Ottimizza un modello utilizzando i tuoi dati

Questo documento mostra come creare un modello BigQuery ML modello remoto che fa riferimento a Vertex AI gemini-1.0-pro-002 model o versione Vertex AI text-bison modello, e poi configurare il modello affinché esegua l'ottimizzazione supervisionata. Dopo aver creato il modello remoto, puoi utilizzare Funzione ML.EVALUATE per valutare il modello e confermare che le sue prestazioni siano adatte al tuo utilizzo per verificare se è così. Puoi quindi utilizzare il modello insieme Funzione ML.GENERATE_TEXT per analizzare il testo in una tabella BigQuery.

Per ulteriori informazioni, vedi Ottimizzazione supervisionata del modello dell'API Vertex AI Gemini oppure ottimizzazione supervisionata del modello di testo dell'API Vertex AI PaLM.

Autorizzazioni obbligatorie

  • 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.

    Go to project selector

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

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

    Abilita le API

Crea una connessione

Crea un Connessione alle risorse cloud e recuperare 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 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": "connection-1234-9u56h9@gcp-sa-bigquery-condel.iam.gserviceaccount.com"}

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 l'accesso all'account di servizio della connessione

Concedi al tuo account di servizio l'autorizzazione per accedere a Vertex AI. La mancata concessione dell'autorizzazione genera un errore. Seleziona una delle seguenti opzioni opzioni:

Console

  1. Vai alla sezione IAM e Console di amministrazione.

    Vai a IAM e Amministratore

  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 quel ruolo.

  6. 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.serviceAgent' --condition=None

Sostituisci quanto segue:

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

L'account di servizio associato alla connessione è un'istanza Agente di servizio per la delega della connessione BigQuery, quindi puoi assegnargli un ruolo di agente di servizio.

Concedi all'account di servizio predefinito di Compute Engine l'accesso

Quando abiliti l'API Compute Engine, Account di servizio predefinito Compute Engine riceve automaticamente il ruolo Editor sul progetto, a meno che tu non abbia ha disattivato questo comportamento per il tuo progetto. In questo caso, devi concedere nuovamente il ruolo Editor a l'accesso all'account di servizio predefinito di Compute Engine, in modo che abbia autorizzazioni per creare e ottimizzare un modello remoto.

Console

  1. Vai alla sezione IAM e Console di amministrazione.

    Vai a IAM e Amministratore

  2. Fai clic su Concedi l'accesso.

  3. In Nuove entità, inserisci l'ID account di servizio, che PROJECT_NUMBER-compute@developer.gserviceaccount.com.

  4. Fai clic su Seleziona un ruolo.

  5. In Seleziona un ruolo, scegli Di base e poi seleziona Editor.

  6. 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/editor' --condition=None

Sostituisci quanto segue:

  • PROJECT_NUMBER: il numero del progetto.
  • MEMBER: l'ID dell'account di servizio, che è PROJECT_NUMBER-compute@developer.gserviceaccount.com.

Crea l'agente di servizio di ottimizzazione

Per creare un'istanza Agente di servizio AI Platform Fine Tuning, procedi nel seguente modo:

  1. Utilizza la Comando gcloud beta services identity create per creare l'agente di servizio di ottimizzazione:

    gcloud beta services identity create --service=aiplatform.googleapis.com --project=PROJECT_NUMBER

    Sostituisci PROJECT_NUMBER con il numero del tuo progetto.

  2. Utilizza la Comando gcloud projects add-iam-policy-binding per concedere all'agente di servizio di ottimizzazione Ruolo Agente di servizio Vertex AI (roles/aiplatform.serviceAgent):

    gcloud projects add-iam-policy-binding 'PROJECT_NUMBER' --member='serviceAccount:service-PROJECT_NUMBER@gcp-sa-aiplatform-ft.iam.gserviceaccount.com' --role='roles/aiplatform.serviceAgent'

    Sostituisci PROJECT_NUMBER con il numero del tuo progetto.

