Questa pagina è stata tradotta dall'API Cloud Translation.

Generare testo utilizzando la funzione ML.GENERATE_TEXT

Questo documento mostra come creare un modello remoto BigQuery ML che rappresenti un modello Vertex AI ospitato. Il modello Vertex AI ospitato può essere un modello di testo o multimodale Vertex AI integrato o un modello Claude di Anthropic. A seconda del modello Vertex AI scelto, puoi utilizza la Funzione ML.GENERATE_TEXT di analizzare i dati non strutturati tabelle di oggetti o testo tabelle standard.

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, devi disporre della 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 sul tavolo
- bigquery.models.getData sul modello
- bigquery.jobs.create

Prima di iniziare

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
Make sure that billing is enabled for your Google Cloud project.
Enable the BigQuery, BigQuery Connection, and Vertex AI APIs.
Enable the APIs

Crea una connessione

Crea un Connessione alle risorse cloud e recuperare l'account di servizio della connessione.

Seleziona una delle seguenti opzioni:

Console

Vai alla pagina BigQuery.

Vai a BigQuery
Per creare una connessione, fai clic su Aggiungi e poi su Connessioni a origini dati esterne.
Nell'elenco Tipo di connessione, seleziona Modelli remoti Vertex AI, funzioni remote e BigLake (risorsa Cloud).
Nel campo ID connessione, inserisci un nome per connessione.
Fai clic su Crea connessione.
Fai clic su Vai alla connessione.
Nel riquadro Informazioni sulla connessione, copia l'ID account di servizio da utilizzare in un passaggio successivo.

bq

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...
```

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": "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 la connessione
PROJECT_ID: l'ID del tuo progetto Google Cloud
REGION: la regione di connessione

Concedi all'account di servizio l'accesso

Concedi all'account di servizio della connessione il ruolo Vertex AI User.

Se prevedi di specificare l'endpoint come URL quando crei il modello remoto, ad esempio endpoint = 'https://us-central1-aiplatform.googleapis.com/v1/projects/myproject/locations/us-central1/publishers/google/models/text-embedding-004', concedi questo ruolo nello stesso progetto specificato nell'URL.

Se prevedi di specificare l'endpoint utilizzando il nome del modello quando crei il modello remoto, ad esempio endpoint = 'text-embedding-004', concedi questo ruolo nello stesso progetto in cui prevedi di creare il modello remoto.

La concessione del ruolo in un altro progetto genera l'errore bqcx-1234567890-xxxx@gcp-sa-bigquery-condel.iam.gserviceaccount.com does not have the permission to access resource.

Per concedere il ruolo:

Console

Vai alla sezione IAM e Console di amministrazione.

Vai a IAM e amministrazione
Fai clic su Aggiungi.

Viene visualizzata la finestra di dialogo Aggiungi entità.
Nel campo Nuove entità, inserisci l'ID account di servizio che hai copiato in precedenza.
Nel campo Seleziona un ruolo, seleziona Vertex AI e poi Utente Vertex AI.
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

Attiva il modello Vertex AI

Questo passaggio è necessario solo se utilizzi un modello Claude.

Nella console Google Cloud, vai al Model Garden di Vertex AI .

Vai a Model Garden
Cerca o sfoglia per trovare il modello Claude che vuoi utilizzare.
Fai clic sulla scheda del modello.
Nella pagina del modello, fai clic su Attiva.
Compila le informazioni di abilitazione richieste e fai clic su Avanti.
Nella sezione Termini e condizioni, seleziona la casella di controllo.
Fai clic su Accetto per accettare i termini e le condizioni e attivare il modello.

Creare un modello remoto BigQuery ML

Nella console Google Cloud, vai alla pagina BigQuery.

Vai a BigQuery
Utilizza l'editor SQL 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');
```
Sostituisci quanto segue:
- PROJECT_ID: il tuo ID progetto
- DATASET_ID: l'ID del set di dati che deve contenere il modello. Questo set di dati deve trovarsi nella stessa località della connessione che stai utilizzando
- MODEL_NAME: il nome del modello
- REGION: la regione utilizzata dalla connessione
- CONNECTION_ID: l'ID della connessione BigQuery
  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: il nome del modello Vertex AI supportato da utilizzare.
  Per alcuni tipi di modelli, puoi specificare versione del modello. Per informazioni sulle versioni dei modelli supportate per i diversi tipi di modelli, consulta ENDPOINT.
Importante: i modelli text-bison e text-unicorn non sarà più disponibile ad aprile 2025. Se hai un telecomando che utilizzano uno di questi modelli, migrano in una Modello Gemini 1.5 il prima possibile.
Nota: se hai modelli remoti che utilizzano gemini-1.0-pro-vision, valuta la possibilità di eseguire la migrazione a Modello Gemini 1.5 per migliorare le prestazioni.

