Genera incorporamenti video utilizzando la funzione ML.GENERATE_embedDING

Anteprima

Questo prodotto o funzionalità è soggetto ai "Termini delle Offerte pre-GA" nella sezione Termini generali del servizio dei Termini specifici del servizio. I prodotti e le funzionalità pre-GA sono disponibili "così come sono" e potrebbero avere un supporto limitato. Per saperne di più, consulta le descrizioni della fase di lancio.

Nota: per fornire un feedback o richiedere assistenza per questa funzionalità, invia un'email all'indirizzo [e-mail].

Questo documento mostra come creare un modello remoto di BigQuery ML che fa riferimento a un modello di base di incorporamento di Vertex AI. Potrai quindi utilizzare questo modello con la funzione ML.GENERATE_EMBEDDING per creare incorporamenti video utilizzando i dati di una tabella di oggetti BigQuery.

Ruoli obbligatori

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

  • 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, devi disporre delle seguenti autorizzazioni IAM:

  • bigquery.jobs.create
  • bigquery.models.create
  • bigquery.models.getData
  • bigquery.models.updateData
  • bigquery.models.updateMetadata

• Per eseguire l'inferenza, devi disporre delle seguenti autorizzazioni:

  • bigquery.tables.getData in tavola
  • bigquery.models.getData sul modello
  • bigquery.jobs.create

Prima di iniziare

1. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

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

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

   Abilita le API

crea un set di dati

Crea un set di dati BigQuery per archiviare il tuo modello ML:

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

   Vai alla pagina di BigQuery

2. Nel riquadro Explorer, fai clic sul nome del tuo progetto.

3. Fai clic su Visualizza azioni > Crea set di dati.

   

4. Nella pagina Crea set di dati, segui questi passaggi:

   • In ID set di dati, inserisci bqml_tutorial.

   • Per Tipo di località, seleziona Più regioni e poi Stati Uniti (più regioni negli Stati Uniti).

     I set di dati pubblici vengono archiviati in US più regioni. Per semplicità, archivia il tuo set di dati nella stessa località.

   • Lascia invariate le restanti impostazioni predefinite e fai clic su Crea set di dati.

     

Crea una connessione

Crea una connessione alle risorse Cloud e recupera l'account di servizio della connessione. Crea la connessione nella stessa località del set di dati che hai creato nel passaggio precedente.

Seleziona una delle seguenti opzioni:

Console

1. Vai alla pagina BigQuery.

   Vai a BigQuery

2. Per creare una connessione, fai clic su Aggiungi e poi su Connessioni a origini dati esterne.

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

4. Nel campo ID connessione, inserisci un nome per la connessione.

5. Fai clic su Crea connessione.

6. Fai clic su Vai alla connessione.

7. Nel riquadro Informazioni sulla connessione, copia l'ID account di servizio per utilizzarlo in un passaggio successivo.

bq

1. In un ambiente a riga di comando, crea una connessione:

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

   Il parametro --project_id sostituisce il progetto predefinito.

   Sostituisci quanto segue:

   • REGION: la tua regione di connessione
   • PROJECT_ID: l'ID del tuo progetto Google Cloud
   • CONNECTION_ID: un ID per la tua connessione

   Quando crei una risorsa di connessione, BigQuery crea un account di servizio di sistema univoco e lo associa alla connessione.

   Risoluzione dei problemi: se viene visualizzato il seguente errore di connessione, aggiorna Google Cloud SDK:

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

2. Recupera e copia l'ID account di servizio per utilizzarlo in un passaggio successivo:

   bq show --connection PROJECT_ID.REGION.CONNECTION_ID
   

   L'output è simile al seguente:

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

Terraform

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

Concedi all'account di servizio l'accesso

Concedi al tuo account di servizio l'autorizzazione per utilizzare la connessione. Se non concedi l'autorizzazione, verrà visualizzato un errore. Seleziona una delle seguenti opzioni:

Console

1. Vai alla pagina IAM e amministrazione.

   Vai a IAM e amministrazione

2. Fai clic su Concedi l'accesso.

   Viene visualizzata la finestra di dialogo Aggiungi entità.

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

4. Nel campo Seleziona un ruolo, seleziona Vertex AI, quindi Utente Vertex AI.

5. Fai clic su Salva.

gcloud

Usa il 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 account di servizio che hai copiato in precedenza

Crea un modello

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

   Vai a BigQuery

2. Utilizzando l'editor SQL, crea 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 conterrà il modello
   • MODEL_NAME: il nome del modello
   • REGION: la regione utilizzata dalla connessione
   • CONNECTION_ID: l'ID della tua connessione BigQuery

     Quando visualizzi i dettagli della connessione nella console Google Cloud, si tratta del valore nell'ultima sezione dell'ID connessione completo mostrato in ID connessione, ad esempio projects/myproject/locations/connection_location/connections/myconnection

   • ENDPOINT: l'LLM di incorporamento da utilizzare, in questo caso multimodalembedding@001.

Genera incorporamenti video

Genera incorporamenti video con la funzione ML.GENERATE_EMBEDDING utilizzando i dati video di una tabella di oggetti:

SELECT *
FROM ML.GENERATE_EMBEDDING(
  MODEL `PROJECT_ID.DATASET_ID.MODEL_NAME`,
  TABLE PROJECT_ID.DATASET_ID.TABLE_NAME,
  STRUCT(FLATTEN_JSON AS flatten_json_output,
    START_SECOND AS start_second,
    END_SECOND AS end_second,
    INTERVAL_SECONDS AS interval_seconds)
);

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 remoto rispetto a un modello multimodalembedding@001.
• TABLE_NAME: il nome della tabella dell'oggetto che contiene i video da incorporare.
• FLATTEN_JSON: un valore BOOL che indica se analizzare l'incorporamento in una colonna separata. Il valore predefinito è TRUE.
• START_SECOND: un valore FLOAT64 che specifica il secondo nel video da cui iniziare l'incorporamento. Il valore predefinito è 0. Questo valore deve essere positivo e inferiore al valore end_second.
• END_SECOND: un valore FLOAT64 che specifica il secondo del video in cui terminare l'incorporamento. Il valore predefinito è 120. Questo valore deve essere positivo e maggiore del valore start_second.
• INTERVAL_SECONDS: un valore FLOAT64 che specifica l'intervallo da utilizzare durante la creazione di incorporamenti. Ad esempio, se imposti start_second = 0, end_second = 120 e interval_seconds = 10, il video viene suddiviso in dodici segmenti di 10 secondi ([0, 10), [10, 20), [20, 30)...) e vengono generati incorporamenti per ogni segmento. Questo valore deve essere maggiore di 4 e minore di 120. Il valore predefinito è 16.

Esempio

L'esempio seguente mostra come creare incorporamenti per i video nella tabella degli oggetti videos. Gli incorporamenti vengono creati per ogni intervallo di 5 secondi tra i contrassegni di 10 e 40 secondi in ogni video.

SELECT *
FROM
  ML.GENERATE_EMBEDDING(
    MODEL `mydataset.embedding_model`,
    TABLE mydataset.videos,
    STRUCT(TRUE AS flatten_json_output,
    10 AS start_second,
    40 AS end_second,
    5 AS interval_seconds)
  );