Ottimizzare un modello utilizzando i tuoi dati

Questo documento mostra come creare un modello remoto BigQuery ML che fa riferimento a un modello Vertex AI, quindi come configurare il modello per eseguire il tuning supervisionato. Il modello Vertex AI deve essere uno dei seguenti:

• gemini-1.5-pro-002
• gemini-1.5-flash-002
• gemini-1.0-pro-002 (Anteprima)

Dopo aver creato il modello remoto, utilizza la funzione ML.EVALUATE per valutarlo e verificare che le sue prestazioni siano adatte al tuo caso d'uso. Puoi quindi utilizzare il modello in combinazione con la funzione ML.GENERATE_TEXT per analizzare il testo in una tabella BigQuery.

Per ulteriori informazioni, consulta Ottimizzazione supervisionata del modello dell'API Gemini di Vertex AI.

Autorizzazioni obbligatorie

• Per creare una connessione, devi disporre dell'appartenenza al seguente ruolo IAM (Identity and Access Management):

  • roles/bigquery.connectionAdmin

• Per concedere le autorizzazioni all'account di servizio della connessione, devi disporre della seguente autorizzazione:

  • resourcemanager.projects.setIamPolicy

• Per creare il modello utilizzando BigQuery ML, sono necessarie le seguenti 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 sul tavolo
  • 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. Make sure that billing is enabled for your Google Cloud project.

3. Enable the BigQuery, BigQuery Connection,Vertex AI, and Compute Engine APIs.

   Enable the APIs

Crea una connessione

Crea una connessione risorsa Cloud e recupera l'account di servizio della connessione.

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 su Connessioni a origini dati esterne.

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

4. Nel campo ID connessione, inserisci un nome per la 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 da utilizzare in un 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: la regione di connessione
   • PROJECT_ID: il tuo ID progetto Google Cloud
   • CONNECTION_ID: un ID per la connessione

   Quando crei una risorsa di connessione, BigQuery crea un account di servizio di sistema unico 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 passaggio successivo:

   bq show --connection PROJECT_ID.REGION.CONNECTION_ID

   L'output è simile al seguente:

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

Terraform

Utilizza la risorsa google_bigquery_connection.

Nota: per creare oggetti BigQuery utilizzando Terraform, devi attivare l'API Cloud Resource Manager.

Per autenticarti in BigQuery, configura le credenziali predefinite dell'applicazione. Per saperne di più, consulta Configurare l'autenticazione per le librerie client.

L'esempio seguente crea una connessione risorsa Cloud denominata my_cloud_resource_connection nella regione US:

# 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 {}
}

Per applicare la configurazione Terraform in un progetto Google Cloud, completa i passaggi nelle seguenti sezioni.

Prepara Cloud Shell

1. Avvia Cloud Shell.

2. Imposta il progetto Google Cloud predefinito in cui vuoi applicare le configurazioni Terraform.

   Devi eseguire questo comando una sola volta per progetto e puoi farlo in qualsiasi directory.

   export GOOGLE_CLOUD_PROJECT=PROJECT_ID

   Le variabili di ambiente vengono sostituite se imposti valori espliciti nel file di configurazione Terraform.

Prepara la directory

Ogni file di configurazione di Terraform deve avere una propria directory (chiamata anche modulo principale).

1. In Cloud Shell, crea una directory e un nuovo file al suo interno. Il nome file deve avere l'estensione .tf, ad esempio main.tf. In questo tutorial, il file è denominato main.tf.

   mkdir DIRECTORY && cd DIRECTORY && touch main.tf

2. Se stai seguendo un tutorial, puoi copiare il codice campione in ogni sezione o passaggio.

   Copia il codice campione nel main.tf appena creato.

   Se vuoi, copia il codice da GitHub. Questa opzione è consigliata quando lo snippet Terraform fa parte di una soluzione end-to-end.

3. Esamina e modifica i parametri di esempio da applicare al tuo ambiente.
4. Salva le modifiche.
5. Inizializza Terraform. Devi eseguire questa operazione una sola volta per directory.

   terraform init

   Se vuoi, per utilizzare la versione più recente del provider Google, includi l'opzione -upgrade:

   terraform init -upgrade

Applica le modifiche

1. Rivedi la configurazione e verifica che le risorse che Terraform sta per creare o aggiornare corrispondano alle tue aspettative:

   terraform plan

   Apporta le correzioni necessarie alla configurazione.