Generare testo da dati di testo utilizzando un prompt di una tabella

Genera testo utilizzando Funzione ML.GENERATE_TEXT con un modello remoto e utilizzando i dati di prompt di una colonna di tabella:

`gemini-1.5-flash`

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,
  GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search,
  SAFETY_SETTINGS AS safety_settings)
);

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 denominata prompt oppure puoi usare un alias per usare un'altra denominata colonna.
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 [0.0,2.0] 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_P: un valore FLOAT64 nel l'intervallo [0.0,1.0] aiuta a determinare la probabilità di 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: 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.
GROUND_WITH_GOOGLE_SEARCH: un valore BOOL che determina se il modello Vertex AI utilizza la coerenza con la Ricerca Google durante la generazione delle 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. Se flatten_json_output e questo campo sono impostati su True, nei risultati viene inclusa un'ulteriore colonna ml_generate_text_grounding_result, che fornisce le origini utilizzate dal modello per raccogliere ulteriori informazioni. 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) sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza di 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 (con limitazioni)
- 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

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

Utilizza la colonna prompt della tabella prompts per il prompt.
Restituisce il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

`gemini-1.5-pro`

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,
  GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search,
  SAFETY_SETTINGS AS safety_settings)
);

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 denominata prompt oppure puoi usare un alias per usare un'altra denominata colonna.
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 [0.0,2.0] 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_P: un valore FLOAT64 nel l'intervallo [0.0,1.0] aiuta a determinare la probabilità di 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: ARRAY<STRING> valore che rimuove le stringhe specificate se sono incluse nel risposte da parte 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 coerenza con la Ricerca Google durante la generazione delle 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) sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza di 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 (con limitazioni)
- 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 di soglia di blocco.

Esempio

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

Utilizza la colonna prompt della tabella prompts per il prompt.
Restituisce il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

`gemini-pro`

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,
  GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search,
  SAFETY_SETTINGS AS safety_settings)
);

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 denominata prompt oppure puoi usare un alias per usare un'altra denominata colonna.
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. 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. 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 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 di token 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: 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 il monitoraggio con la Ricerca Google durante la generazione delle 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) sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza di 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

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.
Appiattisce la risposta JSON in colonne separate.
Recupera e restituisce i dati web pubblici per il grounding della risposta.
Filtra le risposte non sicure utilizzando due impostazioni di sicurezza.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_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,
      TRUE AS ground_with_google_search,
      [STRUCT('HARM_CATEGORY_HATE_SPEECH' AS category,
        'BLOCK_LOW_AND_ABOVE' AS threshold),
      STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category,
        'BLOCK_MEDIUM_AND_ABOVE' AS threshold)] AS safety_settings));

`Claude`

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, TOP_K AS top_k,
  TOP_P AS top_p, 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.
TABLE_NAME: il nome della tabella che contiene il prompt. Questa tabella deve avere una colonna denominata prompt oppure puoi usare un alias per usare un'altra denominata colonna.
TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,4096]. Specifica un valore più basso per risposte più brevi e un valore più alto per più lunghe. Il valore predefinito è 128.
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. Se non specifichi un valore, il modello ne determina uno appropriato.
TOP_P: un valore FLOAT64 nel l'intervallo [0.0,1.0] aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Se non specifichi un valore, il modello ne determina uno appropriato.
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.

Esempio

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

Utilizza la colonna prompt della tabella prompts per il prompt.
Restituisce il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

`text-bison`

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 denominata prompt oppure puoi usare un alias per usare un'altra denominata colonna.
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 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 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 di token 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: un valore ARRAY<STRING> che rimuove le stringhe specificate se sono incluse nelle risposte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.