Creare un modello con l'ottimizzazione supervisionata

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

    Vai a BigQuery

  2. Nell'editor query, esegui questa query per creare modello remoto:

gemini-1.0-pro-002 

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 del progetto in cui creare il modello.
  • DATASET_ID: l'ID del set di dati da che contiene il modello. Questo set di dati deve trovarsi in una il job di pipeline e la regione di caricamento del modello supportati.
  • MODEL_NAME: il nome del modello.
  • REGION: la regione utilizzata dalla connessione.
  • CONNECTION_ID: l'ID del tuo Connessione BigQuery. Questa connessione deve trovarsi nella stessa location come set di dati che stai utilizzando.

    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: un valore STRING che specifica il nome del modello da utilizzare, che in questo caso deve essere gemini-1.0-pro-002.
  • MAX_ITERATIONS: un valore INT64 che specifica il numero di passaggi da eseguire ottimizzazione supervisionata. Il valore MAX_ITERATIONS deve essere compreso tra 1 e ∞.

    Il modello gemini-1.0-pro-002 viene addestrato utilizzando invece le epoche dei passaggi, quindi BigQuery ML converte MAX_ITERATIONS nelle epoche. Il valore predefinito per MAX_ITERATIONS è di righe nei dati di input, che equivale a un'epoca. A utilizzare più epoche, specifica un multiplo del numero di righe dati di addestramento. Ad esempio, se hai 100 righe di dati di input e Se vuoi usare due epoche, specifica 200 come valore dell'argomento. Se fornisci un valore che non è un multiplo del numero di righe in i dati di input, BigQuery ML lo arrotonda 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 ulteriori informazioni sui parametri utilizzati per ottimizzare gemini-1.0-pro-002 modelli, vedi Crea un job di ottimizzazione.

  • LEARNING_RATE_MULTIPLIER: un FLOAT64 Un moltiplicatore da applicare all'apprendimento consigliato di conversione. Il valore predefinito è 1.0.
  • DATA_SPLIT_METHOD: un valore STRING che specifica il metodo utilizzato per suddividere i dati di input in di valutazione. Le opzioni valide sono le seguenti:
    • AUTO_SPLIT: BigQuery ML automaticamente suddivide i dati. Il modo in cui i dati vengono suddivisi varia a seconda il numero di righe nella tabella di input. Questo è il valore predefinito.
    • RANDOM: i dati vengono randomizzati prima di essere suddivisi in set. Per personalizzare la suddivisione dati, puoi utilizzare questa opzione con il Opzione DATA_SPLIT_EVAL_FRACTION.
    • CUSTOM: i dati vengono suddivisi utilizzando la colonna forniti nell'opzione DATA_SPLIT_COL. Il valore DATA_SPLIT_COL deve essere il nome di una colonna di tipo BOOL. Righe con il valore TRUE o Vengono utilizzate NULL come dati di valutazione e le righe con il valore FALSE vengono utilizzati come dati di addestramento.
    • SEQ: consente di suddividere i dati utilizzando la colonna forniti 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 sono 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 utilizzate come dati di addestramento.

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

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

  • DATA_SPLIT_EVAL_FRACTION: un Il valore FLOAT64 che specifica la frazione del dati da utilizzare come dati di valutazione durante l'esecuzione dell'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 per l'opzione DATA_SPLIT_METHOD. A personalizzare la suddivisione dati, puoi utilizzare Opzione DATA_SPLIT_METHOD con DATA_SPLIT_EVAL_FRACTION .