2. Applica la configurazione di Terraform eseguendo il seguente comando e inserendo yes al prompt:

   terraform apply

   Attendi che Terraform mostri il messaggio "Applicazione completata".

3. Apri il tuo progetto Google Cloud per visualizzare i risultati. Nella console Google Cloud, vai alle risorse nell'interfaccia utente per assicurarti che Terraform le abbia create o aggiornate.

Nota: in genere i sample di Terraform presuppongono che le API richieste siano attivate nel progetto Google Cloud.

Concedi l'accesso all'account di servizio della connessione

Concedi all'account di servizio l'autorizzazione ad accedere a Vertex AI. La mancata autorizzazione comporta un errore. Seleziona una delle seguenti opzioni:

Console

1. Vai alla pagina IAM e amministrazione.

   Vai a IAM e amministrazione

2. Fai clic su Concedi l'accesso.

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

4. Fai clic su Seleziona un ruolo.

5. In Filtro, digita Vertex AI Service Agent e seleziona il ruolo.

6. Fai clic su Salva.

gcloud

Utilizza il comando gcloud projects add-iam-policy-binding:

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

Sostituisci quanto segue:

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

L'account di servizio associato alla connessione è un'istanza dell'agente di servizio di delega della connessione BigQuery, quindi è possibile assegnargli un ruolo di agente di servizio.

Creare un modello con ottimizzazione supervisionata

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

   Vai a BigQuery

2. Nell'editor di query, esegui la seguente query per creare un modello remoto:

   CREATE OR REPLACE MODEL
   `PROJECT_ID.DATASET_ID.MODEL_NAME`
   REMOTE WITH CONNECTION `PROJECT_ID.REGION.CONNECTION_ID`
   OPTIONS (
     ENDPOINT = 'ENDPOINT',
     MAX_ITERATIONS = MAX_ITERATIONS,
     LEARNING_RATE_MULTIPLIER = LEARNING_RATE_MULTIPLIER,
     DATA_SPLIT_METHOD = 'DATA_SPLIT_METHOD',
     DATA_SPLIT_EVAL_FRACTION = DATA_SPLIT_EVAL_FRACTION,
     DATA_SPLIT_COL = 'DATA_SPLIT_COL',
     EVALUATION_TASK = 'EVALUATION_TASK',
     PROMPT_COL = 'INPUT_PROMPT_COL',
     INPUT_LABEL_COLS = INPUT_LABEL_COLS)
   AS SELECT PROMPT_COLUMN, LABEL_COLUMN
   FROM `TABLE_PROJECT_ID.TABLE_DATASET.TABLE_NAME`;

   Sostituisci quanto segue:

   • PROJECT_ID: l'ID progetto in cui creare il modello.
   • DATASET_ID: l'ID del set di dati che deve contenere il modello. Questo set di dati deve trovarsi in una regione di caricamento dei modelli e dei job di pipeline supportata.
   • MODEL_NAME: il nome del modello.
   • REGION: la regione utilizzata dalla connessione.
   • CONNECTION_ID: l'ID della connessione BigQuery. Questa connessione deve trovarsi nella stessa località del set di dati che stai utilizzando.

     Quando visualizzi i dettagli della connessione nella console Google Cloud, questo è il valore nell'ultima sezione dell'ID connessione visualizzato in ID connessione, ad esempio projects/myproject/locations/connection_location/connections/myconnection.

   • ENDPOINT: un valore STRING che specifica il nome del modello da utilizzare.
   • MAX_ITERATIONS: un valore INT64 che specifica il numero di passaggi da eseguire per l'ottimizzazione supervisionata. Il valore MAX_ITERATIONS deve essere compreso tra 1 e ∞.