Esempio

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

Utilizza la colonna prompt della tabella prompts per il prompt.
Restituisce il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

`text-bison32`

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 denominata prompt oppure puoi usare un alias per usare un'altra denominata colonna.
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. 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. 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 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 di token 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: un valore ARRAY<STRING> che rimuove le stringhe specificate se sono incluse nelle risposte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.

Esempio

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

Utilizza la colonna prompt della tabella prompts per il prompt.
Restituisce il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

`text-unicorn`

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 denominata prompt oppure puoi usare un alias per usare un'altra denominata colonna.
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 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 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 di token 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: un valore ARRAY<STRING> che rimuove le stringhe specificate se sono incluse nelle risposte del modello. Le stringhe corrispondono esattamente, tra cui maiuscole/minuscole. Il valore predefinito è un array vuoto.

Esempio

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

Utilizza la colonna prompt della tabella prompts per il prompt.
Restituisce il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    TABLE mydataset.prompts,
    STRUCT(TRUE AS flatten_json_output));

Genera testo da dati di testo utilizzando un prompt da una query

Genera il testo utilizzando la funzione ML.GENERATE_TEXT con un modello remoto e una query che fornisce i dati del prompt:

`gemini-1.5-flash`

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,
  GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search,
  SAFETY_SETTINGS AS safety_settings)
);

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 [0.0,2.0] 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_P: un valore FLOAT64 nel l'intervallo [0.0,1.0] aiuta a determinare la probabilità di 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 il monitoraggio con la Ricerca Google durante la generazione delle 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. Se flatten_json_output e questo campo sono impostati su True, nei risultati viene inclusa un'ulteriore colonna ml_generate_text_grounding_result, che fornisce le origini utilizzate dal modello per raccogliere ulteriori informazioni. 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) sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza di 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 di la tabella articles.
Restituisce il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(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.
Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.

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

`gemini-1.5-pro`

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,
  GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search,
  SAFETY_SETTINGS AS safety_settings)
);

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 [0.0,2.0] 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_P: un valore FLOAT64 nel l'intervallo [0.0,1.0] aiuta a determinare la probabilità di 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 coerenza con la Ricerca Google durante la generazione delle risposte. Il grounding consente al modello di utilizzare informazioni aggiuntive da internet quando genera una risposta, al fine di 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) sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza di 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 (con limitazioni)
- 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 di soglia di blocco.

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 il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(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 i prefissi dei prompt con le colonne della tabella.
Restituisce una risposta breve.
Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.

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

`gemini-pro`

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,
  GROUND_WITH_GOOGLE_SEARCH AS ground_with_google_search,
  SAFETY_SETTINGS AS safety_settings)
);

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 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 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 di token 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: 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 coerenza con la Ricerca Google durante la generazione delle 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. Se flatten_json_output e questo campo sono impostati su True, nei risultati viene inclusa un'ulteriore colonna ml_generate_text_grounding_result, che fornisce le origini utilizzate dal modello per raccogliere ulteriori informazioni. 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) sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza di 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 di la tabella articles.
Restituisce il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(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.
Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.

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

Esempio 3

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

Richiede un riepilogo del testo nella colonna body della tabella articles.
Appiattisce la risposta JSON in colonne separate.
Recupera e restituisce i dati web pubblici per il grounding della risposta.
Filtra le risposte non sicure utilizzando due impostazioni di sicurezza.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(
      TRUE AS flatten_json_output, TRUE AS ground_with_google_search,
      [STRUCT('HARM_CATEGORY_HATE_SPEECH' AS category,
        'BLOCK_LOW_AND_ABOVE' AS threshold),
      STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category,
        'BLOCK_MEDIUM_AND_ABOVE' AS threshold)] AS safety_settings));

`Claude`

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  (PROMPT_QUERY),
  STRUCT(TOKENS AS max_output_tokens, TOP_K AS top_k,
  TOP_P AS top_p, 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.
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 [1,4096]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. L'impostazione predefinita è 128.
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. Se non specifichi un valore, il modello ne determina uno appropriato.
TOP_P: un valore FLOAT64 nel l'intervallo [0.0,1.0] aiuta a determinare la probabilità di token selezionati. Specifica un valore più basso per risposte meno casuali e un valore più alto per risposte più casuali. Se non specifichi un valore, il modello ne determina uno appropriato.
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.

