un modello BigQuery ML modello remoto che fa riferimento a un incorporamento di Vertex AI . Poi lo userai con Funzione ML.GENERATE_EMBEDDING per creare incorporamenti di testo utilizzando i dati di una tabella standard.

Ruoli obbligatori

• Per creare una connessione, devi disporre di quanto segue Ruolo IAM (Identity and Access Management):

  • roles/bigquery.connectionAdmin

• Per concedere le autorizzazioni all'account di servizio della connessione, è necessario il seguente autorizzazione:

  • resourcemanager.projects.setIamPolicy

• Per creare il modello utilizzando BigQuery ML, è necessario quanto segue Autorizzazioni IAM:

  • 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 in tavola
  • bigquery.models.getData sul modello
  • bigquery.jobs.create

Prima di iniziare

1. 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

2. Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.

3. Abilita le API BigQuery, BigQuery Connection, and Vertex AI.

   Abilita le API

Crea un set di dati

Crea un set di dati BigQuery per archiviare il tuo modello ML:

1. Nella console Google Cloud, vai alla pagina BigQuery.

   Vai alla pagina di BigQuery

2. Nel riquadro Explorer, fai clic sul nome del tuo progetto.

3. Fai clic su Visualizza azioni > Crea il set di dati.

   

4. Nella pagina Crea set di dati, segui questi passaggi:

   • In ID set di dati, inserisci bqml_tutorial.

   • Per Tipo di località, seleziona Più regioni e poi Stati Uniti (più regioni negli Stati Uniti).

     I set di dati pubblici vengono archiviati nell'US più regioni. Per semplicità, per archiviare il set di dati nella stessa posizione.

   • Lascia invariate le restanti impostazioni predefinite e fai clic su Crea il set di dati.

     

Crea una connessione

Crea un Connessione alle risorse cloud e recuperare l'account di servizio della connessione. Crea la connessione in nella stessa località del set di dati che hai creato passaggio precedente.

Seleziona una delle seguenti opzioni:

Console

1. Vai alla pagina BigQuery.

   Vai a BigQuery

2. Per creare una connessione, fai clic su Aggiungi e poi fai clic su Connessioni a origini dati esterne.

3. Nell'elenco Tipo di connessione, seleziona Modelli remoti Vertex AI, funzioni remote e BigLake (risorsa Cloud).

4. Nel campo ID connessione, inserisci un nome per connessione.

5. Fai clic su Crea connessione.

6. Fai clic su Vai alla connessione.

7. Nel riquadro Informazioni sulla connessione, copia l'ID account di servizio per utilizzarlo in una passaggio successivo.

bq

1. In un ambiente a riga di comando, crea una connessione:

   bq mk --connection --location=REGION --project_id=PROJECT_ID \
       --connection_type=CLOUD_RESOURCE CONNECTION_ID
   

   Il parametro --project_id sostituisce il progetto predefinito.

   Sostituisci quanto segue:

   • REGION: il tuo regione di connessione
   • PROJECT_ID: l'ID del tuo progetto Google Cloud
   • CONNECTION_ID: un ID per connessione

   Quando crei una risorsa di connessione, BigQuery crea di account di servizio di sistema univoco e lo associa alla connessione.

   Risoluzione dei problemi: se ricevi il seguente errore di connessione, Aggiorna Google Cloud SDK:

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

2. Recupera e copia l'ID account di servizio per utilizzarlo in un secondo momento passaggio:

   bq show --connection PROJECT_ID.REGION.CONNECTION_ID
   

   L'output è simile al seguente:

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

Terraform

Aggiungi la seguente sezione al tuo file main.tf.

 ## This creates a cloud resource connection.
 ## Note: The cloud resource nested object has only one output only field - serviceAccountId.
 resource "google_bigquery_connection" "connection" {
    connection_id = "CONNECTION_ID"
    project = "PROJECT_ID"
    location = "REGION"
    cloud_resource {}
}        

Sostituisci quanto segue:

• CONNECTION_ID: un ID per connessione
• PROJECT_ID: l'ID del tuo progetto Google Cloud
• REGION: il tuo regione di connessione

Concedi all'account di servizio l'accesso

Concedi al tuo account di servizio l'autorizzazione per utilizzare la connessione. Errore per fornire l'autorizzazione restituisce un errore. Seleziona una delle seguenti opzioni:

Console

1. Vai alla sezione IAM e Console di amministrazione.

   Vai a IAM e Amministratore

2. Fai clic su Concedi l'accesso.

   Si apre la finestra di dialogo Aggiungi entità.