  • DATA_SPLIT_COL: un valore STRING che specifica il nome della colonna da utilizzare per ordinare i dati di input l'addestramento o la valutazione. Utilizza le funzionalità di quando specifichi CUSTOM o SEQ come per l'opzione DATA_SPLIT_METHOD.
  • EVALUATION_TASK: un valore STRING che specifica il tipo di attività su cui vuoi ottimizzare il modello eseguire il deployment. 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 dei prompt in la 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 dell'etichetta nella tabella dei dati di addestramento da utilizzare nell'ottimizzazione supervisionata. Puoi specificare un solo elemento nell'array. Il valore predefinito è un array vuoto. Questo fa sì che label sia il valore predefinito di dall'argomento LABEL_COLUMN.
  • PROMPT_COLUMN: la colonna in la tabella dei dati di addestramento che contiene la richiesta di valutazione contenuti nella colonna LABEL_COLUMN. Questa colonna deve essere di Digita STRING o esegui la trasmissione a STRING. Se specifichi per l'opzione INPUT_PROMPT_COL, devi specificare lo stesso valore di PROMPT_COLUMN. In caso contrario, questo valore deve essere prompt. Se la tabella non ha un 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 nei dati di addestramento che contiene gli esempi con cui addestrare il modello. Questa colonna deve essere di Digita STRING o esegui la trasmissione a STRING. Se specifichi per l'opzione INPUT_LABEL_COLS, devi specificare lo stesso valore di LABEL_COLUMN. In caso contrario, questo valore deve essere label. Se la tabella non ha un 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 che contiene la tabella dei dati di addestramento.
  • TABLE_DATASET: il nome del che contiene la tabella dei dati di addestramento.
  • TABLE_NAME: il nome della tabella che contiene i dati da utilizzare per addestrare il modello.

text-bison 

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,
  EARLY_STOP = EARLY_STOP,
  ACCELERATOR_TYPE = 'ACCELERATOR_TYPE',
  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 del progetto in cui creare il modello.
  • DATASET_ID: l'ID del set di dati da che contiene il modello. Questo set di dati deve trovarsi in una il job di pipeline e la regione di caricamento del modello supportati.
  • MODEL_NAME: il nome del modello.
  • REGION: la regione utilizzata dalla connessione.
  • CONNECTION_ID: l'ID del tuo Connessione BigQuery. Questa connessione deve trovarsi nella stessa location come set di dati che stai utilizzando.

    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: un valore STRING che specifica il nome del modello da utilizzare, che in questo caso deve essere qualsiasi versione del modello text-bison.
  • MAX_ITERATIONS: un valore INT64 che specifica il numero di passaggi da eseguire ottimizzazione supervisionata. Il valore MAX_ITERATIONS deve essere compreso tra 1 e ∞. In genere, per completare 100 passaggi è necessaria circa un'ora. Il valore predefinito è 300.

    MAX_ITERATIONS in combinazione con il valore ACCELERATOR_TYPE influisce la dimensione del batch usata nell'addestramento del modello. Per ulteriori informazioni viene determinata la dimensione del batch, MAX_ITERATIONS. Per ulteriori indicazioni sulla scelta del numero di passaggi di addestramento, vedi Configurazioni consigliate.

  • LEARNING_RATE_MULTIPLIER: un FLOAT64 Un moltiplicatore da applicare all'apprendimento consigliato di conversione. Il valore predefinito è 1.0.
  • EARLY_STOP: un valore BOOL che determina se interrompere l'ottimizzazione supervisionata prima di completare tutte le i passaggi di ottimizzazione. Se impostato su TRUE, l'ottimizzazione supervisionata viene interrotta se il modello le prestazioni, come misurate dall'accuratezza dei token previsti, migliorare abbastanza tra le esecuzioni di valutazione. Se impostato su FALSE, l'ottimizzazione supervisionata continua fino al completamento di tutti i passaggi dell'ottimizzazione. La il valore predefinito è FALSE.
  • ACCELERATOR_TYPE: un valore STRING che specifica il tipo di acceleratore da usare per l'ottimizzazione supervisionata. Il valore sono le seguenti:
    • GPU: utilizza GPU A100 da 80 GB per l'ottimizzazione supervisionata.
    • TPU: utilizza 64 core del pod TPU v3 per l'ottimizzazione supervisionata. Se scegli questa opzione, si verifica quanto segue:
      • Devi eseguire la query nella regione europe-west4. Per informazioni sulla modifica delle opzioni di query come la località, consulta Esegui una query interattiva.
      • I calcoli di ottimizzazione supervisionati vengono eseguiti in europe-west4, perché è qui che le risorse TPU in cui si trovano.