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 il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(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 i prefissi dei prompt con le colonne della tabella.
Restituisce una risposta breve.
Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.

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

`text-bison`

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 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 [1,1024]. Specifica un valore più basso per risposte più brevi e un valore più alto per 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. 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 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 di token 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: 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.

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 il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(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.
Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.

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

`text-bison32`

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 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 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 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 di token 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: 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.

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 il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(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 i prefissi dei prompt con le colonne della tabella.
Restituisce una risposta breve.
Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.

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

`text-unicorn`

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 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 [1,1024]. Specifica un valore più basso per risposte più brevi e un valore più alto per 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. 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 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 di token 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: 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.

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 il testo generato e gli attributi di sicurezza in colonne separate.

SELECT *
FROM
  ML.GENERATE_TEXT(
    MODEL `mydataset.text_model`,
    (
      SELECT CONCAT('Summarize this text', body) AS prompt
      FROM mydataset.articles
    ),
    STRUCT(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 i prefissi dei prompt con le colonne della tabella.
Restituisce una risposta breve.
Non restituisce il testo generato e gli attributi di sicurezza in colonne separate.

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

Genera testo dai dati della tabella degli oggetti

Genera testo utilizzando Funzione ML.GENERATE_TEXT con un modello remoto, utilizzando una tabella di oggetti per fornire i contenuti da analizzare e fornendo i dati del prompt nel parametro prompt:

`gemini-1.5-flash`

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

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 di oggetti che contiene i contenuti da analizzare. Per ulteriori informazioni sui tipi di contenuti che puoi analizzare, consulta Input.
Il bucket Cloud Storage utilizzato dalla tabella degli oggetti deve essere nel percorso nello stesso progetto in cui hai creato il modello e in cui chiami Funzione ML.GENERATE_TEXT. Se vuoi chiamare il Funzione ML.GENERATE_TEXT in un progetto diverso da quello che contiene il bucket Cloud Storage utilizzato dalla tabella degli oggetti, devi concedere il ruolo Amministratore Storage a livello di bucket all'account di servizio service-A@gcp-sa-aiplatform.iam.gserviceaccount.com.
PROMPT: la richiesta da utilizzare per analizzare i contenuti.
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. L'impostazione predefinita è 128.
TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,2.0] 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_P: un valore FLOAT64 nel l'intervallo [0.0,1.0] aiuta a determinare la probabilità di 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.
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 ciascuna categoria una sola volta. Ad esempio, non puoi specificare sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza di 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.

Esempi

Questo esempio analizza i contenuti video di una tabella di oggetti denominata videos e descrive i contenuti di ogni video:

SELECT * FROM
  ML.GENERATE_TEXT(
    MODEL
      `mydataset.video_model`,
        TABLE `mydataset.videos`,
          STRUCT('What is happening in this video?' AS PROMPT,
          TRUE AS FLATTEN_JSON_OUTPUT));

Questo esempio traduce e trascrive i contenuti audio da una tabella di oggetti che ha il nome feedback:

SELECT * FROM
  ML.GENERATE_TEXT(
    MODEL
      `mydataset.audio_model`,
        TABLE `mydataset.feedback`,
          STRUCT('What is the content of this audio clip, translated into Spanish?' AS PROMPT,
          TRUE AS FLATTEN_JSON_OUTPUT));

Questo esempio classifica i contenuti PDF da una tabella di oggetti che ha il nome invoices:

SELECT * FROM
  ML.GENERATE_TEXT(
    MODEL
      `mydataset.classify_model`,
        TABLE `mydataset.invoices`,
          STRUCT('Classify this document based on the invoice total, using the following categories: 0 to 100, 101 to 200, greater than 200' AS PROMPT,
          TRUE AS FLATTEN_JSON_OUTPUT));

`gemini-1.5-pro`

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

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 di oggetti che contiene i contenuti da analizzare. Per ulteriori informazioni sui tipi di contenuti che puoi analizzare, consulta Input.
Il bucket Cloud Storage utilizzato dalla tabella degli oggetti deve trovarsi nello stesso progetto in cui hai creato il modello e in cui chiami la funzione ML.GENERATE_TEXT. Se vuoi chiamare il Funzione ML.GENERATE_TEXT in un progetto diverso da quello che contiene il bucket Cloud Storage utilizzato dalla tabella degli oggetti, devi concedere il ruolo Amministratore Storage a livello di bucket all'account di servizio service-A@gcp-sa-aiplatform.iam.gserviceaccount.com.
PROMPT: il prompt da utilizzare per analizzare i contenuti.
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. L'impostazione predefinita è 128.
TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,2.0] 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_P: un valore FLOAT64 nel l'intervallo [0.0,1.0] aiuta a determinare la probabilità di 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.
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 ciascuna categoria una sola volta. Ad esempio, non puoi specificare sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza di 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 (con limitazioni)
- 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.