3. Nel campo Nuove entità, inserisci l'ID account di servizio che copiato in precedenza.

4. Nel campo Seleziona un ruolo, seleziona Vertex AI, quindi seleziona Utente Vertex AI.

5. Fai clic su Salva.

gcloud

Utilizza la Comando gcloud projects add-iam-policy-binding:

gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:MEMBER' --role='roles/aiplatform.user' --condition=None

Sostituisci quanto segue:

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

Crea un modello

1. Nella console Google Cloud, vai alla pagina BigQuery.

   Vai a BigQuery

2. Con l'editor SQL, crea un'istanza modello remoto:

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

   Sostituisci quanto segue:

   • PROJECT_ID: il tuo ID progetto
   • DATASET_ID: l'ID del set di dati da contiene il modello
   • MODEL_NAME: il nome del modello
   • CONNECTION_ID: l'ID del tuo Connessione BigQuery

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

   • ENDPOINT: l'incorporamento modello per l'utilizzo. Ad esempio: ENDPOINT='multimodalembedding'.

     Per alcuni tipi di modelli, puoi specificare versione del modello. Per informazioni sulle versioni dei modelli supportate per tipi di modelli diversi, consulta ENDPOINT.

Nota: puoi creare un modello remoto su un modello Vertex AI Modello textembedding-gecko specificando il valore REMOTE_SERVICE_TYPE come "CLOUD_AI_TEXT_YOURDING_MODEL_V1". Tuttavia, il metodo preferito per La creazione di un modello remoto su un modello consiste nel specificare il modello come endpoint come mostrato qui.

Genera incorporamenti di testo utilizzando i dati di una tabella

Genera incorporamenti di testo con Funzione ML.GENERATE_EMBEDDING utilizzando dati di testo provenienti da una colonna di una tabella.

In genere, è consigliabile utilizzare text-embedding o text-multilingual-embedding per i casi d'uso di solo testo e utilizzare un modello multimodalembedding per i casi d'uso di ricerca intermodale, in cui gli incorporamenti per testo e contenuti visivi vengono generati nello stesso spazio semantico.

incorporamento del testo

Generare incorporamenti di testo utilizzando un modello remoto su Modello text-embedding o text-multilingual-embedding:

SELECT *
FROM ML.GENERATE_EMBEDDING(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE PROJECT_ID.DATASET_ID.TABLE_NAME,
  STRUCT(FLATTEN_JSON AS flatten_json_output,
    TASK_TYPE AS task_type,
    OUTPUT_DIMENSIONALITY AS output_dimensionality)
);

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 remoto al di sopra di text-embedding o text-multilingual-embedding.
• TABLE_NAME: il nome della tabella che contiene il testo da incorporare. Questa tabella deve avere una colonna denominato content oppure puoi utilizzare un alias per usare un nome denominata colonna.
• FLATTEN_JSON: un valore BOOL che indica se analizzare l'incorporamento in una colonna separata. La il valore predefinito è TRUE.
• TASK_TYPE: un valore letterale STRING che specifica l'applicazione downstream che intende aiutare il modello per produrre incorporamenti di qualità migliore. TASK_TYPE accetta i seguenti valori:
  • RETRIEVAL_QUERY: specifica che il testo specificato è un una query in un'impostazione di ricerca o recupero.
  • RETRIEVAL_DOCUMENT: specifica che il testo specificato è di un documento in un'impostazione di ricerca o recupero.