     I modelli Gemini vengono addestrati utilizzando epoche anziché passaggi, pertanto BigQuery ML converte il valore MAX_ITERATIONS in epoche. Il valore predefinito per MAX_ITERATIONS è il numero di righe nei dati di input, che equivale a un'epoca. Per utilizzare più epoche, specifica un multiplo del numero di righe nei dati di addestramento. Ad esempio, se hai 100 righe di dati di input e vuoi utilizzare due epoche, specifica 200 per il valore dell'argomento. Se fornisci un valore che non è un multiplo del numero di righe nei dati di input, BigQuery ML lo arrotonda per eccesso all'epoca più vicina. Ad esempio, se hai 100 righe di dati di input e specifichi 101 per il valore MAX_ITERATIONS, l'addestramento viene eseguito con due epoche.

     Per saperne di più sui parametri utilizzati per ottimizzare i modelli Gemini, consulta Creare un job di ottimizzazione.

   • DATA_SPLIT_METHOD: un valore STRING che specifica il metodo utilizzato per suddividere i dati di input in set di addestramento e valutazione. Le opzioni valide sono le seguenti:
     • AUTO_SPLIT: BigQuery ML suddivide automaticamente i dati. Il modo in cui i dati vengono suddivisi varia in base al numero di righe nella tabella di input. Questo è il valore predefinito.
     • RANDOM: i dati vengono randomizzati prima di essere suddivisi in insiemi. Per personalizzare la suddivisione dei dati, puoi utilizzare questa opzione con l'opzione DATA_SPLIT_EVAL_FRACTION.
     • CUSTOM: i dati vengono suddivisi utilizzando la colonna fornita nell'opzione DATA_SPLIT_COL. Il valore DATA_SPLIT_COL deve essere il nome di una colonna di tipo BOOL. Le righe con un valore TRUE o NULL vengono utilizzate come dati di valutazione, mentre le righe con un valore FALSE vengono utilizzate come dati di addestramento.
     • SEQ: suddividi i dati utilizzando la colonna fornita nell'opzione DATA_SPLIT_COL. Il valore DATA_SPLIT_COL deve essere il nome di una colonna di uno dei seguenti tipi:
       • NUMERIC
       • BIGNUMERIC
       • STRING
       • TIMESTAMP

       I dati vengono ordinati dal più piccolo al più grande in base alla colonna specificata.

       Le prime n righe vengono utilizzate come dati di valutazione, dove n è il valore specificato per DATA_SPLIT_EVAL_FRACTION. Le righe rimanenti vengono utilizzate come dati di addestramento.

     • NO_SPLIT: nessuna suddivisione dei dati; tutti i dati di input vengono utilizzati come dati di addestramento.

     Per ulteriori informazioni su queste opzioni di suddivisione dei dati, consulta DATA_SPLIT_METHOD.

   • DATA_SPLIT_EVAL_FRACTION: un valore FLOAT64 che specifica la frazione di dati da utilizzare come dati di valutazione durante l'ottimizzazione supervisionata. Deve essere un valore compreso nell'intervallo [0, 1.0]. Il valore predefinito è 0.2.

     Utilizza questa opzione quando specifichi RANDOM o SEQ come valore per l'opzione DATA_SPLIT_METHOD. Per personalizzare la suddivisione dei dati, puoi utilizzare l'opzione DATA_SPLIT_METHOD con l'opzione DATA_SPLIT_EVAL_FRACTION.

   • DATA_SPLIT_COL: un valore STRING che specifica il nome della colonna da utilizzare per ordinare i dati di input nel set di addestramento o di valutazione. Utilizza quando specifichi CUSTOM o SEQ come valore per l'opzione DATA_SPLIT_METHOD.
   • EVALUATION_TASK: un valore STRING che specifica il tipo di attività per la quale vuoi ottimizzare il modello. Le opzioni valide sono:
     • TEXT_GENERATION
     • CLASSIFICATION
     • SUMMARIZATION
     • QUESTION_ANSWERING
     • UNSPECIFIED

     Il valore predefinito è UNSPECIFIED.

