원격 모델 및 ML.GENERATE_TEXT 함수를 사용하여 텍스트 생성

이 튜토리얼에서는 text-bison 대규모 언어 모델을 기반으로 하는 원격 모델을 만든 다음 해당 모델을 ML.GENERATE_TEXT 함수와 함께 사용하여 여러 텍스트 생성 작업을 수행하는 방법을 보여줍니다. 이 튜토리얼에서는 bigquery-public-data.imdb.reviews 공개 테이블을 사용합니다.

필수 권한

• 데이터 세트를 만들려면 bigquery.datasets.create Identity and Access Management(IAM) 권한이 필요합니다.

• 연결 리소스를 만들려면 다음 IAM 권한이 필요합니다.

  • bigquery.connections.create
  • bigquery.connections.get

• 연결의 서비스 계정에 권한을 부여하려면 다음 권한이 필요합니다.

  • resourcemanager.projects.setIamPolicy

• 모델을 만들려면 다음 권한이 필요합니다.

  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData
  • bigquery.connections.delegate

• 추론을 실행하려면 다음 권한이 필요합니다.

  • bigquery.models.getData
  • bigquery.jobs.create

비용

이 문서에서는 비용이 청구될 수 있는 다음과 같은 Google Cloud 구성요소를 사용합니다.

• BigQuery ML: BigQuery에서 처리하는 데이터에 대한 비용이 발생합니다.
• Vertex AI: 원격 모델로 표시되는 Vertex AI 서비스 호출에 비용이 발생합니다.

프로젝트 사용량을 기준으로 예상 비용을 산출하려면 가격 계산기를 사용하세요. Google Cloud를 처음 사용하는 사용자는 무료 체험판을 사용할 수 있습니다.

BigQuery 가격 책정에 대한 자세한 내용은 BigQuery 문서에서 BigQuery 가격 책정을 참조하세요.

Vertex AI 가격 책정에 대한 자세한 내용은 Vertex AI 가격 책정 페이지를 참조하세요.

시작하기 전에

1. Google Cloud Console의 프로젝트 선택기 페이지에서 Google Cloud 프로젝트를 선택하거나 만듭니다.

   참고: 이 절차에서 생성한 리소스를 유지하지 않으려면 기존 프로젝트를 선택하지 말고 프로젝트를 새로 만드세요. 작업이 끝나면 프로젝트를 삭제하여 프로젝트와 관련된 모든 리소스를 삭제할 수 있습니다.

   프로젝트 선택기로 이동

2. Google Cloud 프로젝트에 결제가 사용 설정되어 있는지 확인합니다.

3. API BigQuery, BigQuery Connection, and Vertex AI 사용 설정

   API 사용 설정

데이터 세트 생성

ML 모델을 저장할 BigQuery 데이터 세트를 만듭니다.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery 페이지로 이동

2. 탐색기 창에서 프로젝트 이름을 클릭합니다.

3. 작업 보기 > 데이터 세트 만들기를 클릭합니다.

   

4. 데이터 세트 만들기 페이지에서 다음을 수행합니다.

   • 데이터 세트 ID에 bqml_tutorial를 입력합니다.

   • 위치 유형에 대해 멀티 리전을 선택한 다음 US(미국 내 여러 리전)를 선택합니다.

     공개 데이터 세트는 US 멀티 리전에 저장됩니다. 편의상 같은 위치에 데이터 세트를 저장합니다.

   • 나머지 기본 설정은 그대로 두고 데이터 세트 만들기를 클릭합니다.

     

연결 만들기

클라우드 리소스 연결을 만들고 연결의 서비스 계정을 가져옵니다. 이전 단계에서 만든 데이터 세트와 동일한 위치에 연결을 만듭니다.

다음 옵션 중 하나를 선택합니다.

콘솔

1. BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 연결을 만들려면 추가를 클릭한 다음 외부 데이터 소스에 연결을 클릭합니다.

3. 연결 유형 목록에서 Vertex AI 원격 모델, 원격 함수, BigLake(Cloud 리소스)를 선택합니다.

