Genera texto con un modelo de Gemini y la función ML.GENERATE_TEXT
En este instructivo, se muestra cómo crear un modelo remoto basado en el modelo gemini-1.0-pro-002 y, luego, cómo usar ese modelo con la función ML.GENERATE_TEXT para extraer palabras clave y realizar análisis de opiniones en reseñas de películas de la tabla pública bigquery-public-data.imdb.reviews.
Permisos necesarios
- Para crear el conjunto de datos, necesitas el permiso
bigquery.datasets.createde Identity and Access Management (IAM). Para crear el recurso de conexión, necesitas los siguientes permisos de IAM:
bigquery.connections.createbigquery.connections.get
Para otorgar permisos a la cuenta de servicio de la conexión, necesitas el siguiente permiso:
resourcemanager.projects.setIamPolicy
Para crear el modelo, necesitas los siguientes permisos:
bigquery.jobs.createbigquery.models.createbigquery.models.getDatabigquery.models.updateDatabigquery.connections.delegate
Para ejecutar inferencias, necesitas los siguientes permisos:
bigquery.models.getDatabigquery.jobs.create
Costos
En este documento, usarás los siguientes componentes facturables de Google Cloud:
- BigQuery ML: You incur costs for the data that you process in BigQuery.
- Vertex AI: You incur costs for calls to the Vertex AI service that's represented by the remote model.
Para generar una estimación de costos en función del uso previsto, usa la calculadora de precios.
Para obtener más información sobre los precios de BigQuery, consulta Precios de BigQuery en la documentación de BigQuery.
Para obtener más información sobre los precios de Vertex AI, consulta la página Precios de Vertex AI.
Antes de comenzar
-
In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
-
Make sure that billing is enabled for your Google Cloud project.
-
Enable the BigQuery, BigQuery Connection, and Vertex AI APIs.
Crea un conjunto de datos
Crea un conjunto de datos de BigQuery para almacenar tu modelo de AA:
En la consola de Google Cloud, ve a la página de BigQuery.
En el panel Explorador, haz clic en el nombre de tu proyecto.
Haz clic en Ver acciones > Crear conjunto de datos.
En la página Crear conjunto de datos, haz lo siguiente:
En ID del conjunto de datos, ingresa
bqml_tutorial.En Tipo de ubicación, selecciona Multirregión y, luego, EE.UU. (varias regiones en Estados Unidos).
Los conjuntos de datos públicos se almacenan en la multirregión
US. Para que sea más simple, almacena tu conjunto de datos en la misma ubicación.Deja la configuración predeterminada restante como está y haz clic en Crear conjunto de datos.
Crear una conexión
Crea una conexión de recurso de Cloud y obtén la cuenta de servicio de la conexión. Crea la conexión en la misma ubicación que el conjunto de datos que creaste en el paso anterior.
Selecciona una de las opciones siguientes:
Console
Ve a la página de BigQuery.
Para crear una conexión, haz clic en Agregar y, luego, en Conexiones a fuentes de datos externas.
En la lista Tipo de conexión, selecciona Modelos remotos de Vertex AI, funciones remotas y BigLake (Cloud Resource).
En el campo ID de conexión, escribe un nombre para tu conexión.
Haz clic en Crear conexión (Create connection).
Haz clic en Ir a la conexión.
En el panel Información de conexión, copia el ID de la cuenta de servicio para usarlo en un paso posterior.
bq
En un entorno de línea de comandos, crea una conexión:
bq mk --connection --location=REGION --project_id=PROJECT_ID \ --connection_type=CLOUD_RESOURCE CONNECTION_ID
El parámetro
--project_idanula el proyecto predeterminado.Reemplaza lo siguiente:
REGION: tu región de conexiónPROJECT_ID: El ID del proyecto de Google Cloud.CONNECTION_ID: Es un ID para tu conexión.
Cuando creas un recurso de conexión, BigQuery crea una cuenta de servicio del sistema única y la asocia con la conexión.
Solución de problemas: Si recibes el siguiente error de conexión, actualiza el SDK de Google Cloud:
Flags parsing error: flag --connection_type=CLOUD_RESOURCE: value should be one of...