   • INPUT_PROMPT_COL: un valore STRING che contiene il nome della colonna prompt nella tabella dei dati di addestramento da utilizzare durante l'ottimizzazione supervisionata. Il valore predefinito è prompt.
   • INPUT_LABEL_COLS: un valore ARRAY<<STRING> che contiene il nome della colonna dell'etichetta nella tabella dei dati di addestramento da utilizzare nella regolazione supervisionata. Puoi specificare un solo elemento nell'array. Il valore predefinito è un array vuoto. In questo modo, label diventa il valore predefinito dell'argomento LABEL_COLUMN.
   • PROMPT_COLUMN: la colonna della tabella dei dati di addestramento contenente il prompt per la valutazione dei contenuti nella colonna LABEL_COLUMN. Questa colonna deve essere di tipo STRING o essere sottoposta a conversione a STRING. Se specifichi un valore per l'opzione INPUT_PROMPT_COL, devi specificare lo stesso valore per PROMPT_COLUMN. In caso contrario, questo valore deve essere prompt. Se la tabella non ha una colonna prompt, utilizza un alias per specificare una colonna di tabella esistente. Ad esempio, AS SELECT hint AS prompt, label FROM mydataset.mytable.
   • LABEL_COLUMN: la colonna nella tabella dei dati di addestramento che contiene gli esempi con cui addestrare il modello. Questa colonna deve essere di tipo STRING o essere sottoposta a conversione a STRING. Se specifichi un valore per l'opzione INPUT_LABEL_COLS, devi specificare lo stesso valore per LABEL_COLUMN. In caso contrario, questo valore deve essere label. Se la tabella non ha una colonna label, utilizza un alias per specificare una colonna di tabella esistente. Ad esempio, AS SELECT prompt, feature AS label FROM mydataset.mytable.
   • TABLE_PROJECT_ID: l'ID progetto del progetto che contiene la tabella di dati di addestramento.
   • TABLE_DATASET: il nome del set di dati che contiene la tabella di dati di addestramento.
   • TABLE_NAME: il nome della tabella che contiene i dati da utilizzare per addestrare il modello.

Valutare il modello ottimizzato

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

   Vai a BigQuery

2. Nell'editor di query, esegui la seguente query per valutare il modello ottimizzato:

   SELECT
   *
   FROM
   ML.EVALUATE(
     MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
     TABLE `TABLE_PROJECT_ID.TABLE_DATASET.TABLE_NAME`,
     STRUCT('TASK_TYPE' AS task_type, TOKENS AS max_output_tokens,
       TEMPERATURE AS temperature, TOP_K AS top_k,
       TOP_P AS top_p));

   Sostituisci quanto segue:

   • PROJECT_ID: l'ID del progetto che contiene il modello.
   • DATASET_ID: l'ID del set di dati che contiene il modello.
   • MODEL_NAME: il nome del modello.
   • TABLE_PROJECT_ID: l'ID progetto che contiene la tabella dei dati di valutazione.
   • TABLE_DATASET: il nome del set di dati che contiene la tabella dei dati di valutazione.
   • TABLE_NAME: il nome della tabella che contiene i dati di valutazione.

     La tabella deve avere una colonna il cui nome corrisponde al nome della colonna del prompt fornito durante l'addestramento del modello. Puoi fornire questo valore utilizzando l'opzione prompt_col durante l'addestramento del modello. Se prompt_col non è specificato, viene utilizzata la colonna prompt nei dati di addestramento. Viene visualizzato un errore se non esiste una colonna denominata prompt.

     La tabella deve avere una colonna il cui nome corrisponde al nome della colonna dell'etichetta fornito durante l'addestramento del modello. Puoi fornire questo valore utilizzando l'opzione input_label_cols durante l'addestramento del modello. Se input_label_cols non è specificato, viene utilizzata la colonna label nei dati di addestramento. Viene restituito un errore se non esiste una colonna denominata label.

   • TASK_TYPE: un valore STRING che specifica il tipo di attività per cui vuoi valutare il modello. Le opzioni valide sono:
     • TEXT_GENERATION
     • CLASSIFICATION
     • SUMMARIZATION
     • QUESTION_ANSWERING
     • UNSPECIFIED
   • TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,1024]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. Il valore predefinito è 128.
   • TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. Il valore predefinito è 0.

     I valori più bassi per temperature sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre i valori più alti per temperature possono portare a risultati più diversificati o creativi. Un valore 0 per temperature è deterministico, il che significa che viene sempre selezionata la risposta con la probabilità più alta.