4. 연결 ID 필드에 연결 이름을 입력합니다.

5. 연결 만들기를 클릭합니다.

6. 연결로 이동을 클릭합니다.

7. 연결 정보 창에서 나중의 단계에 사용할 서비스 계정 ID를 복사합니다.

bq

1. 명령줄 환경에서 연결을 만듭니다.

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

   --project_id 매개변수는 기본 프로젝트를 재정의합니다.

   다음을 바꿉니다.

   • REGION: 연결 리전
   • PROJECT_ID: Google Cloud 프로젝트 ID
   • CONNECTION_ID: 연결의 ID

   연결 리소스를 만들면 BigQuery가 고유한 시스템 서비스 계정을 만들고 이를 연결에 연계합니다.

   문제 해결: 다음 연결 오류가 발생하면 Google Cloud SDK를 업데이트하세요.

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

2. 이후 단계에서 사용할 수 있도록 서비스 계정 ID를 가져와 복사합니다.

   bq show --connection PROJECT_ID.REGION.CONNECTION_ID
   

   출력은 다음과 비슷합니다.

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

Terraform

main.tf 파일에 다음 섹션을 추가합니다.

 ## 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 {}
}        

다음을 바꿉니다.

• CONNECTION_ID: 연결의 ID
• PROJECT_ID: Google Cloud 프로젝트 ID
• REGION: 연결 리전

연결의 서비스 계정에 권한 부여

Vertex AI 서비스에 액세스하기 위해 연결의 서비스 계정에 적절한 역할을 부여하려면 다음 단계를 따르세요.

1. IAM 및 관리자 페이지로 이동합니다.

   IAM 및 관리자로 이동

2. 액세스 권한 부여를 클릭합니다.

3. 새 주 구성원 필드에 앞에서 복사한 서비스 계정 ID를 입력합니다.

4. 역할 선택 필드에서 Vertex AI를 선택한 후 Vertex AI 사용자 역할을 선택합니다.

5. 저장을 클릭합니다.

원격 모델 만들기

호스팅된 Vertex AI 대규모 언어 모델(LLM)을 나타내는 원격 모델을 만듭니다.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 쿼리 편집기에서 다음 쿼리를 실행합니다.

   CREATE OR REPLACE MODEL `bqml_tutorial.llm_model`
     REMOTE WITH CONNECTION `LOCATION.CONNECTION_ID`
     OPTIONS (ENDPOINT = 'text-bison');
   

   다음을 바꿉니다.

   • LOCATION: 연결 위치
   • CONNECTION_ID: BigQuery 연결의 ID

     Google Cloud 콘솔에서 연결 세부정보를 열람할 때 이는 연결 ID에 표시되는 정규화된 연결 ID의 마지막 섹션에 있는 값입니다(예: projects/myproject/locations/connection_location/connections/myconnection).

   쿼리가 완료되는 데 몇 초 정도 걸리며 그 이후에는 llm_model 모델이 탐색기 창의 bqml_tutorial 데이터 세트에 표시됩니다. 이 쿼리에서는 CREATE MODEL 문을 사용하여 모델을 만들므로 쿼리 결과가 없습니다.

키워드 추출 수행

원격 모델과 ML.GENERATE_TEXT 함수를 사용하여 IMDB 영화 리뷰에서 키워드 추출을 수행합니다.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 쿼리 편집기에서 다음 문을 입력하여 5개의 영화 리뷰에 대한 키워드 추출을 수행합니다.

   SELECT
     ml_generate_text_result['predictions'][0]['content'] AS generated_text,
     ml_generate_text_result['predictions'][0]['safetyAttributes']
       AS safety_attributes,
     * EXCEPT (ml_generate_text_result)
   FROM
     ML.GENERATE_TEXT(
       MODEL `bqml_tutorial.llm_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));
   

   출력은 다음과 비슷합니다.

   

   결과에 다음 열이 포함됩니다.