    Quando utilizzi questo tipo di attività, è utile includere il titolo del documento nell'istruzione della query al fine di migliorare la qualità dell'incorporamento. Tu puoi utilizzare l'opzione title per specificare il nome della colonna contenga il titolo del documento, altrimenti il titolo deve essere specificato una colonna denominata title o con alias title, ad esempio:

          SELECT *
          FROM
            ML.GENERATE_EMBEDDING(
              MODEL mydataset.embedding_model,
              (SELECT abstract as content, header as title, publication_number
              FROM mydataset.publications),
              STRUCT(TRUE AS flatten_json_output, 'RETRIEVAL_DOCUMENT' as task_type)
          );
          

  • SEMANTIC_SIMILARITY: specifica che il testo specificato verrà utilizzato per la somiglianza testuale semantica (STS).
  • CLASSIFICATION: specifica che gli incorporamenti saranno utilizzati per la classificazione.
  • CLUSTERING: specifica che verranno utilizzati gli incorporamenti per il clustering.
• OUTPUT_DIMENSIONALITY: INT64 valore che specifica il numero di dimensioni da utilizzare durante la generazione incorporamenti. Ad esempio, se specifichi 256 AS output_dimensionality, poi ml_generate_embedding_result contiene 256 incorporamenti per ogni valore di input.

  Puoi utilizzare questo argomento solo se il modello remoto specificato nell'argomento model utilizza uno dei seguenti modelli come un endpoint:

  • text-embedding-004 o versioni successive
  • text-multilingual-embedding-002 o versioni successive

incorporamento multimodale

Generare incorporamenti di testo utilizzando un modello remoto su Modello multimodalembedding:

SELECT *
FROM ML.GENERATE_EMBEDDING(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE PROJECT_ID.DATASET_ID.TABLE_NAME,
  STRUCT(FLATTEN_JSON AS flatten_json_output)
);

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 remoto rispetto a un modello multimodalembedding@001.
• TABLE_NAME: il nome della tabella che contiene il testo da incorporare. Questa tabella deve avere una colonna denominato content oppure puoi utilizzare un alias per usare un nome denominata colonna.
• FLATTEN_JSON: un BOOL che indica se analizzare l'incorporamento in una colonna separata. Il valore predefinito è TRUE.

Genera incorporamenti di testo utilizzando i dati di una query

Genera incorporamenti di testo con Funzione ML.GENERATE_EMBEDDING utilizzando i dati di testo forniti da una query e un modello remoto Modello text-embedding o text-multilingual-embedding:

In genere, è consigliabile utilizzare text-embedding o text-multilingual-embedding per i casi d'uso di solo testo e utilizzare un modello multimodalembedding per i casi d'uso di ricerca intermodale, in cui gli incorporamenti per testo e contenuti visivi vengono generati nello stesso spazio semantico.

incorporamento del testo

Generare incorporamenti di testo utilizzando un modello remoto su Modello text-embedding o text-multilingual-embedding:

SELECT *
FROM ML.GENERATE_EMBEDDING(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  (CONTENT_QUERY),
  STRUCT(FLATTEN_JSON AS flatten_json_output,
    TASK_TYPE AS task_type,
    OUTPUT_DIMENSIONALITY AS output_dimensionality)
  );

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 remoto al di sopra di textembedding-gecko o text-multilingual-embedding.
• CONTENT_QUERY: una query il cui risultato contiene una colonna STRING denominata content.
• FLATTEN_JSON: un valore BOOL che indica se analizzare l'incorporamento in una colonna separata. Il valore predefinito è TRUE.
• TASK_TYPE: un valore letterale STRING che specifica l'applicazione downstream che intende aiutare il modello per produrre incorporamenti di qualità migliore. TASK_TYPE accetta i seguenti valori:
  • RETRIEVAL_QUERY: specifica che il testo specificato è un una query in un'impostazione di ricerca o recupero.
  • RETRIEVAL_DOCUMENT: specifica che il testo specificato è di un documento in un'impostazione di ricerca o recupero.