    Il valore predefinito è GPU. Qualunque sia l'opzione utilizzata, di avere abbastanza quota.

  • DATA_SPLIT_METHOD: un valore STRING che specifica il metodo utilizzato per suddividere i dati di input in di valutazione. Le opzioni valide sono le seguenti:
    • AUTO_SPLIT: BigQuery ML automaticamente suddivide i dati. Il modo in cui i dati vengono suddivisi varia a seconda il numero di righe nella tabella di input. Questo è il valore predefinito.
    • RANDOM: i dati vengono randomizzati prima di essere suddivisi in set. Per personalizzare la suddivisione dati, puoi utilizzare questa opzione con il Opzione DATA_SPLIT_EVAL_FRACTION.
    • CUSTOM: i dati vengono suddivisi utilizzando la colonna forniti nell'opzione DATA_SPLIT_COL. Il valore DATA_SPLIT_COL deve essere il nome di una colonna di tipo BOOL. Righe con il valore TRUE o Vengono utilizzate NULL come dati di valutazione e le righe con il valore FALSE vengono utilizzati come dati di addestramento.
    • SEQ: consente di suddividere i dati utilizzando la colonna forniti 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 sono 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 utilizzate come dati di addestramento.

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

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

  • DATA_SPLIT_EVAL_FRACTION: un Il valore FLOAT64 che specifica la frazione del dati da utilizzare come dati di valutazione durante l'esecuzione dell'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 per l'opzione DATA_SPLIT_METHOD. A personalizzare la suddivisione dati, puoi utilizzare Opzione DATA_SPLIT_METHOD con DATA_SPLIT_EVAL_FRACTION .

  • DATA_SPLIT_COL: un valore STRING che specifica il nome della colonna da utilizzare per ordinare i dati di input l'addestramento o la valutazione. Utilizza le funzionalità di quando specifichi CUSTOM o SEQ come per l'opzione DATA_SPLIT_METHOD.
  • EVALUATION_TASK: un valore STRING che specifica il tipo di attività su cui vuoi ottimizzare il modello eseguire il deployment. 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 dei prompt in la 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 dell'etichetta nella tabella dei dati di addestramento da utilizzare nell'ottimizzazione supervisionata. Puoi specificare un solo elemento nell'array. Il valore predefinito è un array vuoto. Questo fa sì che label sia il valore predefinito di dall'argomento LABEL_COLUMN.
  • PROMPT_COLUMN: la colonna in la tabella dei dati di addestramento che contiene la richiesta di valutazione contenuti nella colonna LABEL_COLUMN. Questa colonna deve essere di Digita STRING o esegui la trasmissione a STRING. Se specifichi per l'opzione INPUT_PROMPT_COL, devi specificare lo stesso valore di PROMPT_COLUMN. In caso contrario, questo valore deve essere prompt. Se la tabella non ha un 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 nei dati di addestramento che contiene gli esempi con cui addestrare il modello. Questa colonna deve essere di Digita STRING o esegui la trasmissione a STRING. Se specifichi per l'opzione INPUT_LABEL_COLS, devi specificare lo stesso valore di LABEL_COLUMN. In caso contrario, questo valore deve essere label. Se la tabella non ha un 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 che contiene la tabella dei dati di addestramento.
  • TABLE_DATASET: il nome del che contiene la tabella dei dati di addestramento.
  • TABLE_NAME: il nome della tabella che contiene i dati da utilizzare per addestrare il modello.

valuta il modello ottimizzato

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

    Vai a BigQuery

  2. Nell'editor query, esegui questa 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 del contenente 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. Tu può fornire questo valore utilizzando l'opzione prompt_col durante durante l'addestramento del modello. Se prompt_col non è specificato, la colonna denominato prompt nei dati di addestramento. Errore: viene restituito se non è presente una colonna denominata prompt.