Recupera y copia el ID de cuenta de servicio para usarlo en un paso posterior:
bq show --connection PROJECT_ID.REGION.CONNECTION_ID
El resultado es similar a este:
name properties 1234.REGION.CONNECTION_ID {"serviceAccountId": "connection-1234-9u56h9@gcp-sa-bigquery-condel.iam.gserviceaccount.com"}
Terraform
Agrega la siguiente sección a tu archivo 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 {} }
CONNECTION_ID: Es un ID para tu conexión.PROJECT_ID: El ID del proyecto de Google Cloud.REGION: tu región de conexión
Otorga permisos a la cuenta de servicio de las conexiones
Otorga a la cuenta de servicio de la conexión el rol de usuario de Vertex AI. Debes otorgar este rol en el mismo proyecto que creaste o seleccionaste en la sección Antes de comenzar. Si otorgas el rol en un proyecto diferente, se produce el error bqcx-1234567890-xxxx@gcp-sa-bigquery-condel.iam.gserviceaccount.com does not have the permission to access resource.
Para otorgar el rol, sigue estos pasos:
Ir a la página IAM y administración
Haz clic en Otorgar acceso.
En el campo Principales nuevas, escribe el ID de la cuenta de servicio que copiaste antes.
En el campo Selecciona un rol, elige Vertex AI y, luego, selecciona Rol del usuario de Vertex AI.
Haz clic en Guardar.
Crea el modelo remoto
Crea un modelo remoto que represente un modelo de Vertex AI alojado:
En la consola de Google Cloud, ve a la página de BigQuery.
En el editor de consultas, ejecuta la siguiente declaración:
CREATE OR REPLACE MODEL `bqml_tutorial.gemini_model` REMOTE WITH CONNECTION `LOCATION.CONNECTION_ID` OPTIONS (ENDPOINT = 'gemini-1.0-pro-002');
Reemplaza lo siguiente:
LOCATION: la ubicación de la conexiónCONNECTION_IDpor el ID de la conexión de BigQueryCuando ves los detalles de conexión en la consola de Google Cloud, este es el valor en la última sección del ID de conexión completamente calificado que se muestra en Conexión ID, por ejemplo
projects/myproject/locations/connection_location/connections/myconnection
La consulta tarda varios segundos en completarse, después de eso, el modelo gemini_model aparece en el conjunto de datos bqml_tutorial en el panel Explorador.
Debido a que la consulta usa una declaración CREATE MODEL para crear un modelo, no hay resultados de consultas.
Realiza la extracción de palabras clave
Realiza la extracción de palabras clave en reseñas de películas de IMDB con el modelo remoto y la función ML.GENERATE_TEXT:
En la consola de Google Cloud, ve a la página de BigQuery.
En el Editor de consultas, ingresa la siguiente declaración para realizar la extracción de palabras clave en cinco reseñas de películas:
SELECT ml_generate_text_result['candidates'][0]['content'] AS generated_text, ml_generate_text_result['candidates'][0]['safety_ratings'] AS safety_ratings, * EXCEPT (ml_generate_text_result) FROM ML.GENERATE_TEXT( MODEL `bqml_tutorial.gemini_model`, ( SELECT CONCAT('Extract the key words from the text below: ', review) AS prompt, * FROM `bigquery-public-data.imdb.reviews` LIMIT 5 ), STRUCT( 0.2 AS temperature, 100 AS max_output_tokens));
El resultado es similar al siguiente, con las columnas no generadas que se omiten para mayor claridad:
+----------------------------------------+---------------------------------------------+-------------------------+----------------------------+-----+ | generated_text | safety_ratings | ml_generate_text_status | prompt | ... | +----------------------------------------+---------------------------------------------+-------------------------+----------------------------+-----+ | {"parts":[{"text":"## Key words:\n\n* | [{"category":1,"probability":1, | | Extract the key words from | | | **Negative sentiment:** \"terribly | "probability_score":0.28856909, | | the text below: I had to | | | bad acting\", \"dumb story\", \"not | "severity":1,"severity_score":0.1510278}, | | see this on the British | | | even a kid would enjoy this\", | {"category":2,"probability":1, | | Airways plane. It was | | | \"something to switch off\"\n* | "probability_score":0.062445287, | | terribly bad acting and | | | **Context:** \"British Airways plane\" | "severity":1,"severity_score":0.10393038}, | | a dumb story. Not even | | | \n* **Genre:** \"movie\" (implied)... | {"category":3,"probability":2,... | | a kid would enjoy this... | | +----------------------------------------+---------------------------------------------+-------------------------+----------------------------+-----+ | {"parts":[{"text":"## Key words:\n\n* | [{"category":1,"probability":1, | | Extract the key words from | | | **Movie:** The Real Howard Spitz\n* | "probability_score":0.2995148,"severity":2, | | the