   • generated_text: 생성된 텍스트입니다.
   • safety_attributes: 차단 카테고리 중 하나로 인해 콘텐츠가 차단되었는지 여부에 대한 정보와 함께 안전 속성입니다. 안전 속성에 대한 자세한 내용은 Vertex PaLM API를 참조하세요.
   • ml_generate_text_status: 해당 행의 API 응답 상태입니다. 작업이 성공하면 이 값이 비어 있습니다.
   • prompt: 감정 분석에 사용되는 프롬프트입니다.
   • bigquery-public-data.imdb.reviews 테이블의 모든 열입니다.

3. 선택사항: 이전 단계에서와 같이 함수에서 반환한 JSON을 수동으로 파싱하는 대신 flatten_json_output 인수를 사용하여 생성된 텍스트와 안전 속성을 별도의 열에 반환합니다.

   쿼리 편집기에서 다음 쿼리를 실행합니다.

   SELECT
     *
   FROM
     ML.GENERATE_TEXT(
       MODEL `bqml_tutorial.llm_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));
   

   출력은 다음과 비슷합니다.

   

   결과에 다음 열이 포함됩니다.

   • ml_generate_text_llm_result: 생성된 텍스트입니다.
   • ml_generate_text_rai_result: 차단 카테고리 중 하나로 인해 콘텐츠가 차단되었는지 여부에 대한 정보와 함께 안전 속성입니다. 안전 속성에 대한 자세한 내용은 Vertex PaLM API를 참조하세요.
   • ml_generate_text_status: 해당 행의 API 응답 상태입니다. 작업이 성공하면 이 값이 비어 있습니다.
   • prompt: 키워드 추출에 사용되는 프롬프트입니다.
   • bigquery-public-data.imdb.reviews 테이블의 모든 열입니다.

감정 분석 수행

원격 모델 및 ML.GENERATE_TEXT 함수를 사용하여 IMDB 영화 리뷰에 대한 감정 분석을 수행합니다.

1. Google Cloud 콘솔에서 BigQuery 페이지로 이동합니다.

   BigQuery로 이동

2. 쿼리 편집기에서 다음 문을 실행하여 5개의 영화 리뷰에 대한 감정 분석을 수행합니다.

   SELECT
     ml_generate_text_result['predictions'][0]['content'] AS generated_text,
     ml_generate_text_result['predictions'][0]['safetyAttributes']
       AS safety_attributes,
     * EXCEPT (ml_generate_text_result)
   FROM
     ML.GENERATE_TEXT(
       MODEL `bqml_tutorial.llm_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));
   

   출력은 다음과 비슷합니다.

   

   결과에는 키워드 추출 수행에 대해 설명된 것과 동일한 열이 포함됩니다.

삭제

주의: 프로젝트를 삭제하면 다음과 같은 효과가 발생합니다.

• 프로젝트의 모든 항목이 삭제됩니다. 이 문서의 태스크에 기존 프로젝트를 사용한 경우 프로젝트를 삭제하면 프로젝트에서 수행한 다른 작업도 삭제됩니다.
• 커스텀 프로젝트 ID가 손실됩니다. 이 프로젝트를 만들 때 앞으로 사용할 커스텀 프로젝트 ID를 만들었을 수 있습니다. appspot.com URL과 같이 프로젝트 ID를 사용하는 URL을 보존하려면 전체 프로젝트를 삭제하는 대신 프로젝트 내에서 선택한 리소스만 삭제합니다.

여러 아키텍처, 튜토리얼, 빠른 시작을 살펴보려는 경우 프로젝트를 재사용하면 프로젝트 할당량 한도 초과를 방지할 수 있습니다.

1. Google Cloud 콘솔에서 리소스 관리 페이지로 이동합니다.

   리소스 관리로 이동

2. 프로젝트 목록에서 삭제할 프로젝트를 선택하고 삭제를 클릭합니다.
3. 대화상자에서 프로젝트 ID를 입력한 후 종료를 클릭하여 프로젝트를 삭제합니다.