    Quando utilizzi questo tipo di attività, è utile includere il titolo del documento nell'istruzione della query al fine di migliorare la qualità dell'incorporamento. Tu puoi utilizzare l'opzione title per specificare il nome della colonna contenga il titolo del documento, altrimenti il titolo deve essere in una colonna denominata title o con alias title, ad esempio:

              SELECT *
              FROM
                ML.GENERATE_EMBEDDING(
                  MODEL mydataset.embedding_model,
                  (SELECT abstract as content, header as title, publication_number
                  FROM mydataset.publications),
                  STRUCT(TRUE AS flatten_json_output, 'RETRIEVAL_DOCUMENT' as task_type)
              );
              

  • SEMANTIC_SIMILARITY: specifica che il testo specificato verrà utilizzato per la somiglianza testuale semantica (STS).
  • CLASSIFICATION: specifica che gli incorporamenti saranno utilizzati per la classificazione.
  • CLUSTERING: specifica che verranno utilizzati gli incorporamenti per il clustering.
• OUTPUT_DIMENSIONALITY: INT64 valore che specifica il numero di dimensioni da utilizzare durante la generazione incorporamenti. Ad esempio, se specifichi 256 AS output_dimensionality, poi ml_generate_embedding_result contiene 256 incorporamenti per ogni valore di input.

  Puoi utilizzare questo argomento solo se il modello remoto specificato nell'argomento model utilizza uno dei seguenti modelli come un endpoint:

  • text-embedding-004 o versioni successive
  • text-multilingual-embedding-002 o versioni successive

incorporamento multimodale

Generare incorporamenti di testo utilizzando un modello remoto su Modello multimodalembedding:

SELECT *
FROM ML.GENERATE_EMBEDDING(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  (CONTENT_QUERY),
  STRUCT(FLATTEN_JSON AS flatten_json_output)
);

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 remoto rispetto a un modello multimodalembedding@001.
• CONTENT_QUERY: una query il cui risultato contiene una colonna STRING denominata content.
• FLATTEN_JSON: un BOOL che indica se analizzare l'incorporamento in una colonna separata. Il valore predefinito è TRUE.

Esempi

I seguenti esempi mostrano come chiamare l'elemento ML.GENERATE_EMBEDDING su una tabella e su una query.

Incorporare testo in una tabella

L'esempio seguente mostra una richiesta di incorporamento della colonna content della tabella text_data:

SELECT *
FROM
  ML.GENERATE_EMBEDDING(
    MODEL `mydataset.embedding_model`,
    TABLE mydataset.text_data,
    STRUCT(TRUE AS flatten_json_output, 'CLASSIFICATION' AS task_type)
  );

Utilizzare gli incorporamenti per classificare la somiglianza semantica

L'esempio seguente incorpora una raccolta di recensioni di film e le ordina per distanza coseno dalla recensione "Questo film era nella media" utilizzando Funzione ML.DISTANCE. Una distanza minore indica una maggiore somiglianza semantica.

WITH movie_review_embeddings AS (
  SELECT *
  FROM
    ML.GENERATE_EMBEDDING(
      MODEL `bqml_tutorial.embedding_model`,
      (
        SELECT "Movie 1" AS title, "This movie was fantastic" AS content
        UNION ALL
        SELECT "Movie 2" AS title, "This was the best movie I've ever seen!!" AS content
        UNION ALL
        SELECT "Movie 3" AS title, "This movie was just okay..." AS content
        UNION ALL
        SELECT "Movie 4" AS title, "This movie was terrible." AS content
      ),
      STRUCT(TRUE AS flatten_json_output)
    )
),
average_review_embedding AS (
  SELECT ml_generate_embedding_result
  FROM
    ML.GENERATE_EMBEDDING(
      MODEL `bqml_tutorial.embedding_model`,
      (SELECT "This movie was average" AS content),
      STRUCT(TRUE AS flatten_json_output)
    )
)
SELECT
  content,
  ML.DISTANCE(
    (SELECT ml_generate_embedding_result FROM average_review_embedding),
    ml_generate_embedding_result,
    'COSINE'
  ) AS distance_to_average_review
FROM
  movie_review_embeddings
ORDER BY distance_to_average_review;

Il risultato è il seguente:

+------------------------------------------+----------------------------+
| content                                  | distance_to_average_review |
+------------------------------------------+----------------------------+
| This movie was fantastic                 | 0.10028859431058901        |
| This movie was terrible.                 |   0.142427236973374        |
| This was the best movie I've ever seen!! | 0.46742391210381995        |
| This movie was just okay...              | 0.47399255715360622        |
+------------------------------------------+----------------------------+