text below: This is | | | **Genre:** Family movie\n* | "severity_score":0.22354652}, | | a family movie that was | | | **Broadcast:** ITV station, 1.00 am\n* | {"category":2,"probability":1," | | broadcast on my local | | | **Director:** Vadim Jean\n* | probability_score":0.13072868, | | ITV station at 1.00 am a | | | **Main character:** Howard Spitz, | "severity":1,"severity_score":0.07030385}, | | couple of nights ago. | | | a children's author who hates... | {"category":3,"probability":2," ... | | This might be a strange... | | +----------------------------------------+---------------------------------------------+-------------------------+----------------------------+-----+Los resultados incluyen las siguientes columnas:
generated_text: es el texto generado.safety_ratings: los atributos de seguridad, junto con información sobre si el contenido está bloqueado debido a una de las categorías de bloqueo. Para obtener más información sobre los atributos de seguridad, consulta la API de Vertex PaLM.ml_generate_text_status: el estado de la respuesta de la API para la fila correspondiente. Si la operación se realizó correctamente, este valor estará vacío.prompt: el mensaje que se usa para el análisis de opiniones.- Todas las columnas de la tabla
bigquery-public-data.imdb.reviews.
Opcional: En lugar de analizar manualmente el JSON que muestra la función, como lo hiciste en el paso anterior, usa el argumento
flatten_json_outputpara mostrar el texto generado y los atributos de seguridad en columnas separadas.En el editor de consultas, ejecuta la siguiente declaración:
SELECT * FROM ML.GENERATE_TEXT( MODEL `bqml_tutorial.gemini_model`, ( SELECT CONCAT('Extract the key words from the text below: ', review) AS prompt, * FROM `bigquery-public-data.imdb.reviews` LIMIT 5 ), STRUCT( 0.2 AS temperature, 100 AS max_output_tokens, TRUE AS flatten_json_output));
El resultado es similar al siguiente, con las columnas no generadas que se omiten para mayor claridad:
+----------------------------------------+----------------------------------------------+-------------------------+----------------------------+-----+ | ml_generate_text_llm_result | ml_generate_text_rai_result | ml_generate_text_status | prompt | ... | +----------------------------------------+----------------------------------------------+-------------------------+----------------------------+-----+ | ## Keywords: | [{"category":1,"probability":1, | | Extract the key words from | | | | "probability_score":0.29391089,"severity":1, | | the text below: I had to | | | * **Negative sentiment:** | "severity_score":0.15584777},{"category":2, | | see this on the British | | | "terribly bad acting", "dumb | "probability":1,"probability_score": | | Airways plane. It was | | | story", "not even a kid would | 0.061311536,"severity":1,"severity_score": | | terribly bad acting and | | | enjoy this", "switch off" | 0.10320505},{"category":3,"probability":2, | | a dumb story. Not even | | | * **Context:** "British | "probability_score":0.60340... | | a kid would enjoy this... | | +----------------------------------------+----------------------------------------------+-------------------------+----------------------------+-----+ | ## Key words: | [{"category":1,"probability":1, | | Extract the key words from | | | | "probability_score":0.16968086,"severity":1, | | the text below: This is | | | * **Movie:** The Real Howard Spitz | "severity_score":0.13386749},{"category":2, | | a family movie that was | | | * **Genre:** Family movie | "probability":1,"probability_score": | | broadcast on my local | | | * **Broadcast:** ITV, 1.00 | 0.14841709,"severity":1,"severity_score": | | ITV station at 1.00 am a | | | am | 0.062674366},{"category":3,"probability":1, | | couple of nights ago. | | | - ... | "probability_score":0.38116196,... | | This might be a strange... | | +----------------------------------------+----------------------------------------------+-------------------------+----------------------------+-----+Los resultados incluyen las siguientes columnas:
ml_generate_text_llm_result: es el texto generado.ml_generate_text_rai_result: los atributos de seguridad, junto con información sobre si el contenido está bloqueado debido a una de las categorías de bloqueo. Para obtener más información sobre los atributos de seguridad, consulta la API de Vertex PaLM.ml_generate_text_status: el estado de la respuesta de la API para la fila correspondiente. Si la operación se realizó correctamente, este valor estará vacío.prompt: el mensaje que se usa para la extracción de palabras clave.- Todas las columnas de la tabla
bigquery-public-data.imdb.reviews.