      La tabella deve avere una colonna il cui nome corrisponde al nome della colonna dell'etichetta che è forniti durante l'addestramento del modello. Puoi fornire questo valore utilizzando il metodo Opzione input_label_cols durante l'addestramento del modello. Se input_label_cols non è specificato, la colonna denominata Viene utilizzato 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.

      Valori più bassi per temperature sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti di temperature possono portare a una maggiore diversità o risultati creativi. Un valore di 0 per temperature è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.

    • TOP_K: un valore INT64 nel l'intervallo [1,40] che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per l'opzione meno casuale e un valore più alto per risposte più casuali. L'impostazione predefinita è 40.
    • TOP_P: un valore FLOAT64 nel l'intervallo [0.0,1.0] aiuta a determinare quali token dal pool determinati da TOP_K. 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 Funzione ML.GENERATE_TEXT:

Colonna Richiesta

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_K AS top_k, 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 caratteristiche nell'LLM ottimizzato. La funzionalità il nome della colonna nell'LLM può essere impostato utilizzando il PROMPT_COL quando crei il modello. In caso contrario, il nome della colonna delle caratteristiche nel L'LLM è prompt per impostazione predefinita. In alternativa, puoi utilizzare un alias per utilizzare un con un 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 [1,1024]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è 128.
  • TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è 0.

    Valori più bassi per temperature sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti di temperature possono portare a una maggiore diversità o risultati creativi. Un valore di 0 per temperature è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.

  • TOP_K: un valore INT64 nel l'intervallo [1,40] che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per l'opzione meno casuale e un valore più alto per risposte più casuali. L'impostazione predefinita è 40.
  • TOP_P: un valore FLOAT64 nel l'intervallo [0.0,1.0] aiuta a determinare la probabilità selezionati. Specifica un valore più basso per risposte meno casuali e un 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: ARRAY<STRING> valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.

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

  • Utilizza la colonna prompt della tabella prompts per la richiesta.
  • 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.llm_model`,
    TABLE mydataset.prompts,
    STRUCT(
      0.4 AS temperature, 100 AS max_output_tokens, 0.5 AS top_p,
      40 AS top_k, TRUE AS flatten_json_output));

Query con prompt

Genera 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_K AS top_k, 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 il prompt e i dati di Google Cloud.
  • 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. L'impostazione predefinita è 128.
  • TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. L'impostazione predefinita è 0.

    Valori più bassi per temperature sono ideali per prompt che richiedono risposte più deterministiche e meno aperte o creative, mentre valori più alti di temperature possono portare a una maggiore diversità o risultati creativi. Un valore di 0 per temperature è deterministica, il che significa che la risposta con la probabilità più alta sempre selezionata.

  • TOP_K: un valore INT64 nel l'intervallo [1,40] che determina il pool iniziale di token che il modello prende in considerazione per la selezione. Specifica un valore più basso per l'opzione meno casuale e un valore più alto per risposte più casuali. L'impostazione predefinita è 40.
  • TOP_P: un valore FLOAT64 nel l'intervallo [0.0,1.0] aiuta a determinare la probabilità selezionati. Specifica un valore più basso per risposte meno casuali e un 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: ARRAY<STRING> valore che rimuove le stringhe specificate se sono incluse nel risposte da parte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.

Esempio 1

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

  • Richiede un riepilogo del testo nella colonna body di la 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.llm_model`,
    (
      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,
      15 AS top_k, 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 fornire prefissi di prompt con colonne delle tabelle.
  • 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.llm_tuned_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,
      30 AS top_k, FALSE AS flatten_json_output));