   • TOP_K: un valore INT64 nell'intervallo [1,40] che determina il pool iniziale di token preso in considerazione dal modello per la selezione. Specifica un valore più basso per risposte meno random e un valore più alto per risposte più casuali. Il valore predefinito è 40.
   • TOP_P: un valore FLOAT64 nell'intervallo [0.0,1.0] consente di determinare quali token del pool determinato da TOP_K vengono selezionati. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Il valore predefinito è 0.95.

Genera testo

Genera testo con la funzione ML.GENERATE_TEXT:

Colonna prompt

Genera il testo utilizzando una colonna della tabella per fornire il prompt.

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE PROJECT_ID.DATASET_ID.TABLE_NAME,
  STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output,
  STOP_SEQUENCES AS stop_sequences)
);

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.
• TABLE_NAME: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna il cui nome corrisponde al nome della colonna delle funzionalità nel modello ottimizzato. Il nome della colonna della funzionalità nel modello può essere impostato utilizzando l'opzione PROMPT_COL durante la creazione del modello. In caso contrario, il nome della colonna delle funzionalità nel modello è prompt per impostazione predefinita oppure puoi utilizzare un alias per utilizzare una colonna con nome diverso.
• TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,8192]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. Il valore predefinito è 128.
• TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. Il valore predefinito è 1.0.

  I valori più bassi per temperature sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre i valori più alti per temperature possono portare a risultati più diversificati o creativi. Un valore 0 per temperature è deterministico, il che significa che viene sempre selezionata la risposta con la probabilità più alta.

• TOP_P: un valore FLOAT64 nell'intervallo [0.0,1.0] consente di determinare la probabilità dei token selezionati. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Il valore predefinito è 0.95.
• FLATTEN_JSON: un valore BOOL che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito è FALSE.
• STOP_SEQUENCES: un valore ARRAY<STRING> che rimuove le stringhe specificate se sono incluse nelle risposte del modello. Le stringhe vengono associate esattamente, incluse le lettere maiuscole. Il valore predefinito è un array vuoto.
• GROUND_WITH_GOOGLE_SEARCH: un valore BOOL che determina se il modello Vertex AI utilizza la basamento con la Ricerca Google per generare le risposte. La fondatezza consente al modello di utilizzare informazioni aggiuntive di internet durante la generazione di una risposta, in modo da rendere le risposte del modello più specifiche e oggettive. Quando sia flatten_json_output sia questo campo sono impostati su True, nei risultati viene inclusa un'altra colonna ml_generate_text_grounding_result che fornisce le origini utilizzate dal modello per raccogliere informazioni aggiuntive. Il valore predefinito è FALSE.
• SAFETY_SETTINGS: un valore ARRAY<STRUCT<STRING AS category, STRING AS threshold>> che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento della struttura specifica una categoria di danno e il secondo elemento della struttura specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ogni categoria una sola volta. Ad esempio, non puoi specificare sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) che STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non è presente un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza BLOCK_MEDIUM_AND_ABOVE.

  Le categorie supportate sono le seguenti:

  • HARM_CATEGORY_HATE_SPEECH
  • HARM_CATEGORY_DANGEROUS_CONTENT
  • HARM_CATEGORY_HARASSMENT
  • HARM_CATEGORY_SEXUALLY_EXPLICIT

  Le soglie supportate sono le seguenti:

  • BLOCK_NONE (Accesso limitato)
  • BLOCK_LOW_AND_ABOVE
  • BLOCK_MEDIUM_AND_ABOVE (valore predefinito)
  • BLOCK_ONLY_HIGH
  • HARM_BLOCK_THRESHOLD_UNSPECIFIED

  Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e soglia di blocco.

L'esempio seguente mostra una richiesta con le seguenti caratteristiche:

• Utilizza la colonna prompt della tabella prompts per il prompt.
• Restituisce una risposta breve e moderatamente probabile.
• Restituisce il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.mymodel`,
    TABLE mydataset.prompts,
    STRUCT(
      0.4 AS temperature, 100 AS max_output_tokens, 0.5 AS top_p,
      TRUE AS flatten_json_output));

Prompt query

Genera il testo utilizzando una query per fornire il prompt.