Realiza análisis de opiniones
Realiza análisis de opiniones en reseñas de películas de IMDB con el modelo remoto y la función ML.GENERATE_TEXT:
En la consola de Google Cloud, ve a la página de BigQuery.
En el Editor de consultas, ejecuta la siguiente declaración para realizar un análisis de opiniones en cinco reseñas de películas:
SELECT ml_generate_text_result['candidates'][0]['content'] AS generated_text, ml_generate_text_result['candidates'][0]['safety_ratings'] AS safety_ratings, * EXCEPT (ml_generate_text_result) FROM ML.GENERATE_TEXT( MODEL `bqml_tutorial.gemini_model`, ( SELECT CONCAT( 'perform sentiment analysis on the following text, return one the following categories: positive, negative: ', review) AS prompt, * FROM `bigquery-public-data.imdb.reviews` LIMIT 5 ), STRUCT( 0.2 AS temperature, 100 AS max_output_tokens));
El resultado es similar al siguiente, con las columnas no generadas que se omiten para mayor claridad:
+--------------------------------------------+---------------------------------------------+-------------------------+----------------------------+-----+ | generated_text | safety_ratings | ml_generate_text_status | prompt | ... | +--------------------------------------------+---------------------------------------------+-------------------------+----------------------------+-----+ | {"parts":[{"text":"## Sentiment Analysis: | [{"category":1,"probability":1, | | perform sentiment analysis | | | Negative \n\nThis text expresses a | "probability_score":0.33895186, | | on the following text, | | | strongly negative sentiment towards the | "severity":1,"severity_score":0.10521054}, | | return one the following | | | movie. Here's why:\n\n* **Negative | {"category":2,"probability":1, | | negative: I had to see | | | like \"terribly,\" \"dumb,\" and | "probability_score":0.069163561,"severity" | | this on the British | | | \"not even\" to describe the acting... | :1,"severity_score":0.093512312},... | | Airways plane. It was... | | +--------------------------------------------+---------------------------------------------+-------------------------+----------------------------+-----+ | {"parts":[{"text":"## Sentiment Analysis: | [{"category":1,"probability":1, | | perform sentiment analysis | | | Negative \n\nThis review expresses a | "probability_score":0.35644665, | | on the following text, | | | predominantly negative sentiment towards | "severity":1,"severity_score":0.15253653}, | | return one the following | | | the movie \"The Real Howard Spitz.\" | {"category":2,"probability":1, | | categories: positive, | | | Here's why:\n\n* **Criticism of the film's | "probability_score":0.063948415,"severity" | | negative: This is a family | | | premise:** The reviewer finds it strange | :1,"severity_score":0.047249716}, | | movie that was broadcast | | | that a film about a children's author... | {"category":3,"probability":2,... | | on my local ITV station... | | +--------------------------------------------+---------------------------------------------+-------------------------+----------------------------+-----+Los resultados incluyen las mismas columnas documentadas para Realizar la extracción de palabras clave.
Limpia
- 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.