Esempi

Questo esempio analizza i contenuti video di una tabella di oggetti denominata videos e descrive i contenuti di ogni video:

SELECT * FROM
  ML.GENERATE_TEXT(
    MODEL
      `mydataset.video_model`,
        TABLE `mydataset.videos`,
          STRUCT('What is happening in this video?' AS PROMPT,
          TRUE AS FLATTEN_JSON_OUTPUT));

Questo esempio traduce e trascrive i contenuti audio da una tabella di oggetti che ha il nome feedback:

SELECT * FROM
  ML.GENERATE_TEXT(
    MODEL
      `mydataset.audio_model`,
        TABLE `mydataset.feedback`,
          STRUCT('What is the content of this audio clip, translated into Spanish?' AS PROMPT,
          TRUE AS FLATTEN_JSON_OUTPUT));

Questo esempio classifica i contenuti PDF da una tabella di oggetti che ha il nome invoices:

SELECT * FROM
  ML.GENERATE_TEXT(
    MODEL
      `mydataset.classify_model`,
        TABLE `mydataset.invoices`,
          STRUCT('Classify this document based on the invoice total, using the following categories: 0 to 100, 101 to 200, greater than 200' AS PROMPT,
          TRUE AS FLATTEN_JSON_OUTPUT));

`gemini-pro-vision`

SELECT *
FROM ML.GENERATE_TEXT(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE PROJECT_ID.DATASET_ID.TABLE_NAME,
  STRUCT(PROMPT AS prompt, 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,
  SAFETY_SETTINGS AS safety_settings)
);

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 del tabella degli oggetti che include i contenuti da analizzare. Per ulteriori informazioni sui tipi di contenuti che puoi analizzare, Ingresso.
Il bucket Cloud Storage utilizzato dalla tabella degli oggetti deve trovarsi nello stesso progetto in cui hai creato il modello e in cui chiami la funzione ML.GENERATE_TEXT. Se vuoi chiamare il Funzione ML.GENERATE_TEXT in un progetto diverso da quello che contiene il bucket Cloud Storage utilizzato dalla tabella degli oggetti, devi concedere il ruolo Amministratore Storage a livello di bucket all'account di servizio service-A@gcp-sa-aiplatform.iam.gserviceaccount.com.
PROMPT: la richiesta da utilizzare per analizzare i contenuti.
TOKENS: un valore INT64 che imposta il numero massimo di token che possono essere generati nella risposta. Questo valore deve essere compreso nell'intervallo [1,2048]. Specifica un valore più basso per risposte più brevi e un valore più alto per risposte più lunghe. Il valore predefinito è 2048.
TEMPERATURE: un valore FLOAT64 nell'intervallo [0.0,1.0] che controlla il grado di casualità nella selezione dei token. Il valore predefinito è 0.4.
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 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 32.
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 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.
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 ciascuna categoria una sola volta. Ad esempio, non puoi specificare sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_MEDIUM_AND_ABOVE' AS threshold) sia STRUCT('HARM_CATEGORY_DANGEROUS_CONTENT' AS category, 'BLOCK_ONLY_HIGH' AS threshold). Se non esiste un'impostazione di sicurezza per una determinata categoria, viene utilizzata l'impostazione di sicurezza di 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 (con limitazioni)
- 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 di soglia di blocco.

Esempi

Questo esempio analizza i contenuti video di una tabella di oggetti denominata videos e descrive i contenuti di ogni video:

SELECT * FROM
  ML.GENERATE_TEXT(
    MODEL
      `mydataset.video_model`,
        TABLE `mydataset.videos`,
          STRUCT('What is happening in this video?' AS PROMPT,
          TRUE AS FLATTEN_JSON_OUTPUT));