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  (PROMPT_QUERY),
  STRUCT(TOKENS AS max_output_tokens, TEMPERATURE AS temperature,
  TOP_P AS top_p, FLATTEN_JSON AS flatten_json_output,
  STOP_SEQUENCES AS stop_sequences)
);

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.
• PROMPT_QUERY: una query che fornisce i dati del prompt.
• TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,8192]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. Il valore predefinito è 128.
• TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. Il valore predefinito è 1.0.

  I valori più bassi per temperature sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre i valori più alti per temperature possono portare a risultati più diversificati o creativi. Un valore 0 per temperature è deterministico, il che significa che viene sempre selezionata la risposta con la probabilità più alta.

• TOP_P: un valore FLOAT64 nell'intervallo [0.0,1.0] consente di determinare la probabilità dei token selezionati. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Il valore predefinito è 0.95.
• FLATTEN_JSON: un valore BOOL che determina se restituire il testo generato e gli attributi di sicurezza in colonne separate. Il valore predefinito è FALSE.
• STOP_SEQUENCES: un valore ARRAY<STRING> che rimuove le stringhe specificate se sono incluse nelle risposte del modello. Le stringhe vengono associate esattamente, incluse le lettere maiuscole. Il valore predefinito è un array vuoto.
• GROUND_WITH_GOOGLE_SEARCH: un valore BOOL che determina se il modello Vertex AI utilizza la basamento con la Ricerca Google per generare le risposte. La fondatezza consente al modello di utilizzare informazioni aggiuntive di internet durante la generazione di una risposta, in modo da rendere le risposte del modello più specifiche e oggettive. Quando sia flatten_json_output sia questo campo sono impostati su True, nei risultati viene inclusa un'altra colonna ml_generate_text_grounding_result che fornisce le origini utilizzate dal modello per raccogliere informazioni aggiuntive. Il valore predefinito è FALSE.
• SAFETY_SETTINGS: un valore ARRAY<STRUCT<STRING AS category, STRING AS threshold>> che configura le soglie di sicurezza dei contenuti per filtrare le risposte. Il primo elemento della struttura specifica una categoria di danno e il secondo elemento della struttura specifica una soglia di blocco corrispondente. Il modello filtra i contenuti che violano queste impostazioni. Puoi specificare ogni categoria una sola volta. Ad esempio, non puoi specificare sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) che STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non è presente un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza BLOCK_MEDIUM_AND_ABOVE.

  Le categorie supportate sono le seguenti:

  • HARM_CATEGORY_HATE_SPEECH
  • HARM_CATEGORY_DANGEROUS_CONTENT
  • HARM_CATEGORY_HARASSMENT
  • HARM_CATEGORY_SEXUALLY_EXPLICIT

  Le soglie supportate sono le seguenti:

  • BLOCK_NONE (Accesso limitato)
  • BLOCK_LOW_AND_ABOVE
  • BLOCK_MEDIUM_AND_ABOVE (valore predefinito)
  • BLOCK_ONLY_HIGH
  • HARM_BLOCK_THRESHOLD_UNSPECIFIED

  Per ulteriori informazioni, consulta la definizione di categoria di sicurezza e soglia di blocco.

Esempio 1

L'esempio seguente mostra una richiesta con le seguenti caratteristiche:

• Richiede un riepilogo del testo nella colonna body della tabella articles.
• Restituisce una risposta moderatamente lunga e più probabile.
• Restituisce il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.mymodel`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(
      0.2 AS temperature, 650 AS max_output_tokens, 0.2 AS top_p,
      TRUE AS flatten_json_output));

Esempio 2

L'esempio seguente mostra una richiesta con le seguenti caratteristiche:

• Utilizza una query per creare i dati del prompt concatenando stringhe che forniscono prefisso del prompt con le colonne della tabella.
• Restituisce una risposta breve e moderatamente probabile.
• Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.mytuned_model`,
    (
      SELECT CONCAT(question, 'Text:', description, 'Category') AS prompt
      FROM mydataset.input_table
    ),
    STRUCT(
      0.4 AS temperature, 100 AS max_output_tokens, 0.5 AS top_p,
      FALSE AS flatten_json_output));